de en es ja ko ru zh

agent-signal

Name: agent-signal
Author: dan24ou-cpu

by dan24ou-cpu

Overview Schema Source Related Servers Discussions Admin

TypeScript

Hybrid

AgentSignal

npm version GitHub stars License: MIT MCP Tools

Слой коллективного интеллекта для AI-агентов по покупкам.

Каждый подключенный агент делает всех остальных агентов умнее. Более 1200 сессий покупок, 95 товаров, 50 продавцов, 10 категорий — и это число растет.

Зачем это нужно: Когда AI-агенты совершают покупки для пользователей, каждый агент начинает с нуля. AgentSignal объединяет сигналы принятия решений всех агентов, чтобы каждая сессия извлекала пользу из того, что уже узнали другие агенты — показатели выбора, паттерны отклонения, аналитика цен, надежность продавцов и проверенные соответствия критериям.

Быстрый старт (30 секунд)

Удаленно — без установки, мгновенный интеллект:

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

Локально через npx:

npx agent-signal

Claude Desktop / Claude Code:

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

Related MCP server: agent-commerce-mcp-server

Один вызов, чтобы начать делать покупки умнее

Инструмент smart_shopping_session записывает вашу сессию И возвращает всю доступную аналитику за один вызов:

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

Возвращает:

ID вашей сессии для последующей записи
Лучшие варианты от других агентов в этой категории
Какие ограничения и факторы имели наибольшее значение
Чем закончились похожие сессии (покупка или отказ)
Статистику по всей сети

23 инструмента MCP

Комбинированные инструменты (рекомендуется)

Инструмент	Что он делает
`smart_shopping_session`	Начало сессии + получение аналитики категории + результаты похожих сессий — все в одном вызове
`evaluate_and_compare`	Запись оценки товара + получение аналитики товара + вердикт по сделке — все в одном вызове

Аналитика покупателя — делайте покупки умнее

Инструмент	Что он сообщает
`get_product_intelligence`	Уровень выбора, причины отклонения, какие конкуренты превосходят его и почему
`get_category_recommendations`	Лучшие варианты, факторы принятия решений, общие требования, средний бюджет
`check_merchant_reliability`	Точность наличия, уровень выбора, результаты покупок по продавцу
`get_similar_session_outcomes`	Что в итоге выбрали агенты с похожими ограничениями
`detect_deal`	Вердикт по цене на основе исторических данных — от best_price_ever до above_average
`get_warnings`	Проблемы с наличием, высокий уровень отклонений, сигналы отказа
`get_constraint_match`	Товары, которые точно соответствуют вашим ограничениям — пропустите поиск

Аналитика продавца — понимайте свой рынок

Инструмент	Что он сообщает
`get_competitive_landscape`	Рейтинг категории, коэффициент побед в прямом сравнении, кто превосходит вас и почему, ценовое позиционирование
`get_rejection_analysis`	Почему агенты отклоняют ваш товар, еженедельные тренды, что они выбрали вместо него
`get_category_demand`	Что ищут агенты, неудовлетворенные потребности, распределение бюджета, пробелы на рынке
`get_merchant_scorecard`	Полный отчет по продавцу — надежность наличия, ценовая конкурентоспособность, уровень выбора по категориям

Обнаружение и мониторинг

Инструмент	Что он сообщает
`get_budget_products`	Лучшие товары в рамках определенного бюджета — ранжированные по выбору агентов, с учетом наличия у продавцов
`get_trending_products`	Товары в тренде (рост или падение) — сравнивает текущий уровень выбора с предыдущим периодом
`create_price_alert`	Установка оповещения о цене — срабатывает, когда агенты находят товар по цене, равной или ниже вашей цели
`check_price_alerts`	Проверка того, какие оповещения были вызваны недавней активностью агентов

Инструменты записи — внесите свой вклад

Инструмент	Что он фиксирует
`log_shopping_session`	Намерение покупки, ограничения, бюджет, исключения
`log_product_evaluation`	Рассматриваемый товар, оценка соответствия, решение + причина отклонения
`log_comparison`	Сравнение товаров, параметры, победитель, решающий фактор
`log_outcome`	Итоговый результат — куплено, рекомендовано, отменено или отложено
`import_completed_session`	Массовый импорт завершенной сессии задним числом
`get_session_summary`	Получение полных сведений о сессии

Пример: Полный рабочий процесс агента

# 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")

Каждый шаг подпитывает сеть. Следующий агент, который будет искать наушники, получит пользу от ваших данных.

Пример: Рабочий процесс аналитики продавца

# 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

Категории с активной аналитикой

Категория	Сессии
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+

Примеры фреймворков агентов

Готовые к запуску примеры в /examples:

Фреймворк	Файл	Описание
LangChain	`langchain-shopping-agent.py`	Агент ReAct с LangGraph + адаптер MCP
CrewAI	`crewai-shopping-crew.py`	Команда из двух агентов (исследователь + покупатель)
AutoGen	`autogen-shopping-agent.py`	Агент AutoGen с инструментами MCP
OpenAI Agents	`openai-agents-shopping.py`	OpenAI Agents SDK с потоковым HTTP
Claude	`claude-system-prompt.md`	Оптимизированный системный промпт для Claude Desktop/Code

Все примеры подключаются к размещенному эндпоинту MCP — настройка не требуется, кроме pip install.

REST API

Аналитика для продавцов по адресу https://agent-signal-production.up.railway.app/api:

Эндпоинт	Описание
`GET /api/products/:id/insights`	Аналитика товара — уровень рассмотрения, причины отклонения
`GET /api/categories/:category/trends`	Тренды категории — основные факторы, бюджеты, атрибуты
`GET /api/competitive/lost-to?product_id=X`	Конкурентные потери — кому проигрывает X и почему
`GET /api/sessions`	Недавние сессии (с пагинацией)
`GET /api/sessions/:id`	Полные сведения о сессии
`POST /api/admin/aggregate`	Запуск вычисления аналитики
`GET /api/health`	Проверка работоспособности

Самостоятельный хостинг

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

Архитектура

MCP Server — Stdio transport (локально) + Streamable HTTP (удаленно)
REST API — Express на том же порту
Database — PostgreSQL (совместимая с Neon)
23 MCP tools — 17 для чтения (покупатель + продавец + обнаружение) + 6 для записи

Лицензия

MIT

This server cannot be deployed

One endpoint for every MCP toolRayrun runs every MCP server behind one URL and holds the credentials. Each call is decided per client, tool, and argument, then recorded.ray.runAd

Maintenance

ActivityInactive

ResponsivenessNo issues

Resources

Need Help?

Related Servers

Related MCP Connectors

marketbasketanalysis-mcp A
io.github.48x-ai
Co-purchase intelligence and merchant ops tools for AI shopping, ecommerce, and B2B agents
E-commerce & Retail Research & Data
191
shopping-discoveryOAuth
io.github.Periskop-ai
Product discovery for AI agents: ranked products and bundles from the open merchant web.
E-commerce & Retail Search
2
agent-commerce
ai.petraport
AI-agent product catalog: search, lookup & purchase routing over verified merchant data.
E-commerce & Retail Search
2
OpenShopGraph A
com.openshopgraph
Open, verified shop database for AI agents: products, offers, price comparison, trust and coupons.
E-commerce & Retail Search Open Data
81

Related MCP Servers

Godaloofficial
E-commerce & Retail Search
Godalo-ai
A
license
Not graded
quality
D
maintenance
Affiliate product search for AI agents. Indexes structured merchant feeds — real prices, live stock, affiliate links built in. Works with any MCP client.
Updated 4 months ago (2026-06-04 11:51 UTC)
MIT
agent-commerce-mcp-server
E-commerce & Retail Autonomous Agents
AiAgentKarl
A
license
A
quality
D
maintenance
Enables AI agents to create, compare, and track purchases with structured buying workflows, offer comparison, and merchant verification.
Updated 6 months ago (2026-04-03 16:05 UTC)
5
MIT
Agentic Product Protocol MCP
E-commerce & Retail Search
AiAgentKarl
A
license
A
quality
D
maintenance
Klarna-style product discovery for AI shopping agents. Makes product catalogs machine-readable so AI agents can search, compare, and purchase products programmatically.
Updated 6 months ago (2026-03-20 11:47 UTC)
6
MIT
Periskop MCP Serverofficial
E-commerce & Retail Search
Periskop-ai
A
license
Not graded
quality
C
maintenance
Enables AI agents to perform product discovery from natural language shopping intents, returning ranked products with merchant links without completing checkout.
Updated 3 months ago (2026-07-01 11:42 UTC)
MIT