AgentSignal

npm version GitHub stars License: MIT MCP Tools

La capa de inteligencia colectiva para agentes de compra por IA.

Cada agente que se conecta hace que todos los demás sean más inteligentes. Más de 1200 sesiones de compra, 95 productos, 50 comerciantes, 10 categorías... y creciendo.

Por qué existe esto: Cuando los agentes de IA compran para los usuarios, cada agente empieza desde cero. AgentSignal agrupa las señales de decisión de todos los agentes para que cada sesión se beneficie de lo que todos los demás agentes ya han aprendido: tasas de selección, patrones de rechazo, inteligencia de precios, fiabilidad del comerciante y coincidencias de restricciones probadas.

Inicio rápido (30 segundos)

Remoto: sin instalación, inteligencia instantánea:

{
  "mcpServers": {
    "agent-signal": {
      "url": "https://agent-signal-production.up.railway.app/mcp"
    }
  }
}

Local mediante npx:

npx agent-signal

Claude Desktop / Claude Code:

{
  "mcpServers": {
    "agent-signal": {
      "command": "npx",
      "args": ["agent-signal"]
    }
  }
}

Una llamada para empezar a comprar de forma más inteligente

La herramienta smart_shopping_session registra tu sesión Y devuelve toda la inteligencia disponible en una sola llamada:

smart_shopping_session({
  raw_query: "lightweight running shoes with good cushioning",
  category: "footwear/running",
  budget_max: 200,
  constraints: ["lightweight", "cushioned"]
})

Devuelve:

Tu ID de sesión para registros posteriores
Las mejores opciones de otros agentes en esa categoría
Qué restricciones y factores fueron más importantes
Cómo terminaron sesiones similares (comprado vs. abandonado)
Estadísticas de toda la red

23 herramientas MCP

Herramientas combinadas inteligentes (recomendadas)

Herramienta	Qué hace
`smart_shopping_session`	Inicia sesión + obtiene inteligencia de categoría + resultados de sesiones similares — todo en una llamada
`evaluate_and_compare`	Registra la evaluación del producto + obtiene inteligencia del producto + veredicto de oferta — todo en una llamada

Inteligencia del comprador: compra de forma más inteligente

Herramienta	Qué te dice
`get_product_intelligence`	Tasa de selección, motivos de rechazo, qué competidores lo superan y por qué
`get_category_recommendations`	Mejores opciones, factores de decisión, requisitos comunes, presupuestos promedio
`check_merchant_reliability`	Precisión del stock, tasa de selección, resultados de compra por comerciante
`get_similar_session_outcomes`	Qué terminaron eligiendo los agentes con restricciones similares
`detect_deal`	Veredicto de precio frente a datos históricos — de best_price_ever a above_average
`get_warnings`	Problemas de stock, altas tasas de rechazo, señales de abandono
`get_constraint_match`	Productos que coinciden exactamente con tus restricciones — sáltate la búsqueda

Inteligencia del vendedor: entiende tu mercado

Herramienta	Qué te dice
`get_competitive_landscape`	Rango de categoría, tasa de victorias cara a cara, quién te supera y por qué, posicionamiento de precios
`get_rejection_analysis`	Por qué los agentes rechazan tu producto, tendencias semanales, qué eligieron en su lugar
`get_category_demand`	Qué están buscando los agentes, necesidades no cubiertas, distribución de presupuesto, brechas de mercado
`get_merchant_scorecard`	Informe completo del comerciante: fiabilidad del stock, competitividad de precios, tasas de selección por categoría

Descubrimiento y monitoreo

Herramienta	Qué te dice
`get_budget_products`	Mejores productos dentro de un presupuesto específico — clasificados por selecciones de agentes, con disponibilidad del comerciante
`get_trending_products`	Productos en tendencia ascendente o descendente — compara la tasa de selección actual frente a la anterior
`create_price_alert`	Establece una alerta de precio — se activa cuando los agentes detectan el producto al precio objetivo o inferior
`check_price_alerts`	Comprueba qué alertas han sido activadas por la actividad reciente de los agentes

Herramientas de escritura: contribuye de vuelta

Herramienta	Qué captura
`log_shopping_session`	Intención de compra, restricciones, presupuesto, exclusiones
`log_product_evaluation`	Producto considerado, puntuación de coincidencia, disposición + motivo de rechazo
`log_comparison`	Productos comparados, dimensiones, ganador, factor decisivo
`log_outcome`	Resultado final: comprado, recomendado, abandonado o diferido
`import_completed_session`	Importación masiva de una sesión completada de forma retroactiva
`get_session_summary`	Recupera los detalles completos de la sesión

Ejemplo: flujo de trabajo completo del agente

# 1. Start smart — one call gets you session ID + intelligence
smart_shopping_session(category: "electronics/headphones", constraints: ["noise-cancelling", "wireless"], budget_max: 400)

# 2. Evaluate products — get intel as you log
evaluate_and_compare(session_id: "...", product_id: "sony-wh1000xm5", price_at_time: 349, disposition: "selected")
evaluate_and_compare(session_id: "...", product_id: "bose-qc45", price_at_time: 279, disposition: "rejected", rejection_reason: "inferior ANC")

# 3. Compare and close
log_comparison(products_compared: ["sony-wh1000xm5", "bose-qc45"], winner: "sony-wh1000xm5", deciding_factor: "noise cancellation quality")
log_outcome(session_id: "...", outcome_type: "purchased", product_chosen_id: "sony-wh1000xm5")

Cada paso alimenta la red. El siguiente agente que busque auriculares se beneficiará de tus datos.

Ejemplo: flujo de trabajo de inteligencia del vendedor

# 1. How is my product performing vs competitors?
get_competitive_landscape(product_id: "sony-wh1000xm5")
# → Category rank #1, 68% head-to-head win rate, beats bose-qc45 on ANC quality

# 2. Why are agents rejecting my product?
get_rejection_analysis(product_id: "bose-qc45")
# → 45% rejected for "inferior ANC", agents chose sony-wh1000xm5 instead 3x more

# 3. What do agents want in my category?
get_category_demand(category: "electronics/headphones")
# → Top demands: noise-cancelling (89%), wireless (82%), unmet need: "spatial audio"

# 4. How does my store perform?
get_merchant_scorecard(merchant_id: "amazon")
# → 34% selection rate, 2% out-of-stock, cheapest option 41% of the time

Categorías con inteligencia activa

Categoría	Sesiones
footwear/running	150+
electronics/headphones	140+
gaming/accessories	130+
electronics/tablets	130+
home/furniture/desks	120+
fitness/wearables	118+
electronics/phones	115+
home/smart-home	107+
kitchen/appliances	105+
electronics/laptops	98+

Ejemplos de marcos de trabajo de agentes

Ejemplos listos para ejecutar en /examples:

Marco de trabajo	Archivo	Descripción
LangChain	`langchain-shopping-agent.py`	Agente ReAct con LangGraph + adaptador MCP
CrewAI	`crewai-shopping-crew.py`	Equipo de dos agentes (investigador + comprador)
AutoGen	`autogen-shopping-agent.py`	Agente AutoGen con herramientas MCP
OpenAI Agents	`openai-agents-shopping.py`	SDK de OpenAI Agents con HTTP transmitible
Claude	`claude-system-prompt.md`	Prompt de sistema optimizado para Claude Desktop/Code

Todos los ejemplos se conectan al endpoint MCP alojado; no se requiere ninguna configuración más allá de pip install.

API REST

Análisis orientado al comerciante en https://agent-signal-production.up.railway.app/api:

Endpoint	Descripción
`GET /api/products/:id/insights`	Análisis de producto: tasa de consideración, motivos de rechazo
`GET /api/categories/:category/trends`	Tendencias de categoría: factores principales, presupuestos, atributos
`GET /api/competitive/lost-to?product_id=X`	Pérdidas competitivas: contra qué pierde X y por qué
`GET /api/sessions`	Sesiones recientes (paginadas)
`GET /api/sessions/:id`	Detalle completo de la sesión
`POST /api/admin/aggregate`	Activar cálculo de información
`GET /api/health`	Comprobación de estado

Autoalojamiento

git clone https://github.com/dan24ou-cpu/agent-signal.git
cd agent-signal
npm install
cp .env.example .env  # set DATABASE_URL to your PostgreSQL
npm run migrate
npm run seed           # optional: sample data
npm run dev            # starts API + MCP server on port 3100

Arquitectura

Servidor MCP — Transporte Stdio (local) + HTTP transmitible (remoto)
API REST — Express en el mismo puerto
Base de datos — PostgreSQL (compatible con Neon)
23 herramientas MCP — 17 de lectura (comprador + vendedor + descubrimiento) + 6 de escritura

Licencia

MIT

agent-signal