Learning Optimizer MCP server
Commit 13. Nov. 2026Plantet Spaced-Repetition-Reviews und Lernpläne für Prüfungen, indem individuelle Vergessenskurven mithilfe fortschrittlicher Algorithmen modelliert werden.
Auch bekannt als Saify-Technologies/saifs-ai-mcps-docs, learning-optimizer
- Stars
- 4
- Tools
- 6
- Downloads, 30 Tage
- —
- Neueste Version
- 1.0.1
- Letzter Commit
- 13. Nov. 2026
- Lizenz
- MIT
Was ist Learning Optimizer MCP?
Learning Optimizer ist ein MCP server. Plantet Spaced-Repetition-Reviews und Lernpläne für Prüfungen, indem individuelle Vergessenskurven mithilfe fortschrittlicher Algorithmen modelliert werden. Er stellt 6 Tools bereit, etwa schedule_review, due_reviews, predict_retention.
Zusammenfassung generiert aus dem README des Projekts
Über Learning Optimizer MCP server
Learning Optimizer fungiert als personalisierte Spaced-Repetition-Engine, die darauf ausgelegt ist, Studierenden beim Management des Langzeitgedächtnisses durch wissenschaftliche Modellierung zu helfen. Er nutzt Algorithmen wie FSRS, Half-Life Regression und SM-2, um individuelle Vergessenskurven für spezifische Items zu berechnen. Dies ermöglicht es dem System, die minimale Anzahl an Reviews zu planen, die nötig sind, um ein bestimmtes Retentionsziel zu erreichen.
Nutzer verbinden sich über Streamable HTTP mit diesem Remote Server unter dem Registry-Namen ai.saifs/learning-optimizer. Er erfordert eine OAuth 2.1 Authentifizierung mit PKCE, was bedeutet, dass dein Client dich beim ersten Gebrauch auffordert, dich über eine Webseite anzumelden. Du kannst ihn in VS Code, GitHub Copilot, Claude Desktop oder Claude Code integrieren, indem du deinen Client auf den bereitgestellten Endpoint verweist.
Der Server bietet spezialisierte Tools wie schedule_review zur Berechnung der Recall-Wahrscheinlichkeit und optimize_study_plan zur Erstellung umfassender Zeitpläne. Er enthält außerdem explain_schedule, um die Logik hinter spezifischen Intervallen zu erklären, sowie forgetting_curve, um die angepassten Decay-Parameter anzuzeigen.
Was du damit machen kannst
- 1Nächsten Review-Zeitpunkt berechnenFrag die KI, um den nächsten optimalen Review-Zeitpunkt und die vorhergesagte Recall-Wahrscheinlichkeit für ein spezifisches Item zu ermitteln.
- 2Tägliche Lernlisten generierenFordere eine prioritätsbasierte Liste aller Items an, die ein Lernender heute wiederholen muss.
- 3Prüfungsvorbereitungspläne erstellenAnweise die KI, einen vollständigen Lernplan für eine gesamte Item-Bank zu erstellen, der sicherstellt, dass die Wissensretention am spezifischen Prüfungstermin ihren Höhepunkt erreicht.
- 4Gedächtnisabbau analysierenNutze das Tool, um die angepasste Decay-Kurve und spezifische Parameter für ein einzelnes Lern-Item einzusehen.
Geschrieben aus dem README des Projekts. Jeder Use Case wurde gegen ein Zitat daraus geprüft.
So installierst du Learning Optimizer MCP
Formate geprüft am 10. Nov. 2026Zu Cursor hinzufügenZu Goose hinzufügenLearning Optimizer MCP in Claude Code installieren
$ claude mcp add --transport http learning-optimizer https://learning-optimizer-mcp.saifs.ai/mcpLearning Optimizer MCP in Cursor installieren
~/.cursor/mcp.json
{
"mcpServers": {
"learning-optimizer": {
"url": "https://learning-optimizer-mcp.saifs.ai/mcp"
}
}
}Learning Optimizer MCP in VS Code installieren
.vscode/mcp.json
{
"servers": {
"learning-optimizer": {
"type": "http",
"url": "https://learning-optimizer-mcp.saifs.ai/mcp"
}
}
}Learning Optimizer MCP in VS Code CLI installieren
$ code --add-mcp '{"name":"learning-optimizer","type":"http","url":"https://learning-optimizer-mcp.saifs.ai/mcp"}'Learning Optimizer MCP in Codex installieren
$ codex mcp add learning-optimizer --url https://learning-optimizer-mcp.saifs.ai/mcpLearning Optimizer MCP in Codex config.toml installieren
~/.codex/config.toml
[mcp_servers.learning-optimizer] url = "https://learning-optimizer-mcp.saifs.ai/mcp"
Learning Optimizer MCP in Gemini CLI installieren
$ gemini mcp add -s user --transport http learning-optimizer https://learning-optimizer-mcp.saifs.ai/mcpLearning Optimizer MCP in Gemini settings.json installieren
~/.gemini/settings.json
{
"mcpServers": {
"learning-optimizer": {
"url": "https://learning-optimizer-mcp.saifs.ai/mcp",
"type": "http"
}
}
}Learning Optimizer MCP tools 6
Erkannt aus dem READMEschedule_reviewdue_reviewspredict_retentionoptimize_study_planforgetting_curveexplain_schedule
| schedule_review | — | |
| due_reviews | — | |
| predict_retention | — | |
| optimize_study_plan | — | |
| forgetting_curve | — | |
| explain_schedule | — |
Automatisierte Checks
Geluften am 13. Nov. 2026Vollständiger Bericht →Noch nicht verifiziert. Ein Server benötigt einen Score von 80, keine kritischen Befunde und genug Daten für unsere Prüfung. Wie die Checks funktionieren · Was du für mehr Punkte verbessern kannst
- Source Repository verknüpft und erreichbarsaify-technologies/saifs-ai-mcps-docs is public and reachablegithub.com/saify-technologies/saifs-ai-mcps-docs ↗Bestanden
- Paket nennt dieses Repository als QuelleNicht geprüft
- Build-Provenienz (Sigstore-Attestierung)Nicht geprüft
- Open Source Lizenz (OSI)MITspdx.org/licenses/MIT.html ↗Bestanden
- Commit oder Release im letzten JahrLast commit or release 2026-11-13github.com/saify-technologies/saifs-ai-mcps-docs ↗Bestanden
- OpenSSF ScorecardNicht geprüft
- Package-Name ähnelt keinem populären PackageNicht geprüft
- Keine kritischen Advisories im Paket oder seinen AbhängigkeitenNicht geprüft
- Keine versteckten Anweisungen an das Modell6 tool descriptions and the README read; no override phrases, credential paths or hidden charactersBestanden
- Destruktive Tools sind markiertNo tool named like delete, drop or execBestanden
- Remote-Endpoint beantwortet den MCP-HandshakeHTTPS endpoint answered 401 (sign-in required)Bestanden
README
Auf GitHub ansehenLearning Optimizer
A personalised spaced-repetition engine: it models each learner’s forgetting curve per item and schedules the fewest reviews that still hit a target retention. Built on Ebbinghaus, Leitner / SM-2 (Anki’s baseline), Half-Life Regression and FSRS. Also builds a full study plan that peaks retention by exam day.
| Registry name | ai.saifs/learning-optimizer |
| Endpoint | https://learning-optimizer-mcp.saifs.ai/mcp |
| Transport | Streamable HTTP (remote, nothing to install) |
| Auth | OAuth 2.1 — PKCE (S256) and dynamic client registration; your client opens a sign-in page on first use |
| Publisher | SAIFS AI |
Install
VS Code / GitHub Copilot
Add to .vscode/mcp.json (workspace) or your user mcp.json:
{
"servers": {
"saifs-learning-optimizer": {
"type": "http",
"url": "https://learning-optimizer-mcp.saifs.ai/mcp"
}
}
}
Then start the server from the MCP view and sign in when prompted.
Claude (claude.ai, Desktop)
Settings → Connectors → Add custom connector, and paste:
https://learning-optimizer-mcp.saifs.ai/mcp
Claude Code
claude mcp add --transport http saifs-learning-optimizer https://learning-optimizer-mcp.saifs.ai/mcp
Any other MCP client
Point it at https://learning-optimizer-mcp.saifs.ai/mcp using the Streamable HTTP transport. The server returns 401 with a
WWW-Authenticate: Bearer … resource_metadata=… challenge, so OAuth-aware clients sign in automatically.
Tools
| Tool | What it does |
|---|---|
schedule_review |
Next optimal review time and predicted recall probability for one learner-item after the last result. |
due_reviews |
Today’s review queue for a learner, priority-ordered. |
predict_retention |
Probability of recall for an item at a future date. |
optimize_study_plan |
Full schedule over an item bank so retention peaks on exam day. |
forgetting_curve |
Fitted decay curve and parameters for one learner-item. |
explain_schedule |
Why this interval: model, evidence and confidence. |
Example prompts
- “This student just missed item 142. When should they review it next, and what’s P(recall) then?”
- “What should this learner review today, in priority order?”
- “Exam is 28 days out. Build a study plan over this item bank so they peak on the day.”
Support
- Website: https://saifs.ai
- Issues: https://github.com/Saify-Technologies/saifs-ai-mcps-docs/issues
- Privacy: https://saifs.ai/privacy_policy
Learning Optimizer MCP Fragen
Wie füge ich Learning Optimizer MCP zu Claude Code hinzu?
Führe claude mcp add --transport http learning-optimizer https://learning-optimizer-mcp.saifs.ai/mcp in deinem Terminal aus. Füge --scope user hinzu, damit der Server in jedem Projekt verfügbar ist.
Wie füge ich Learning Optimizer MCP zu Cursor hinzu?
Öffne ~/.cursor/mcp.json und füge den Server unter mcpServers hinzu, mit der Cursor-Config aus dem Installationsabschnitt oben.
Welche Tools bietet Learning Optimizer MCP?
Er stellt 6 Tools bereit, darunter schedule_review, due_reviews, predict_retention, optimize_study_plan, forgetting_curve.
Welche Algorithmen nutzt der Server für das Scheduling?
Die Engine basiert auf Ebbinghaus, Leitner / SM-2, Half-Life Regression und FSRS.
Wie kann ich einen Lernplan für eine anstehende Prüfung erstellen?
Du kannst das Tool optimize_study_plan nutzen, um einen vollständigen Zeitplan über eine Item-Bank zu erstellen, damit deine Wissensretention am Prüfungstag ihren Höhepunkt erreicht.