API ВЕГА
English

Learning Optimizer

Персонализированный механизм интервального повторения: он моделирует кривую забывания для каждого учебного материала и планирует минимальное число повторений, необходимое для достижения заданного уровня сохранения знаний. В основе лежат модели Ebbinghaus, Leitner / SM-2 (базовый алгоритм Anki), Half-Life Regression и FSRS. Кроме того, сервис формирует полный учебный план, который помогает добиться максимального сохранения знаний к дню экзамена.

Название в реестреai.saifs/learning-optimizer
Конечная точкаhttps://learning-optimizer-mcp.saifs.ai/mcp
ТранспортStreamable HTTP (удалённый доступ, установка не требуется)
АутентификацияOAuth 2.1 — PKCE (S256) и динамическая регистрация клиентов; при первом подключении клиент открывает страницу входа
ИздательSAIFS AI

Установка

VS Code / GitHub Copilot

Добавьте конфигурацию в .vscode/mcp.json (для рабочей области) или в пользовательский файл mcp.json:

{
  "servers": {
    "saifs-learning-optimizer": {
      "type": "http",
      "url": "https://learning-optimizer-mcp.saifs.ai/mcp"
    }
  }
}

Затем запустите сервер в представлении MCP и выполните вход, когда появится запрос.

Claude (claude.ai, Desktop)

Откройте Settings → Connectors → Add custom connector и вставьте адрес:

https://learning-optimizer-mcp.saifs.ai/mcp

Claude Code

claude mcp add --transport http saifs-learning-optimizer https://learning-optimizer-mcp.saifs.ai/mcp

Любой другой MCP-клиент

Укажите адрес https://learning-optimizer-mcp.saifs.ai/mcp и выберите транспорт Streamable HTTP. Сервер возвращает ответ 401 с вызовом

WWW-Authenticate: Bearer … resource_metadata=…, поэтому клиенты с поддержкой OAuth выполняют вход автоматически.

Инструменты

ИнструментНазначение
schedule_reviewОпределяет оптимальное время следующего повторения и прогнозирует вероятность воспроизведения для одного учебного материала конкретного учащегося с учётом последнего результата.
due_reviewsФормирует упорядоченный по приоритету список повторений, запланированных для учащегося на сегодня.
predict_retentionРассчитывает вероятность воспроизведения учебного материала на заданную будущую дату.
optimize_study_planФормирует полный график работы с набором учебных материалов, чтобы к дню экзамена достичь максимального сохранения знаний.
forgetting_curveСтроит аппроксимированную кривую забывания и определяет параметры для одного учебного материала конкретного учащегося.
explain_scheduleОбъясняет, почему выбран именно такой интервал: описывает модель, использованные данные и уровень уверенности.

Примеры запросов

  • «Учащийся только что ответил на вопрос по материалу 142 неправильно. Когда ему следует повторить его и какова будет вероятность воспроизведения?»

  • «Что этому учащемуся следует повторить сегодня? Расположи материалы по приоритету».

  • «До экзамена осталось 28 дней. Составь план занятий по этому набору учебных материалов, чтобы учащийся достиг максимального уровня подготовки к дню экзамена».

Поддержка