使用说明

🧠 学习教练MCP服务器

一个个性化的人工智能学习助手，使用克劳德的用户记忆+MCP生成超个性化的路线图，而不会损害记忆隐私。

使用MCP Python SDK v1.26.0构建|作为Claude桌面MCP服务器运行

核心思想

┌──────────────────────────────────────────────────────────────────┐
│                        CLAUDE DESKTOP                            │
│                                                                  │
│   ┌──────────────────┐         ┌──────────────────────────────┐ │
│   │  Claude's Native │         │   Learning Coach MCP Server  │ │
│   │  User Memory     │         │                              │ │
│   │                  │         │   Tools:                     │ │
│   │  • Background    │ ──(1)──▶│   • set_learning_goal        │ │
│   │  • Skills        │  Claude │   • generate_roadmap         │ │
│   │  • Interests     │ reads & │   • log_learning_session     │ │
│   │  • Preferences   │ passes  │   • get_progress_dashboard   │ │
│   │  • Past projects │ context │   • get_weekly_summary       │ │
│   │                  │         │   • adapt_roadmap            │ │
│   │  ❌ NOT modified │         │                              │ │
│   │  by this server  │         │   Local Storage:             │ │
│   └──────────────────┘         │   ~/.learning-coach/         │ │
│                                │   ├── learner_profile.json   │ │
│                                │   ├── roadmap.json           │ │
│                                │   ├── progress_log.json      │ │
│                                │   └── topic_graph.json       │ │
│                                └──────────────────────────────┘ │
└──────────────────────────────────────────────────────────────────┘

内存隐私是如何工作的：

Claude会阅读自己关于你的用户记忆（背景、技能等）
Claude总结相关上下文并将其传递给路线图生成器
MCP服务器仅将学习特定数据存储在单独的本地目录中
克劳德的用户记忆是 从未读过或写过 通过MCP服务器

特性

🎯 路线图生成

根据您的背景定制多阶段路线图
每个阶段的具体主题、里程碑、资源和项目
根据进展和不断变化的需求进行调整

📊 进度跟踪

记录学习会话的主题、持续时间和信心
每周总结，包括小时数、主题和拦截器
每日连续追踪以获得动力

🧬 主题掌握图

随着时间的推移，跟踪每个主题的置信度（加权最近的会话更高）
识别需要注意的薄弱环节
显示出您可以建立的坚实基础

📈 智能仪表板

总体速度与目标小时数
当前阶段和周指示器
基于您的数据，人工智能生成推荐

🖥️ MCP应用程序用户界面

用于路线图和仪表板视图的交互式主机内UI
支持MCP客户端在调用关键工具时自动使用
主机主题感知（使用MCP Apps风格的令牌和安全区域）

🔄 自适应学习

记录路线图的调整及其原因
完整的变化历史供反思
克劳德建议在每周入住时进行调整

快速开始

1.安装

# Clone or create the project
git clone <your-repo> learning-coach-mcp
cd learning-coach-mcp

# Install dependencies
uv sync

2.本地测试

# Run the test client (exercises all tools)
uv run test_client.py

# Or test with MCP Inspector
uv run server.py http  # Start HTTP server
# Then: npx @modelcontextprotocol/inspector
# Connect to: http://localhost:8000/mcp

2.5构建MCP UI（可选但推荐）

交互式MCP应用程序UI由 ui/dist/mcp-app.html.
如果没有构建，服务器就会退回到一个简单的HTML消息。

cd ui
npm install
npm run build

构建后，服务器公开UI资源：

ui://learning-coach/mcp-app.html

3.连接到克劳德桌面

编辑您的Claude Desktop配置：

macOS： ~/Library/Application Support/Claude/claude_desktop_config.json 窗户： %APPDATA%\Claude\claude_desktop_config.json Linux： ~/.config/Claude/claude_desktop_config.json

{
  "mcpServers": {
    "learning-coach": {
      "command": "uv",
      "args": [
        "--directory", "/absolute/path/to/learning-coach-mcp",
        "run", "server.py", "stdio"
      ]
    }
  }
}

重新启动克劳德桌面 编辑后。

用法--会话流

🚀 首次设置

你： “我想学习人工智能代理开发。你能为我制定一个学习路线图吗？”

克劳德： （读取它对你的记忆，调用set_learning_goal，然后用你的上下文生成e_route，用update_roadmap_phase填充每个阶段）

“根据你使用Python和FastAPI的经验，这是你的10周路线图……”

📝 学习结束后

你： “我刚刚花了45分钟学习RAG架构”

克劳德： （调用log_learning_session，包括主题、持续时间、摘要、置信度）

“已登录！您本周参加了3次会议。您对RAG的信心为3/5——想更深入地了解检索策略吗？”

📅 每周入住

你： “我们每周登记一次吧”

克劳德： （调用get_weekly_summary、get_progress_dashboard、get_loadmap）

“第3周总结：4节课，3.5小时。你稍微落后于每周12小时的目标。MCP基础很强，但工具调用需要更多的练习。本周，重点是……”

🔄 调整计划

你： “我发现ML的数学先决条件比预期的要难”

克劳德： （调用adapt_roadmap，然后更新受影响的阶段）

“我已经记录了这个改编并调整了你的路线图。在我们进入高级机器学习主题之前，我在第4-5周添加了一个‘数学基础’冲刺…”

工具参考

工具	目的
`set_learning_goal`	设定/更新你的学习目标、目标角色和时间表
`get_learner_profile`	检索您当前的个人资料和目标
`generate_roadmap`	创建个性化的多阶段路线图
`update_roadmap_phase`	填写每个阶段的具体主题、里程碑和资源
`get_roadmap`	获取完整的进展路线图
`log_learning_session`	记录学习会话（主题、持续时间、信心）
`get_weekly_summary`	会议和时间的周级总结
`get_progress_dashboard`	完整的仪表板，包括速度、条纹和建议
`get_topic_mastery`	所有有信心水平和投入时间的主题
`adapt_roadmap`	记录并应用路线图更改

资源（自动可用）

URI	内容
`learning://profile`	学员简介和目标
`learning://roadmap`	完整路线图JSON
`learning://progress`	所有会话日志
`learning://topics`	主题掌握图
`ui://learning-coach/mcp-app.html`	MCP应用程序HTML（交互式路线图/仪表板UI）
`learning://this-week`	本周快速总结

MCP UI渲染

以下工具启用了UI，并在支持主机中呈现MCP应用程序：

get_roadmap
get_progress_dashboard

两人都回来了 structuredContent 加一个 ui 资源引用，允许主机显示丰富的交互式视图，而不是纯文本输出。

提示（可重复使用的模板）

提示	用例
`get_learning_context`	指导Claude从内存中收集用户上下文
`weekly_checkin`	结构化的每周审查流程
`end_of_session_log`	学习对话后快速记录
`personalise_roadmap`	完整的路线图生成工作流程

数据存储

所有数据都存储在本地 ~/.learning-coach/ （可通过以下方式配置 LEARNING_COACH_DATA env 是：

~/.learning-coach/
├── learner_profile.json    # Goal, role, schedule
├── roadmap.json            # Full roadmap with phases
├── progress_log.json       # All session entries
└── topic_graph.json        # Topic mastery data

数据是纯JSON，您可以手动检查、编辑或备份它。

架构决策

为什么不直接阅读克劳德的记忆？

隐私：Claude的用户记忆可能包含与学习无关的个人信息
关注点分离：学习状态≠身份状态
不存在API：MCP服务器无法访问克劳德的内部存储系统
设计：克劳德扮演 经纪人 --它了解用户并将相关上下文转换为学习系统

为什么是本地JSON而不是数据库？

零依赖：没有SQLite，没有Postgres，无需安装
人类可读：您可以随时打开和检查您的数据
便携的：复制文件夹以移动您的学习历史记录
足够的：对于单用户学习助手来说，JSON非常快

为什么选择克劳德桌面的stdio传输？

Claude Desktop使用stdio与本地MCP服务器通信。服务器还支持Streamable HTTP，用于使用MCP Inspector进行测试或远程部署。

扩展此

在此基础上构建的想法：

间隔重复：使用主题掌握图安排复习课程
资源抓取：添加获取和总结学习资源的工具
日历集成：连接到谷歌日历MCP以阻止学习时间
LLM驱动的摘要：从工具中调用Anthropic API以进行更丰富的分析
多学习者支持：为基于队列的部署添加user_id参数
导出到Notion/黑曜石：添加将路线图导出为markdown的工具

许可证

麻省理工学院