Skip to main content
Glama
mcorona

inventory

by mcorona
OverviewSchemaSourceRelated ServersDiscussionsAdmin
Python
Local

Inventory Copilot

Agente de IA generativa para consultar y operar un sistema de inventario con lenguaje natural, de forma segura, auditable y agnóstica de proveedor: corre a $0 en local (LM Studio / OmniRoute) y en Amazon Bedrock cambiando una variable.

Estado: 🚧 v0.3 — agente con tools, RAG, MCP server y router de modelos.

Qué demuestra

Capacidad

Implementación

Estado

Capa LLM multiproveedor

LM Studio · OmniRoute · Bedrock Converse

✅

Text-to-SQL seguro

Validador sqlglot: solo SELECT, allowlist de tablas, LIMIT forzado, rol read-only

✅

RAG

PostgreSQL + pgvector (equivalente a Aurora pgvector), chunks por sección

✅

Agente con herramientas + MCP

Tool calling nativo · SQL, ficha de SKU, RAG · MCP server (stdio)

✅

Órdenes de compra

Propuesta por el agente con aprobación humana

⏳

Guardrails

PII, prompt injection (directa e indirecta) · Bedrock ApplyGuardrail

⏳

Router de modelos (cascada)

Modelo rápido por defecto, escala a uno más capaz ante fallos detectables

✅

Evaluación

Execution accuracy (SQL), hit@k/MRR (RAG), tool selection (agente) · faithfulness y LLM-as-judge pendientes

🟡

Observabilidad

Tokens, latencia p95 y costo estimado por consulta

⏳

IaC

AWS CDK + cdk-nag (cdk synth en CI)

⏳

Related MCP server: MCP SQL Server

Arquitectura

Usuario ─► API ─► Agente ─► Capa LLM ─┬─► LM Studio  (local)
                    │                  ├─► OmniRoute  (modelos gratuitos, fallback)
                    │                  └─► Amazon Bedrock (Converse)
                    ├─ Tool SQL ─► SQL guard ─► PostgreSQL (rol read-only)
                    ├─ Tool RAG ─► pgvector
                    ├─ MCP server de inventario
                    └─ Tool orden de compra ─► aprobación humana

Arranque rápido (5 min)

git clone https://github.com/mcorona/AI-projects-inventory-copilot.git
cd AI-projects-inventory-copilot
python3 -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt
cp .env.example .env
docker compose up -d
python -m pytest -q
python -m scripts.smoke_test
python -m scripts.generate_data      # datos sinteticos reproducibles (seed 42)
python -m scripts.ingest_docs        # indexa data/docs en pgvector (embeddings bge-m3)
python -m evals.run_sql_eval         # execution accuracy del text-to-SQL
python -m evals.run_rag_eval         # hit@k y MRR de la recuperacion
python -m evals.run_agent_eval       # seleccion de herramientas del agente
python -m src.agent --trace "¿Cómo está el SKU-0009 y qué dice la política de SKUs críticos?"

En LM Studio: carga el modelo de chat y el de embeddings, y activa el servidor local (pestaña Developer → Start Server, puerto 1234).

Modelos recomendados (MacBook M5 Pro, 35 GB RAM unificada)

Rol

Modelo

Memoria aprox. (Q4)

Chat / SQL (principal)

Qwen3.6-35B-A3B (MoE)

~20 GB

Chat (alternativa)

gpt-oss-20b

~12 GB

Embeddings

bge-m3 (multilingüe, 1024 dim)

~1 GB

Cambiar de proveedor

LLM_PROVIDER=omniroute python -m scripts.smoke_test --no-embed
LLM_PROVIDER=bedrock   python -m scripts.smoke_test

Router en cascada (modelo rápido primero, escala al capaz si falla):

ROUTER_TIERS="omniroute:kr/minimax-m2.1,lmstudio:qwen/qwen3.6-35b-a3b" \
  python -m evals.run_sql_eval --provider router

MCP server

Las tres herramientas del agente (query_inventory, get_sku_status, search_documents) y el esquema (inventory://schema) se exponen por MCP, todas de solo lectura:

python -m src.mcp_server        # stdio

El repo incluye .mcp.json, así que Claude Code lo detecta al abrir el proyecto (pide aprobarlo la primera vez). Su contenido:

{
  "mcpServers": {
    "inventory": {
      "command": ".venv/bin/python",
      "args": ["-m", "src.mcp_server"]
    }
  }
}

Resultados actuales

Eval

LM Studio · Qwen3.6-35B-A3B

OmniRoute · minimax-m2.1

Text-to-SQL, execution accuracy (30 preguntas)

100.0% · p50 15 s

93.3% · p50 1.7 s

Selección de herramientas del agente (12 tareas)

100% · p50 5.4 s

100% · p50 4.1 s

Recuperación RAG, bge-m3 (15 preguntas)

hit@1 100% · MRR 1.0

—

Muestras pequeñas: una pregunta mueve 3–8 puntos. Ver los ADR para limitaciones.

Decisiones de arquitectura

Datos

Todos los datos son sintéticos. Nunca envíes datos reales a proveedores gratuitos.

Licencia

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

ActivityMaintained
ResponsivenessNo issues

Resources

Related MCP Connectors

Related MCP Servers

  • mcpserve-py

    devaloi
    A
    license
    A
    quality
    D
    maintenance
    Exposes SQLite database query tools and markdown document resources over JSON-RPC 2.0 stdio transport, enabling AI assistants to read and search documents and execute read-only SQL queries.
    8
    1
    MIT

  • MCP SQL Server

    alegonzjur
    A
    license
    Not graded
    quality
    C
    maintenance
    Read-only MCP server for SQL databases (SQLite/PostgreSQL) that enables listing tables, describing schemas, and executing SELECT queries with safety guardrails.
    MIT

  • mcp-server-local

    dbuddyamaya
    F
    license
    Not graded
    quality
    C
    maintenance
    Enables local MCP-compatible clients, such as Claude Desktop, to query an AWS Athena database with read-only tools for listing tables, describing schemas, running SELECT queries, sampling rows, and getting row counts.
    -

  • mysql-readonly-mcp

    HaokaiLau
    A
    license
    A
    quality
    C
    maintenance
    Enables MCP clients such as Codex to safely inspect a MySQL database over stdio by listing tables, describing schemas and indexes, and running only validated single read-only SELECT/CTE queries plus JSON EXPLAIN plans. Queries execute inside read-only transactions with strict AST-based rejection of writes, multi-statements, and other risky operations, and results come back as structured JSON.
    6
    105 npm
    MIT