API ВЕГА
English

Mastery Pathing

Сервис, который определяет, что ученику изучать дальше. Он использует проверенный граф предварительных требований, оценивает уровень освоения каждого навыка с помощью Bayesian Knowledge Tracing / Elo и рекомендует темы на границе знаний ученика. Сервис выявляет пробелы, мешающие достичь цели, и формирует последовательность обучения с учётом уровня освоения — от текущего состояния до этой цели.

Имя в реестреai.saifs/mastery-pathing
Конечная точкаhttps://mastery-pathing-mcp.saifs.ai/mcp
ТранспортStreamable HTTP (удалённый сервер, установка не требуется)
АутентификацияOAuth 2.1 — PKCE (S256) и динамическая регистрация клиента; при первом подключении клиент открывает страницу входа
ИздательSAIFS AI

Установка

VS Code / GitHub Copilot

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

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

Затем запустите сервер в представлении MCP и войдите в систему, когда появится запрос.

Claude (claude.ai, Desktop)

Откройте «Настройки» → «Коннекторы» → Добавить пользовательский коннектор и вставьте:

https://mastery-pathing-mcp.saifs.ai/mcp

Claude Code

claude mcp add --transport http saifs-mastery-pathing https://mastery-pathing-mcp.saifs.ai/mcp

Другие MCP-клиенты

Укажите адрес https://mastery-pathing-mcp.saifs.ai/mcp и используйте транспорт Streamable HTTP. Сервер возвращает вызов

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

Инструменты

ИнструментНазначение
build_knowledge_graphСоздаёт проверенный DAG предварительных требований на основе тем и зависимостей, выявляет циклы и отмечает пробелы.
estimate_masteryОценивает уровень освоения каждого навыка по ответам ученика с помощью BKT / Elo на всём графе.
next_best_topicОпределяет тему на границе знаний, которую ученик готов изучать сейчас: предварительные требования выполнены, но сама тема ещё не освоена.
diagnose_gapsВыявляет пробелы в предварительных требованиях, мешающие освоить целевую тему, и предлагает путь для их устранения.
optimal_sequenceФормирует топологически упорядоченный путь с учётом уровня освоения — от текущего состояния до цели.
rate_difficultyОценивает сложность заданий и уровень ученика по шкале Elo.
explain_recommendationОбъясняет, почему следующей выбрана именно эта тема, и приводит данные об уровне освоения.

Примеры запросов

  • «Вот наша программа с предварительными требованиями. Что этому ученику изучать дальше?»

  • «Ученик хочет перейти к квадратным уравнениям. Какие пробелы мешают и в каком порядке их нужно устранить?»

  • «Составь последовательность обучения с учётом текущего уровня освоения ученика до главы о рекурсии».

Поддержка