Constructora Colombia MCP Server
Provides intelligent construction quotation and cost lookup for Colombia, enabling natural language queries for activities, categories, and detailed pricing from an Excel database.
README
Constructora Colombia — MCP Server para OpenClaw
Sistema de cotizaciones inteligente para construcción colombiana.
OpenClaw es el cerebro (recibe mensajes por Telegram, razona, decide).
Python MCP Server es la herramienta (busca en Excel, calcula, extrae datos).
Arquitectura
Usuario → Telegram
↓
OpenClaw Gateway ← canal Telegram nativo
↓ (razona, elige herramienta)
MCP Server (Python)
↓ (datos crudos)
OpenClaw analiza y responde
↓
Usuario ← Telegram
- OpenClaw: IA que conversa con el usuario, decide qué tool usar e interpreta resultados
- MCP Server: 5 herramientas Python que consultan el Excel de construcción
- Excel: Fuente única de precios (1165 actividades, 21 recursos salariales, 18 capítulos)
Herramientas MCP
| Herramienta | Qué hace |
|---|---|
buscar_actividades |
Búsqueda inteligente por similitud (rapidfuzz) |
cotizar |
Calcula cotización completa con detección de dimensiones |
interpretar |
Extrae intención, actividad y dimensiones del texto |
listar_categorias |
Lista los 18 capítulos de construcción disponibles |
obtener_detalle_actividad |
Desglose completo de recursos y precios unitarios |
Uso con OpenCode (CLI)
cd /opt/constructora
opencode
OpenCode leerá AGENTS.md automáticamente y cargará las 5 herramientas MCP desde opencode.json. Puedes empezar a preguntar en lenguaje natural.
Uso con OpenClaw Gateway (Telegram)
# 1. Configurar y ejecutar setup
TELEGRAM_BOT_TOKEN="123:abc" TELEGRAM_USER_ID="123456" bash deploy/setup.sh
# 2. Iniciar Gateway
openclaw gateway
Instalación en Ubuntu
# 1. Clonar el repositorio
git clone <tu-repo> /opt/constructora
cd /opt/constructora
# 2. Ejecutar setup
TELEGRAM_BOT_TOKEN="123:abc" TELEGRAM_USER_ID="123456" bash deploy/setup.sh
El setup.sh:
- Instala dependencias Python
- Configura
openclaw.jsoncon tu token de Telegram - Crea servicio systemd opcional para el MCP Server
- Verifica que el MCP Server funciona
Configuración manual de OpenClaw
Después de ejecutar setup.sh, tu openclaw.json se ve así:
{
"mcpServers": {
"constructora-colombia": {
"command": "python3",
"args": ["-m", "app.mcp_server"],
"env": { "PYTHONPATH": "/opt/constructora" }
}
},
"channels": {
"telegram": {
"enabled": true,
"botToken": "TU_TOKEN",
"dmPolicy": "allowlist",
"allowFrom": ["TU_USER_ID"]
}
}
}
Uso en Telegram
Ejemplos de mensajes que entiende el sistema:
| Mensaje | Comportamiento |
|---|---|
| "Necesito cotización para poner cerámica en una habitación de 6x8" | Cotiza 48m2 de enchape |
| "Ponme baldosa barata" | Busca opciones de baldosa económica |
| "Cuanto vale pintar una pared de 10m2" | Cotiza pintura vinílica |
| "Panyete para 30m2" | Cotiza revoques |
| "Qué categorías hay?" | Lista capítulos disponibles |
| "Muéstrame actividades de PISOS" | Lista actividades de pisos |
| "Dame detalle de Enchape en cerámica" | Muestra APU completo |
Desarrollo local (FastAPI)
Opcionalmente puedes correr la API HTTP para debug:
pip install -r requirements.txt
python -m app.main
# → http://localhost:8000/docs
Estructura del proyecto
constructora/
├── app/
│ ├── main.py FastAPI (debug) + entry point MCP
│ ├── mcp_server.py MCP Server con 5 herramientas
│ ├── config.py Configuración
│ ├── database/
│ │ ├── excel_reader.py Lector de Excel (pandas + openpyxl)
│ │ └── models.py Modelos de datos
│ ├── tools/
│ │ ├── search.py Búsqueda fuzzy (rapidfuzz)
│ │ └── calculator.py Cálculo de cantidades
│ ├── api/
│ │ ├── routes.py Endpoints REST
│ │ └── schemas.py Pydantic schemas
│ └── utils/
│ └── text_parser.py NLP: intención + dimensiones
├── data/
│ └── dataconstru.xlsx Base de datos de construcción
├── deploy/
│ └── setup.sh Script de instalación para Ubuntu
├── openclaw.json Configuración para OpenClaw
├── requirements.txt
└── README.md
Próximas etapas
- [ ] Embeddings semánticos (sentence-transformers + ChromaDB)
- [ ] Búsqueda híbrida (fuzzy + vectorial)
- [ ] RAG con precios web Colombia
- [ ] PDFs profesionales (reportlab)
- [ ] APU detallados con desglose de materiales
- [ ] Historial de clientes y memoria conversacional
Licencia
MIT
推荐服务器
Baidu Map
百度地图核心API现已全面兼容MCP协议,是国内首家兼容MCP协议的地图服务商。
Playwright MCP Server
一个模型上下文协议服务器,它使大型语言模型能够通过结构化的可访问性快照与网页进行交互,而无需视觉模型或屏幕截图。
Magic Component Platform (MCP)
一个由人工智能驱动的工具,可以从自然语言描述生成现代化的用户界面组件,并与流行的集成开发环境(IDE)集成,从而简化用户界面开发流程。
Audiense Insights MCP Server
通过模型上下文协议启用与 Audiense Insights 账户的交互,从而促进营销洞察和受众数据的提取和分析,包括人口统计信息、行为和影响者互动。
VeyraX
一个单一的 MCP 工具,连接你所有喜爱的工具:Gmail、日历以及其他 40 多个工具。
graphlit-mcp-server
模型上下文协议 (MCP) 服务器实现了 MCP 客户端与 Graphlit 服务之间的集成。 除了网络爬取之外,还可以将任何内容(从 Slack 到 Gmail 再到播客订阅源)导入到 Graphlit 项目中,然后从 MCP 客户端检索相关内容。
Kagi MCP Server
一个 MCP 服务器,集成了 Kagi 搜索功能和 Claude AI,使 Claude 能够在回答需要最新信息的问题时执行实时网络搜索。
e2b-mcp-server
使用 MCP 通过 e2b 运行代码。
Neon MCP Server
用于与 Neon 管理 API 和数据库交互的 MCP 服务器
Exa MCP Server
模型上下文协议(MCP)服务器允许像 Claude 这样的 AI 助手使用 Exa AI 搜索 API 进行网络搜索。这种设置允许 AI 模型以安全和受控的方式获取实时的网络信息。