ProfitPilot MCP Server

Multi-Agent Business Intelligence Architecture - Servidor MCP para inteligencia de negocio especializada en E-commerce que combina el framework QUORUM con agentes especializados en decisiones de negocio.

🌟 Características

ProfitPilot es un sistema de inteligencia de negocio multi-agente diseñado específicamente para E-commerce, que combina el framework QUORUM con agentes especializados en decisiones de negocio.

Los 9 Agentes de ProfitPilot

Roles de Negocio Soportados

🧠 Deep Reasoning (Auto-Reflexión)

ProfitPilot incluye un sistema de Deep Reasoning inspirado en modelos avanzados como OpenAI o1/o3, GPT-5.2 Pro y Gemini 3 Deep Think. Este sistema permite al agente realizar un proceso de auto-reflexión en bucle, haciéndose preguntas a sí mismo hasta llegar a una conclusión sólida.

Cómo Funciona

Problema → Pensamiento Inicial → ¿Suficiente Info?
                                    ↓
                         No → Generar Pregunta → Responder → Repetir
                                    ↓
                         Sí → Respuesta Final → Verificar

El sistema:

1. Genera pensamientos iterativos sobre el problema

2. Se hace preguntas para identificar información faltante

3. Evalúa el progreso (suficiente, progresando, estancado)

4. Cambia de enfoque automáticamente cuando está estancado

5. Aplica auto-crítica para evaluar la calidad de cada pensamiento

6. Sintetiza todo el proceso en una respuesta final

Configuración

En config.json:

{
  "quorum": {
    "deepReasoning": {
      "maxIterations": 5,
      "minConfidence": 0.7,
      "enableSelfCritique": true,
      "enableApproachChange": true,
      "verbose": false
    }
  }
}

Uso

El Deep Reasoning se activa automáticamente para problemas de complejidad estratégica cuando se habilita en las opciones:

await framework.pipeline(problem, {
  enableDeepReasoning: true,
  deepReasoningConfig: {
    maxIterations: 7,
    minConfidence: 0.8
  }
});

Resultado

El resultado incluye:

• finalAnswer: Respuesta final generada

• thoughtProcess: Array con todas las iteraciones de pensamiento

• iterations: Número de iteraciones realizadas

• finalConfidence: Confianza final alcanzada

• approachChanges: Número de cambios de enfoque

• summary: Resumen con insights clave, información faltante y enfoque utilizado

🎛️ Los 4 Modos de Razonamiento

ProfitPilot ofrece 4 modos de razonamiento diferentes, cada uno optimizado para diferentes casos de uso:

Configuración

En config.json:

{
  "quorum": {
    "reasoningModes": {
      "defaultMode": "retry",
      "retryConfig": {
        "maxRetries": 3,
        "enableDeepReasoning": true
      },
      "programmaticConfig": {
        "enableKeywordAnalysis": true,
        "enablePatternMatching": true,
        "enableHeuristicRules": true
      },
      "hybridConfig": {
        "llmThreshold": 0.7,
        "programmaticFirst": true
      },
      "embeddedConfig": {
        "modelType": "transformersjs",
        "useWebGPU": false
      }
    }
  }
}

Uso

// Usar modo específico
const result = await framework.reasonWithMode(problem, 'programmatic');

// Usar modo híbrido con configuración personalizada
const hybridResult = await framework.reasonWithMode(problem, 'hybrid', {
  hybridConfig: {
    llmThreshold: 0.8,
    programmaticFirst: true
  }
});

Related MCP server: MCP Business AI Transformation

🧩 Arquitectura Chain of Thought (Nuevo)

ProfitPilot ahora soporta dos arquitecturas diferentes:

1. Modo HTTP (Original)

flowchart LR
    A[Claude Desktop<br/>Modelo: Claude] -->|MCP Protocol| B[profitpilot-mcp-server]
    B -->|HTTP Request| C[LM Studio/Ollama<br/>Modelo Externo]
    
    style A fill:#ffd43b
    style C fill:#74c0fc
    style B fill:#a5d8ff

• Requiere: Un LLM externo (LM Studio, Ollama, OpenAI, etc.)

• Ventajas: Control total del modelo, puede usar cualquier modelo local

• Desventajas: Requiere configuración adicional, dependencia de servicio externo

2. Modo Chain of Thought (Nuevo) ⭐

flowchart LR
    A[Cliente MCP<br/>Claude/Cursor/etc] -->|1. Llamada herramienta| B[profitpilot-mcp-server]
    B -->|2. Prompt de razonamiento| A
    A -->|3. Respuesta pensada| B
    B -->|4. Prompt siguiente paso| A
    A -->|5. Respuesta| B
    B -->|6. Resultado final| A
    
    style A fill:#ffd43b
    style B fill:#a5d8ff

• Requiere: Solo el cliente MCP (Claude Desktop, Cursor, etc.)

• Ventajas:

  • ✅ No requiere LLM externo

  • ✅ Usa el modelo del cliente (Claude, GPT-4, etc.)

  • ✅ Compatible con cualquier cliente MCP

  • ✅ Configuración más simple

  • ✅ Menor latencia (sin HTTP)

• Desventajas: Depende del modelo del cliente

Herramientas del Modo Chain of Thought

Flujo de Uso (Chain of Thought)

1. Cliente llama a profitpilot_analyze con el problema

2. Servidor genera un prompt estructurado (ej: clasificación de complejidad)

3. Cliente ejecuta el prompt con su propio modelo

4. Cliente llama a profitpilot_continue con la respuesta

5. Servidor procesa y genera el siguiente prompt

6. Se repite hasta completar el análisis (descomposición, agentes, verificación, síntesis)

Configuración

En config.json:

{
  "mode": "chain-of-thought",
  "modeDescription": "Chain of Thought: Usa el modelo del cliente MCP | http: Usa un LLM externo vía HTTP"
}

Configuración de Claude Desktop

Para usar el modo Chain of Thought, agrega esto a tu configuración:

{
  "mcpServers": {
    "profitpilot-cot": {
      "command": "node",
      "args": ["/ruta/a/profitpilot-mcp-server/dist/index-cot.js"],
      "description": "Modo Chain of Thought: Usa el modelo de Claude Desktop"
    }
  }
}

Para usar el modo HTTP original:

{
  "mcpServers": {
    "profitpilot": {
      "command": "node",
      "args": ["/ruta/a/profitpilot-mcp-server/dist/index.js"],
      "description": "Modo HTTP: Requiere LM Studio u otro LLM externo"
    }
  }
}

📋 Requisitos

• Node.js >= 18.0.0

• Modo HTTP: Un servidor LLM compatible con OpenAI API (ver opciones abajo)

• Modo Chain of Thought: Solo un cliente MCP (Claude Desktop, Cursor, etc.)

Proveedores de LLM Soportados

El servidor MCP es neutro y compatible con cualquier API que siga el estándar OpenAI:

🚀 Instalación

1. Instalar dependencias

cd profitpilot-mcp-server
npm install

2. Compilar el proyecto

npm run build

3. Configurar el servidor LLM

Elige tu proveedor y configúralo en config.json:

Opción A: LM Studio (Modelos Locales)

1. Abre LM Studio

2. Carga un modelo (ej. Qwen2.5 32B, Llama 3.3 70B)

3. Habilita el servidor API en http://localhost:1234

4. Verifica que el endpoint /v1/models esté disponible

Opción B: Ollama (Modelos Locales)

1. Instala Ollama: https://ollama.ai

2. Ejecuta: ollama pull llama3 (o tu modelo preferido)

3. Asegúrate que el servidor esté corriendo en http://localhost:11434

Opción C: OpenAI (Cloud)

1. Obtén una API key de OpenAI

2. Configura la URL base y API key en config.json

4. Configurar el servidor MCP

Edita config.json según tu proveedor:

{
  "llm": {
    "baseUrl": "http://localhost:1234",
    "defaultModel": "qwen2.5:32b",
    "timeout": 60000,
    "maxRetries": 3,
    "apiKey": ""
  },
  "quorum": {
    "effortRouter": {
      "tactical": { "maxRetries": 1, "agents": ["data-intelligence", "operations"], "subtasks": 1 },
      "operational": { "maxRetries": 2, "agents": ["data-intelligence", "revenue", "customer"], "subtasks": 2 },
      "strategic": { "maxRetries": 3, "agents": ["financial", "scenario", "global-constraint"], "subtasks": 3 }
    }
  }
}

Nota: El campo lmStudio se mantiene por compatibilidad hacia atrás, pero se recomienda usar llm.

🔧 Uso con Claude Desktop

Agrega el servidor a tu configuración de Claude Desktop:

macOS: ~/Library/Application Support/Claude/claude_desktop_config.json

{
  "mcpServers": {
    "profitpilot": {
      "command": "node",
      "args": ["/Users/home/Downloads/Copia de agente-heavy/profitpilot-mcp-server/dist/index.js"]
    }
  }
}

Windows: %APPDATA%\\Claude\\claude_desktop_config.json

{
  "mcpServers": {
    "profitpilot": {
      "command": "node",
      "args": ["C:\\Users\\tu-usuario\\Downloads\\Copia de agente-heavy\\profitpilot-mcp-server\\dist\\index.js"]
    }
  }
}

🛠️ Herramientas MCP Disponibles

profitpilot_analyze

Ejecuta el pipeline completo de ProfitPilot para resolver problemas de negocio de ecommerce usando multi-agent reasoning.

Parámetros:

• problem (string, requerido): El problema o pregunta de negocio a resolver

• role (string, opcional): Rol de negocio (ceo, cmo, ecommerce, operations, growth, cfo)

• verbose (boolean, opcional): Mostrar progreso detallado del pipeline

• model (string, opcional): Modelo específico a usar

• temperature (number, opcional): Temperatura para generación (0-1)

• enableDeepReasoning (boolean, opcional): Habilitar Deep Reasoning para problemas estratégicos

• reasoningMode (string, opcional): Modo de razonamiento (retry, programmatic, hybrid, embedded)

Ejemplo:

¿Debería doblar el presupuesto de ads en Meta o expandir a TikTok?

profitpilot_revenue

Analiza revenue y márgenes del ecommerce.

Parámetros:

• timeframe (string, requerido): Período de tiempo a analizar

• channels (array, opcional): Canales específicos a analizar

Ejemplo:

Analiza revenue y márgenes para los últimos 30 días en Meta Ads y Google Ads

profitpilot_forecast

Genera forecast de ventas e inventario.

Parámetros:

• horizon (number, requerido): Horizonte de forecast en días

• products (array, opcional): Productos específicos a forecast

• confidence (number, opcional): Nivel de confianza deseado (0-1)

Ejemplo:

Genera forecast de ventas para los próximos 90 días

profitpilot_scenario

Simula escenarios de negocio para evaluar riesgos y oportunidades.

Parámetros:

• scenarioType (string, requerido): Tipo de escenario (cpa_change, price_change, stock_delay, competitor_action, custom)

• parameters (object, requerido): Parámetros del escenario

Ejemplo:

Simula qué pasa si Meta sube el CPA 20%

profitpilot_optimize

Genera acciones de optimización para el ecommerce.

Parámetros:

• target (string, requerido): Objetivo de optimización

• constraints (object, opcional): Restricciones para la optimización

• autoExecute (boolean, opcional): Ejecutar acciones automáticamente

Ejemplo:

Optimiza para maximizar ROAS con un presupuesto de $10,000

profitpilot_risk

Evalúa riesgos de decisiones de negocio.

Parámetros:

• decision (string, requerido): Decisión a evaluar

• factors (array, opcional): Factores a considerar

Ejemplo:

Evalúa los riesgos de expandir a TikTok

profitpilot_competitor

Analiza competidores y mercado.

Parámetros:

• competitors (array, requerido): Lista de competidores a analizar

• metrics (array, opcional): Métricas específicas a analizar

Ejemplo:

Analiza precios y estrategias de Competidor A y Competidor B

profitpilot_customer

Analiza segmentos de clientes y comportamiento.

Parámetros:

• segment (string, opcional): Segmento específico a analizar

• metrics (array, opcional): Métricas específicas a analizar

Ejemplo:

Analiza segmentos de clientes y riesgo de churn

profitpilot_constraints

Analiza cuellos de botella globales usando Teoría de Restricciones.

Parámetros: Ninguno

Ejemplo:

Identifica el cuello de botella que frena el crecimiento

📊 Arquitectura del Sistema

INPUT → [Effort Router] → [Decomposer] → [Agent Pool] → [Synthesis] → [Verification] → OUTPUT
         TÁCTICA/          Subtareas      9 Agentes       Consenso         Puntaje 1-10
         OPERACIONAL/                       Especializados
         ESTRATÉGICA

Pipeline QUORUM

1. Effort Router: Clasifica la complejidad del problema (táctica/operativa/estratégica)

2. Decomposer: Descompone el problema en sub-tareas independientes

3. Agent Pool: Ejecuta múltiples agentes especializados en paralelo

4. Synthesis Engine: Sintetiza las respuestas con balanced prompting

5. Verification Pass: Verifica la calidad antes de responder (puntaje 1-10)

6. Retry Loop: Reintenta si la verificación falla

💡 Diferenciadores Clave de ProfitPilot

1. CFO Agent: Único sistema que modela cash flow y working capital, no solo métricas de marketing

2. Global Constraint Engine: Identifica cuellos de botella cross-departamento usando teoría de restricciones

3. Scenario & Risk Engine: Simulación de escenarios con sensibilidad de margen

4. Execution Agent: Capacidad de ejecución automática (opcional) para acciones tácticas

5. Role-Based Routing: Respuestas adaptadas al rol del usuario (CEO, CMO, CFO, etc.)

📚 Documentación

• types.ts - Tipos principales del sistema

• lmstudio-client.ts - Cliente para LM Studio API

• quorum-framework.ts - Framework QUORUM base

• profitpilot-framework.ts - Framework ProfitPilot específico

• agents/ - Agentes especializados

• index.ts - Entry point del servidor MCP

🤝 Contribuciones

Este proyecto está en desarrollo activo. Las contribuciones son bienvenidas.

📄 Licencia

MIT License - Ver archivo LICENSE para más detalles.

ProfitPilot MCP Server © 2026 - Multi-Agent Business Intelligence Architecture for E-commerce