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"]
    }
  }
}

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

agent-signal