CrowdOS

Los agentes llaman a CrowdOS a mitad de tarea para realizar grupos focales, debates, pruebas A/B y estudios de precios en un panel basado en censo que discrepa, no un solo modelo.

Ver en crowdos.ai

Servidor MCP alojado

npx add-mcp 'https://api.crowdos.ai/mcp'

Se instala en Claude Code, Codex, Cursor y más

Documentación

El protocolo que Claude ya habla

Model Context Protocol es el estándar abierto de Anthropic para conectar agentes de IA a servicios externos. Claude Desktop, Cursor, Cline, Zed y una lista creciente de frameworks de agentes (LangGraph, CrewAI, AutoGPT, Devin) lo hablan de forma nativa. Coloca un servidor MCP en la configuración del host y sus herramientas aparecen en el selector de herramientas del modelo, sin código de conexión ni SDK por aplicación.

CrowdOS lo habla de dos maneras: un endpoint alojado que la API sirve directamente y un servidor stdio instalable vía pip para hosts de escritorio que se comunica con él. Ambos ofrecen las mismas herramientas para tu cuenta y gestionan el formateo de solicitudes, el recorte de respuestas y la sanitización de errores.

LangGraph y CrewAI ejecutan el agente. CrowdOS es la multitud.

CrowdOS es la multitud a la que un agente debería consultar. LangGraph y CrewAI son hosts: el lugar donde el agente se ejecuta. Monta el servidor y las mismas herramientas aparecen en el selector de herramientas del modelo. AutoGPT y Devin también hablan el protocolo, igual que Claude Desktop, Cursor y Cline.

Un agente que interpreta un panel no es suficiente

Un modelo actuando como N personas (efectivamente n=1).

Una persona LLM es un disfraz para un solo prompt. La nuestra es una fila de base de datos: personas basadas en censos con una identidad fija, un historial de opiniones y un hábito constante de noticias. Consulta a esa multitud. No pidas a un solo modelo que interprete el panel.

  • Alojado: añade una URL, nada que instalar

    https://api.crowdos.ai/mcp
    La API sirve el endpoint MCP directamente, por lo que siempre está sincronizado con la plataforma, sin paquetes que actualizar. Añádelo como servidor MCP remoto en claude.ai (Configuración → Conectores), Cursor o cualquier cliente que admita servidores remotos. Los clientes con capacidad OAuth te guían en el inicio de sesión y el consentimiento en la primera conexión; la autorización aparece como una clave revocable en /account/api-keys. Los clientes que envían cabeceras usan Authorization: Bearer crowd_... con una clave MCP.

  • Autoalojado: un pip, un bloque de configuración

    pip install crowdos-mcp
    Luego crea una clave MCP en /account/api-keys (todos los planes pueden) y pégala en tu configuración de Claude Desktop (~/Library/Application Support/Claude/claude_desktop_config.json): 
    {
  "mcpServers": {
    "crowdos": {
      "command": "crowdos-mcp",
      "env": {
        "CROWDOS_API_KEY": "crowd_..."
      }
    }
  }
}
    Cursor y Cline usan la misma estructura JSON en sus ajustes de servidor MCP. Reinicia el host y las herramientas de CrowdOS aparecen en el selector de herramientas del agente.

Las mismas herramientas, agrupadas por la pregunta

La lista siguiente es cada herramienta que expone el servidor. Estos cuatro grupos son los trabajos de investigación para los que normalmente se contrata a un agente.

  • ¿Qué piensa la gente?

    run_focus_group es un estudio de votación: un resumen de sentimiento y citas representativas. run_debate es un debate de múltiples rondas: convergencia y el cambio de ronda a ronda.

  • ¿Qué opción gana?

    compare_options es una prueba A/B/C/D sobre opciones de texto: una clasificación Borda y un ganador. rank_items es MaxDiff: un orden de clasificación con intervalos de clasificación bootstrap.

  • ¿Cuánto pagarían?

    test_pricing ejecuta un estudio Van Westendorp o Gabor-Granger: puntos de precio y una curva de ingresos.

  • ¿Cuánto costará este estudio?

    preview_cost estima el coste antes de que el agente se comprometa. Es gratuito de llamar.

15 herramientas, con forma de agente

  • Estudio de sentimiento / votación — resumen de sentimiento + citas representativas

  • Debate simulado de múltiples rondas — convergencia + cambios por ronda

  • Prueba A/B/C/D sobre 2-10 opciones de texto (límites del plan: gratis 3, pro 5, máx. 10) — clasificación Borda + ganador

  • Estudio de precios Van Westendorp / Gabor-Granger — puntos de precio + curva de ingresos

  • MaxDiff sobre 4-200 elementos — orden de clasificación con intervalos de clasificación bootstrap

  • Prueba previa de 1-40 preguntas de encuesta en borrador — veredicto por pregunta antes de lanzarla

  • Vista previa de cuán amplia es la audiencia que describe un filtro custom_audience — gratuito

  • Estima créditos + segundos antes de comprometerte — los agentes presupuestan aquí

  • Descubre plantillas de audiencia

  • Obtén los resultados completos de una simulación ejecutada previamente

  • Detén un estudio en curso y libera la reserva

  • Navega por la población de agentes en vivo (sanitizada)

  • Tus paneles guardados (de ejecuciones persist_panel / evolve_panel) — solo metadatos, más recientes primero

  • Un panel guardado — tamaño, caducidad, composición demográfica, sesiones registradas (nunca la lista de miembros)

  • Elimina un panel guardado que poseas — inmediato y permanente

preview_cost es la que la mayoría de los agentes infrautilizan: llámala antes de cualquier simulación con población > 100 para ver la estimación de créditos y segundos, y luego decide si el presupuesto lo permite. Gratuita de llamar.

Cómo es una ejecución de agente

> Run a focus group on whether companies should mandate
   4-day weeks. Use 200 agents from us_general_population.

[tool: preview_cost]   → estimate_credits=200 · ~33-88s
[tool: run_focus_group] → sim ad4b3736…
   sentiment_summary: { positive_pct: 71.5, negative_pct: 18.0,
                        neutral_pct: 10.5 }
   sample_responses: [ Maria Chen "It would be great for ...", ... ]
   billing.credits_charged: 200

El agente elige preview_cost porque la población no es trivial, ve que 200 créditos son asequibles y luego se compromete con run_focus_group. El sobre recortado (resumen de sentimiento + 5 citas representativas + facturación) cabe en el contexto; si el agente necesita el razonamiento de cada agente, get_simulation obtiene la carga completa.

El benchmark de opinión, publicado

En el benchmark de opinión de Pew, la distribución de opinión de la multitud coincide con las encuestas publicadas con una paridad del 93,3%, un error absoluto medio de 3,36 puntos porcentuales y una r de Pearson de 0,984. Esa cifra publicada es el benchmark de opinión. La clasificación creativa y el rendimiento publicitario en mercado se miden por separado.

En todos los planes

MCP funciona en todos los planes, incluido el gratuito. Los estudios usan créditos de tu saldo, igual que en la aplicación web: un grupo focal pequeño usa unos 20 créditos.

Los paneles siguen tu plan, como en la web: hasta 20 encuestados en Gratis, 500 en Pro y 1.000 en Máx., con 5, 30 y 120 solicitudes por minuto y un límite mensual de MCP de 250, 25.000 y 125.000 créditos. Precios →

Cada respuesta de run_focus_group / run_debate incluye un campo billing.credits_charged para que el agente pueda mantener su propio total acumulado.

La API REST es para cuentas Enterprise

¿Llamas a CrowdOS desde tu propio código en lugar de desde un host de agentes? La API REST está disponible para cuentas Enterprise. Enterprise → LangGraph y CrewAI tienen paquetes comunitarios de puente MCP que te permiten montar nuestro servidor en un agente de framework sin ejecutar un host MCP.

La misma multitud, en el navegador

El servidor MCP es la forma en que un agente ejecuta un grupo focal. Pulse es una votación, un debate o una comparación. Screening Room pone a prueba una pieza creativa, un concepto o una presentación antes de lanzarla. Ads Labo lee cuál de dos a cuatro variantes de anuncio prefiere un panel.

¿Qué es un servidor MCP de grupo focal?

Un servidor MCP de grupo focal es un endpoint de Model Context Protocol que un agente de IA puede llamar. CrowdOS lo habla de dos maneras: un endpoint alojado que la API sirve directamente y un servidor instalable vía pip para hosts de escritorio. Ambos ofrecen las mismas herramientas para tu cuenta. Claude Desktop, Cursor, Cline, Zed, LangGraph, CrewAI, AutoGPT y Devin hablan el protocolo. Coloca el servidor en la configuración del host y sus herramientas aparecen en el selector de herramientas del modelo.

¿Funciona con Claude, Cursor y Cline?

Sí. Claude Desktop, Cursor y Cline hablan Model Context Protocol de forma nativa. Cursor y Cline usan la misma estructura JSON en sus ajustes de servidor MCP. Reinicia el host y las herramientas de CrowdOS aparecen en el selector de herramientas del agente.

¿En qué se diferencia CrowdOS de LangGraph o CrewAI?

CrowdOS es la multitud a la que un agente debería consultar. LangGraph y CrewAI son hosts: el lugar donde el agente se ejecuta. LangGraph y CrewAI tienen paquetes comunitarios de puente MCP que te permiten montar el servidor de CrowdOS en un agente de framework sin ejecutar un host MCP.

¿Por qué no pedir a un agente que interprete un panel?

Un modelo actuando como N personas (efectivamente n=1). Una persona LLM es un disfraz para un solo prompt. La nuestra es una fila de base de datos: personas basadas en censos con una identidad fija, un historial de opiniones y un hábito constante de noticias. Consulta a esa multitud. No pidas a un solo modelo que interprete el panel.

¿Puede un agente de IA ejecutar un grupo focal a través de MCP?

Sí. CrowdOS es un servidor MCP de grupo focal para agentes de IA. En todos los planes, incluido el gratuito, el agente llama a run_focus_group y el estudio se ejecuta contra un panel basado en censos que discrepa consigo mismo. Un grupo focal pequeño cuesta unos 0,40 $. ¿Por qué no dejar que un LLM interprete un panel? Un modelo interpretando un panel es una sola voz. Consulta a la multitud.

¿Qué precisión tiene la multitud que consulta un agente?

En el benchmark de opinión de Pew, la distribución de opinión de la multitud coincide con las encuestas publicadas con una paridad del 93,3%, un error absoluto medio de 3,36 puntos porcentuales y una r de Pearson de 0,984. Ese es el benchmark de opinión publicado. El registro completo está en la página de benchmarks. La clasificación creativa y el rendimiento publicitario en mercado se miden por separado.