Управляемая демонстрация AI/MCP для аналитики поставки на основе полностью синтетической корпоративной программы.
Она помогает руководителю поставки ответить: что изменилось, что заблокировано, какая зависимость важнее всего дальше, на что повлияет запрос на изменение и какие утверждения подтверждаются доказательствами. Основная ценность работает без API-ключа.
Откройте сгенерированный workbench: workbench/index.html
Изучите основной код: delivery_intelligence/engine.py
Ознакомьтесь с границей MCP-инструментов: delivery_intelligence/mcp_server.py
Проверьте оценочный стенд: delivery_intelligence/evaluation.py
Запустите проект:
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
Возможность | Публичные доказательства |
Проектирование AI/MCP-инструментов | Семь сфокусированных MCP-инструментов на основе целостной модели программы, со структурированными выходными данными и проверенными аргументами. |
Мышление в терминах поставки/программы | Вехи, RAID, решения, запросы на изменения, гейты готовности, зависимости и контекстный пакет для стеering-комитета. |
Контроль галлюцинаций | Неподтверждённые утверждения возвращают |
Прослеживаемость доказательств | Выходные данные разделяют исходные факты, детерминированные производные и рекомендации со ссылками на доказательства. |
Дисциплина оценки | Детерминированные проверки охватывают контракты инструментов, покрытие доказательствами, поведение отказа, влияние изменений и воспроизводимость. |
Осознанность затрат/задержек | Выходные данные инструментов включают телеметрию задержки и расчётной стоимости; детерминированное ядро имеет нулевую стоимость модели. |
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 .-> DПубличная демонстрация автономна. Она не импортирует другие репозитории портфолио и не раскрывает приватные операционные данные, данные поиска работы, электронной почты, зарплаты, соответствия требованиям, учётных данных или аккаунтов.
Инструмент | Назначение |
| Объяснимый показатель здоровья с формулой, ограничениями и доказательствами. |
| Детерминированная приоритизация RAID по серьёзности, вероятности, влиянию и статусу просрочки. |
| Обход зависимостей вниз по потоку от вехи. |
| Влияние запроса на изменение на расписание, стоимость, объём и готовность. |
| Заблокированные решения, блокирующие факторы и отсутствующие доказательства. |
| Контекстный пакет для совета директоров с разделением фактов, производных и рекомендаций. |
| Поиск доказательств или отказ, когда поддержка недостаточна. |
Слой | Значение | Пример |
Исходные факты | Синтетические записи-фикстуры: вехи, RAID, зависимости, решения, гейты и снимки. | Прогноз заморозки платежей перенесён на день 92. |
Детерминированные производные | Рассчитанные на Python оценки, ранги рисков, пути влияния и покрытие доказательствами. | Сдвиг заморозки платежей распространяется на пилотный запуск. |
Рекомендации | Политические предложения, сгенерированные на основе прослеживаемых фактов и производных. | Разделить или отложить запрос на изменение, если спонсор не принимает влияние на расписание. |
Опциональное AI-повествование | Только будущая граница адаптера; не требуется для тестов или демо. | Модель может переписать сводку для стеering-комитета, но не может создавать неподтверждённые факты. |
Основной пакет не имеет зависимостей времени выполнения. Для запуска реального MCP-сервера с использованием официального Python SDK:
python -m pip install -e ".[mcp]"
delivery-intelligence-mcpДополнительный MCP-модуль опционален, потому что детерминированный движок, workbench и оценочный стенд должны оставаться проверяемыми без сервисных учётных данных или доступа к модели.
Запустите:
python -m delivery_intelligence evalСтенд проверяет:
корректность контрактов вызовов инструментов;
покрытие доказательствами для выходных данных здоровья и стеering-комитета;
отказ от неподтверждённых утверждений;
корректность влияния изменений/зависимостей относительно известной фикстуры;
воспроизводимость детерминированных запусков;
наличие телеметрии задержки и расчётной стоимости.
Только синтетическая программа.
Никаких внешних действий.
Никаких широких инструментов файловой системы, сети или оболочки.
Никакой векторной базы данных или оркестрационного фреймворка.
API-ключ не требуется.
Никаких приватных данных программы, поиска работы, резюме, рекрутеров, аккаунтов, зарплат, юридических данных, данных о соответствии требованиям или учётных данных.
Будущие адаптеры должны сохранять ту же границу доказательств.
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