agent-signal

AgentSignal

面向 AI 购物 Agent 的集体智能层。

每个接入的 Agent 都会让其他 Agent 变得更智能。已有 1,200 多次购物会话、95 种产品、50 家商家和 10 个类别，且还在持续增长。

项目缘起： AI Agent 为用户购物时，每个 Agent 都要从零开始。AgentSignal 汇集所有 Agent 的决策信号，让每次会话都能利用其他 Agent 已经学到的信息，包括选择率、拒绝模式、价格情报、商家可靠性，以及经过验证的约束匹配。

快速开始（30 秒）

远程服务——无需安装，即刻获取智能信息：

{
  "mcpServers": {
    "agent-signal": {
      "url": "https://agent-signal-production.up.railway.app/mcp"
    }
  }
}

通过 npx 在本地运行：

npx agent-signal

Claude Desktop / Claude Code：

{
  "mcpServers": {
    "agent-signal": {
      "command": "npx",
      "args": ["agent-signal"]
    }
  }
}

一次调用，更聪明地开启购物

smart_shopping_session 工具会记录你的会话，并通过一次调用返回所有可用情报：

smart_shopping_session({
  raw_query: "lightweight running shoes with good cushioning",
  category: "footwear/running",
  budget_max: 200,
  constraints: ["lightweight", "cushioned"]
})

返回内容：

• 用于后续记录的会话 ID
• 该类别中其他 Agent 的首选产品
• 最重要的约束条件和因素
• 类似会话的结局（已购买还是已放弃）
• 全网统计数据

23 个 MCP 工具

智能组合工具（推荐）

工具	功能
smart_shopping_session	开启会话 + 获取类别情报 + 类似会话结局，一次调用即可完成
evaluate_and_compare	记录产品评估 + 获取产品情报 + 获取优惠判定，一次调用即可完成

买家情报——更聪明地购物

工具	可提供的信息
get_product_intelligence	选择率、拒绝原因、哪些竞品胜过该产品以及原因
get_category_recommendations	首选产品、决策因素、常见需求、平均预算
check_merchant_reliability	商家的库存准确率、选择率和购买结果
get_similar_session_outcomes	约束条件相似的 Agent 最终选择了什么
detect_deal	根据历史数据评估价格——从历史最低价到高于平均价
get_warnings	库存问题、高拒绝率、放弃信号
get_constraint_match	完全符合你约束条件的产品——无需搜索

卖家情报——了解市场

工具	可提供的信息
get_competitive_landscape	类别排名、正面竞争胜率、哪些竞品胜过你以及原因、价格定位
get_rejection_analysis	Agent 拒绝你产品的原因、每周趋势，以及他们改选了什么
get_category_demand	Agent 正在搜索什么、未满足的需求、预算分布、市场空白
get_merchant_scorecard	完整的商家报告——库存可靠性、价格竞争力、各类别的选择率

发现与监控

工具	可提供的信息
get_budget_products	指定预算范围内的最佳产品——按 Agent 选择次数排名，并提供商家库存情况
get_trending_products	趋势上升或下降的产品——比较当前与上一时期的选择率
create_price_alert	设置价格提醒——当 Agent 发现产品价格达到或低于目标价时触发
check_price_alerts	查看近期 Agent 活动触发了哪些提醒

写入工具 — 贡献数据

工具	记录内容
log_shopping_session	购物意向、约束条件、预算、排除项
log_product_evaluation	考虑的产品、匹配分数、处理结果 + 拒绝原因
log_comparison	比较的产品、维度、胜出者、决定性因素
log_outcome	最终结果 — 已购买、已推荐、已放弃或已暂缓
import_completed_session	追溯批量导入已完成的会话
get_session_summary	获取完整会话详情

示例：完整 Agent 工作流

# 1. Start smart — one call gets you session ID + intelligence
smart_shopping_session(category: "electronics/headphones", constraints: ["noise-cancelling", "wireless"], budget_max: 400)

# 2. Evaluate products — get intel as you log
evaluate_and_compare(session_id: "...", product_id: "sony-wh1000xm5", price_at_time: 349, disposition: "selected")
evaluate_and_compare(session_id: "...", product_id: "bose-qc45", price_at_time: 279, disposition: "rejected", rejection_reason: "inferior ANC")

# 3. Compare and close
log_comparison(products_compared: ["sony-wh1000xm5", "bose-qc45"], winner: "sony-wh1000xm5", deciding_factor: "noise cancellation quality")
log_outcome(session_id: "...", outcome_type: "purchased", product_chosen_id: "sony-wh1000xm5")

每一步都会为网络贡献数据。下一个选购耳机的 Agent 将从你的数据中受益。

示例：卖家情报工作流

# 1. How is my product performing vs competitors?
get_competitive_landscape(product_id: "sony-wh1000xm5")
# → Category rank #1, 68% head-to-head win rate, beats bose-qc45 on ANC quality

# 2. Why are agents rejecting my product?
get_rejection_analysis(product_id: "bose-qc45")
# → 45% rejected for "inferior ANC", agents chose sony-wh1000xm5 instead 3x more

# 3. What do agents want in my category?
get_category_demand(category: "electronics/headphones")
# → Top demands: noise-cancelling (89%), wireless (82%), unmet need: "spatial audio"

# 4. How does my store perform?
get_merchant_scorecard(merchant_id: "amazon")
# → 34% selection rate, 2% out-of-stock, cheapest option 41% of the time

有活跃情报的类别

类别	会话数
footwear/running	150+
electronics/headphones	140+
gaming/accessories	130+
electronics/tablets	130+
home/furniture/desks	120+
fitness/wearables	118+
electronics/phones	115+
home/smart-home	107+
kitchen/appliances	105+
electronics/laptops	98+

Agent 框架示例

/examples 中提供了可直接运行的示例：

框架	文件	描述
LangChain	langchain-shopping-agent.py	使用 LangGraph + MCP 适配器的 ReAct Agent
CrewAI	crewai-shopping-crew.py	双 Agent 团队（研究员 + 购物者）
AutoGen	autogen-shopping-agent.py	使用 MCP 工具的 AutoGen Agent
OpenAI Agents	openai-agents-shopping.py	使用 Streamable HTTP 的 OpenAI Agents SDK
Claude	claude-system-prompt.md	为 Claude Desktop/Code 优化的系统提示词

所有示例都连接到托管的 MCP 端点 — 除了 pip install 外无需其他设置。

REST API

面向商家的分析接口，地址为 https://agent-signal-production.up.railway.app/api：

端点	描述
GET /api/products/:id/insights	产品分析 — 考虑率、拒绝原因
GET /api/categories/:category/trends	类别趋势 — 主要因素、预算、属性
GET /api/competitive/lost-to?product_id=X	竞争流失 — X 输给了什么产品以及原因
GET /api/sessions	最近的会话（分页）
GET /api/sessions/:id	完整会话详情
POST /api/admin/aggregate	触发洞察计算
GET /api/health	健康检查

自托管

git clone https://github.com/dan24ou-cpu/agent-signal.git
cd agent-signal
npm install
cp .env.example .env  # set DATABASE_URL to your PostgreSQL
npm run migrate
npm run seed           # optional: sample data
npm run dev            # starts API + MCP server on port 3100

架构

• MCP 服务 — Stdio 传输（本地）+ Streamable HTTP（远程）
• REST API — 同一端口上的 Express
• 数据库 — PostgreSQL（兼容 Neon）
• 23 个 MCP 工具 — 17 个读取工具（买家 + 卖家 + 发现）+ 6 个写入工具

许可证

MIT