AgentSignal

npm version GitHub stars License: MIT MCP Tools

AI 쇼핑 에이전트를 위한 집단 지성 레이어.

연결된 모든 에이전트는 서로를 더 똑똑하게 만듭니다. 1,200개 이상의 쇼핑 세션, 95개 제품, 50개 판매자, 10개 카테고리 — 그리고 계속 성장 중입니다.

존재 이유: AI 에이전트가 사용자를 대신해 쇼핑할 때, 각 에이전트는 0부터 시작합니다. AgentSignal은 모든 에이전트의 의사결정 신호를 통합하여, 선택률, 거부 패턴, 가격 정보, 판매자 신뢰도, 검증된 제약 조건 일치 등 다른 에이전트가 이미 학습한 내용을 모든 세션에서 활용할 수 있도록 합니다.

빠른 시작 (30초)

원격 — 설치 불필요, 즉각적인 지능:

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

npx를 통한 로컬 설치:

npx agent-signal

Claude Desktop / Claude Code:

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

더 똑똑한 쇼핑을 위한 단 한 번의 호출

smart_shopping_session 도구는 세션을 기록하는 동시에 사용 가능한 모든 지능 정보를 단일 호출로 반환합니다:

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

반환 값:

후속 기록을 위한 세션 ID
해당 카테고리에서 다른 에이전트들이 가장 많이 선택한 제품
가장 중요하게 고려된 제약 조건 및 요소
유사한 세션의 결과 (구매 vs 이탈)
네트워크 전체 통계

23개의 MCP 도구

스마트 콤보 도구 (권장)

도구	기능
`smart_shopping_session`	세션 시작 + 카테고리 지능 정보 획득 + 유사 세션 결과 확인 — 모두 한 번의 호출로 가능
`evaluate_and_compare`	제품 평가 기록 + 제품 지능 정보 획득 + 딜 판정 — 모두 한 번의 호출로 가능

구매자 지능 — 더 똑똑한 쇼핑

도구	제공 정보
`get_product_intelligence`	선택률, 거부 사유, 경쟁 제품이 선택된 이유
`get_category_recommendations`	인기 제품, 의사결정 요소, 일반적인 요구사항, 평균 예산
`check_merchant_reliability`	재고 정확도, 선택률, 판매자별 구매 결과
`get_similar_session_outcomes`	유사한 제약 조건을 가진 에이전트들의 최종 선택 결과
`detect_deal`	과거 데이터를 기반으로 한 가격 판정 — best_price_ever에서 above_average까지
`get_warnings`	재고 문제, 높은 거부율, 이탈 신호
`get_constraint_match`	제약 조건에 정확히 일치하는 제품 — 검색 과정 생략

판매자 지능 — 시장 이해

도구	제공 정보
`get_competitive_landscape`	카테고리 순위, 1대1 승률, 경쟁사 우위 요인, 가격 포지셔닝
`get_rejection_analysis`	에이전트가 귀하의 제품을 거부하는 이유, 주간 트렌드, 대신 선택한 제품
`get_category_demand`	에이전트들의 검색 내용, 충족되지 않은 니즈, 예산 분포, 시장 격차
`get_merchant_scorecard`	전체 판매자 보고서 — 재고 신뢰도, 가격 경쟁력, 카테고리별 선택률

발견 및 모니터링

도구	제공 정보
`get_budget_products`	특정 예산 내 최고의 제품 — 에이전트 선택 기준 순위 및 판매자 재고 현황
`get_trending_products`	상승 또는 하락 중인 제품 — 이전 기간 대비 현재 선택률 비교
`create_price_alert`	가격 알림 설정 — 에이전트가 목표 가격 이하로 제품을 발견하면 알림
`check_price_alerts`	최근 에이전트 활동에 의해 트리거된 알림 확인

쓰기 도구 — 데이터 기여

도구	수집 데이터
`log_shopping_session`	쇼핑 의도, 제약 조건, 예산, 제외 항목
`log_product_evaluation`	고려된 제품, 일치 점수, 처분 결과 + 거부 사유
`log_comparison`	비교된 제품, 차원, 승자, 결정적 요인
`log_outcome`	최종 결과 — 구매, 추천, 이탈 또는 보류
`import_completed_session`	완료된 세션을 소급하여 대량 가져오기
`get_session_summary`	전체 세션 세부 정보 검색

예시: 전체 에이전트 워크플로우

# 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")

모든 단계가 네트워크에 기여합니다. 다음에 헤드폰을 쇼핑하는 에이전트는 귀하의 데이터로부터 혜택을 받습니다.

예시: 판매자 지능 워크플로우

# 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

활성 지능 정보가 있는 카테고리

카테고리	세션 수
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+

에이전트 프레임워크 예시

/examples에서 바로 실행 가능한 예시:

프레임워크	파일	설명
LangChain	`langchain-shopping-agent.py`	LangGraph + MCP 어댑터를 사용한 ReAct 에이전트
CrewAI	`crewai-shopping-crew.py`	2인 에이전트 팀 (조사자 + 쇼퍼)
AutoGen	`autogen-shopping-agent.py`	MCP 도구를 사용하는 AutoGen 에이전트
OpenAI Agents	`openai-agents-shopping.py`	Streamable HTTP를 사용하는 OpenAI Agents SDK
Claude	`claude-system-prompt.md`	Claude Desktop/Code를 위한 최적화된 시스템 프롬프트

모든 예시는 호스팅된 MCP 엔드포인트에 연결되며, pip install 외에 별도의 설정이 필요하지 않습니다.

REST API

https://agent-signal-production.up.railway.app/api에서 제공되는 판매자 대상 분석:

엔드포인트	설명
`GET /api/products/:id/insights`	제품 분석 — 고려율, 거부 사유
`GET /api/categories/:category/trends`	카테고리 트렌드 — 주요 요소, 예산, 속성
`GET /api/competitive/lost-to?product_id=X`	경쟁 손실 — X가 무엇에 밀리는지, 그 이유
`GET /api/sessions`	최근 세션 (페이지네이션)
`GET /api/sessions/:id`	전체 세션 세부 정보
`POST /api/admin/aggregate`	인사이트 계산 트리거
`GET /api/health`	상태 확인

자체 호스팅

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

아키텍처

MCP 서버 — Stdio 전송 (로컬) + Streamable HTTP (원격)
REST API — 동일 포트의 Express
데이터베이스 — PostgreSQL (Neon 호환)
23개의 MCP 도구 — 17개 읽기 (구매자 + 판매자 + 발견) + 6개 쓰기

라이선스

MIT

agent-signal