Una demostración gobernada de inteligencia de entrega AI/MCP sobre un programa empresarial totalmente sintético.
Ayuda a un responsable de entrega a responder: qué cambió, qué está bloqueado, qué dependencia importa a continuación, qué afectará una solicitud de cambio y qué afirmaciones están respaldadas por evidencia. El valor principal funciona sin clave API.
Abre el workbench generado: workbench/index.html
Inspecciona la ruta de código más sólida: delivery_intelligence/engine.py
Revisa el límite de herramientas MCP: delivery_intelligence/mcp_server.py
Comprueba el arnés de evaluación: delivery_intelligence/evaluation.py
Ejecuta el proyecto:
python -m pip install -e .
python -m delivery_intelligence build
python -m delivery_intelligence validate
python -m unittest discover -s testsRelated MCP server: PM Governance MCP Server
Capacidad | Evidencia pública |
Diseño de herramientas AI/MCP | Siete herramientas MCP enfocadas sobre un modelo de programa coherente, con salidas estructuradas y argumentos validados. |
Pensamiento de entrega/programa | Hitos, RAID, decisiones, solicitudes de cambio, puertas de preparación, dependencias y paquete de contexto de dirección. |
Controles de alucinación | Las afirmaciones no respaldadas devuelven |
Trazabilidad de evidencia | Las salidas separan hechos de origen, derivaciones deterministas y recomendaciones con referencias de evidencia. |
Disciplina de evaluación | Las comprobaciones deterministas cubren contratos de herramientas, cobertura de evidencia, comportamiento de rechazo, impacto de cambios y repetibilidad. |
Conciencia de coste/latencia | Las salidas de herramientas incluyen telemetría de latencia y coste estimado; el núcleo determinista tiene coste de modelo cero. |
flowchart LR
A[Synthetic programme fixture] --> B[Deterministic delivery engine]
B --> C[Evidence ledger]
B --> D[Tool registry]
D --> E[Optional MCP server]
D --> F[Evaluation harness]
D --> G[Generated workbench]
H[Future data adapter] -. documented boundary .-> A
I[Optional narrative adapter] -. recommendations only .-> DLa demostración pública es independiente. No importa otro repositorio de portafolio y no expone datos privados operativos, de búsqueda de empleo, correo electrónico, salario, elegibilidad, credenciales o cuentas.
Herramienta | Propósito |
| Puntuación de salud explicable con fórmula, limitaciones y evidencia. |
| Priorización RAID determinista por severidad, probabilidad, impacto y estado de vencimiento. |
| Recorrido de dependencias descendentes desde un hito. |
| Impacto en calendario, coste, alcance y preparación de una solicitud de cambio. |
| Decisiones bloqueadas, bloqueadores y evidencia faltante. |
| Paquete de contexto listo para el comité con hechos, derivaciones y recomendaciones separados. |
| Búsqueda de evidencia o rechazo cuando el respaldo es insuficiente. |
Capa | Significado | Ejemplo |
Hechos de origen | Registros sintéticos de fixture: hitos, RAID, dependencias, decisiones, puertas y instantáneas. | La previsión de congelación de pagos se movió al día 92. |
Derivaciones deterministas | Puntuaciones calculadas en Python, rangos de riesgo, rutas de impacto y cobertura de evidencia. | El deslizamiento de la congelación de pagos se propaga al lanzamiento piloto. |
Recomendaciones | Sugerencias de política generadas a partir de hechos y derivaciones trazables. | Divide o aplaza una solicitud de cambio a menos que el patrocinador acepte el impacto en el calendario. |
Narrativa AI opcional | Solo límite de adaptador futuro; no requerido para pruebas o demo. | Un modelo puede reescribir un resumen de dirección, pero no puede crear hechos no respaldados. |
El paquete principal no tiene dependencias de ejecución. Para ejecutar el servidor MCP real usando el SDK oficial de Python:
python -m pip install -e ".[mcp]"
delivery-intelligence-mcpEl extra de MCP es opcional porque el motor determinista, el workbench y el arnés de evaluación deben seguir siendo revisables sin credenciales de servicio ni acceso a modelos.
Ejecuta:
python -m delivery_intelligence evalEl arnés comprueba:
validez del contrato de llamada a herramientas;
cobertura de evidencia para salidas de salud y dirección;
rechazo de afirmaciones no respaldadas;
corrección del impacto de cambios/dependencias frente al fixture conocido;
repetibilidad entre ejecuciones deterministas;
presencia de telemetría de latencia y coste estimado.
Solo programa sintético.
Sin acciones externas.
Sin herramientas amplias de sistema de archivos, red o shell.
Sin base de datos vectorial ni framework de orquestación.
Sin clave API requerida.
Sin datos privados de programa, búsqueda de empleo, currículum, reclutador, cuenta, salario, legales, elegibilidad o credenciales.
Los adaptadores futuros deben preservar el mismo límite de evidencia.
delivery_intelligence/
fixtures.py synthetic programme records
engine.py health, risk, dependency, change and evidence reasoning
tools.py validated tool registry and telemetry wrapper
mcp_server.py optional real MCP server using the Python SDK
evaluation.py deterministic evaluation harness
workbench.py generated HTML/SVG workbench artifacts
tests/ engine, tool, evaluation and visual-output checks
docs/ architecture, tool, evaluation and portfolio notes
workbench/ generated self-contained workbenchMIT.
This server cannot be installed
Unclaimed servers have limited discoverability.
If you are the server author, to access and configure the admin panel.
Generate answers & visualizations from your engineering data to track software development health.
Transformation readiness gaps and initiative risk signals for AI agents and enterprise change leads.
Deterministic context layer for your codebase: change impact, blast radius, answers with receipts.
We provide all the information about MCP servers via our MCP API.
curl -X GET 'https://glama.ai/api/mcp/v1/servers/mypoorbrain/delivery-intelligence-mcp-workbench'
If you have feedback or need assistance with the MCP directory API, please join our Discord server