완전히 합성된 엔터프라이즈 프로그램을 기반으로 한 거버넌스 적용 AI/MCP 딜리버리 인텔리전스 쇼케이스.
딜리버리 리더가 다음 질문에 답할 수 있도록 돕습니다: 무엇이 변경되었는지, 무엇이 차단되었는지, 다음으로 중요한 의존성은 무엇인지, 변경 요청이 무엇에 영향을 미칠지, 그리고 어떤 주장이 증거로 뒷받침되는지. 핵심 가치는 API 키 없이도 작동합니다.
생성된 워크벤치 열기: workbench/index.html
가장 강력한 코드 경로 검토: delivery_intelligence/engine.py
MCP 도구 경계 검토: delivery_intelligence/mcp_server.py
평가 하네스 확인: delivery_intelligence/evaluation.py
프로젝트 실행:
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
역량 | 공개 증거 |
AI/MCP 도구 설계 | 일관된 프로그램 모델 위에 구축된 7개의 집중된 MCP 도구, 구조화된 출력 및 검증된 인수 포함. |
딜리버리/프로그램 사고 | 마일스톤, RAID, 결정, 변경 요청, 준비 게이트, 의존성 및 스티어링 컨텍스트 팩. |
환각 제어 | 뒷받침되지 않는 주장은 사실이 되는 대신 |
증거 추적성 | 출력은 소스 사실, 결정론적 파생 결과 및 증거 참조가 포함된 권장 사항을 분리. |
평가 규율 | 결정론적 검사는 도구 계약, 증거 범위, 거부 동작, 변경 영향 및 반복 가능성을 다룹니다. |
비용/지연 인식 | 도구 출력에는 지연 시간 및 예상 비용 텔레메트리가 포함됩니다. 결정론적 코어는 모델 비용이 0입니다. |
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 .-> D공개 쇼케이스는 단독으로 운영됩니다. 다른 포트폴리오 저장소를 가져오지 않으며 비공개 운영, 구직, 이메일, 급여, 자격, 자격 증명 또는 계정 데이터를 노출하지 않습니다.
도구 | 목적 |
| 공식, 제한 사항 및 증거가 포함된 설명 가능한 건강 점수. |
| 심각도, 확률, 영향 및 기한 초과 상태에 따른 결정론적 RAID 우선순위 지정. |
| 마일스톤에서 하위 의존성 순회. |
| 변경 요청에 대한 일정, 비용, 범위 및 준비 영향. |
| 차단된 결정, 차단 요인 및 누락된 증거. |
| 사실, 파생 결과 및 권장 사항이 분리된 이사회 준비 컨텍스트 팩. |
| 증거 조회 또는 지원이 불충분한 경우 거부. |
계층 | 의미 | 예시 |
소스 사실 | 합성 픽스처 레코드: 마일스톤, RAID, 의존성, 결정, 게이트 및 스냅샷. | 결제 동결 예측이 92일차로 이동됨. |
결정론적 파생 결과 | Python으로 계산된 점수, 위험 순위, 영향 경로 및 증거 범위. | 결제 동결 지연이 파일럿 출시로 전파됨. |
권장 사항 | 추적 가능한 사실과 파생 결과에서 생성된 정책 제안. | 스폰서가 일정 영향을 수락하지 않는 한 변경 요청을 분할하거나 연기. |
선택적 AI 내러티브 | 향후 어댑터 경계 전용. 테스트나 데모에 필요하지 않음. | 모델이 스티어링 요약을 다시 작성할 수 있지만, 뒷받침되지 않는 사실을 만들 수는 없음. |
핵심 패키지에는 런타임 의존성이 없습니다. 공식 Python SDK를 사용하여 실제 MCP 서버를 실행하려면:
python -m pip install -e ".[mcp]"
delivery-intelligence-mcpMCP 확장은 선택 사항입니다. 결정론적 엔진, 워크벤치 및 평가 하네스는 서비스 자격 증명이나 모델 액세스 없이도 검토 가능해야 하기 때문입니다.
실행:
python -m delivery_intelligence eval하네스는 다음을 검사합니다:
도구 호출 계약 유효성;
건강 및 스티어링 출력에 대한 증거 범위;
뒷받침되지 않는 주장 거부;
알려진 픽스처에 대한 변경/의존성 영향 정확성;
결정론적 실행 전반의 반복 가능성;
지연 시간 및 예상 비용 텔레메트리 존재 여부.
합성 프로그램 전용.
외부 작업 없음.
광범위한 파일 시스템, 네트워크 또는 셸 도구 없음.
벡터 데이터베이스 또는 오케스트레이션 프레임워크 없음.
API 키 불필요.
비공개 프로그램, 구직, 이력서, 리크루터, 계정, 급여, 법률, 자격 또는 자격 증명 데이터 없음.
향후 어댑터는 동일한 증거 경계를 유지해야 함.
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