MCP server de Learning Optimizer
Commit 13 nov 2026Programa repasos espaciados y planes de estudio para exámenes modelando las curvas de olvido individuales mediante algoritmos avanzados de repetición espaciada.
También conocido como Saify-Technologies/saifs-ai-mcps-docs, learning-optimizer
- Stars
- 4
- Herramientas
- 6
- Descargas, 30 días
- —
- Última versión
- 1.0.1
- Último commit
- 13 nov 2026
- Licencia
- MIT
¿Qué es Learning Optimizer MCP?
Learning Optimizer es un MCP server. Programa repasos espaciados y planes de estudio para exámenes modelando las curvas de olvido individuales mediante algoritmos avanzados de repetición espaciada. Expone 6 herramientas, como schedule_review, due_reviews, predict_retention.
Resumen generado a partir del README del proyecto
Acerca del MCP server de Learning Optimizer
Learning Optimizer actúa como un motor de repetición espaciada personalizado, diseñado para ayudar a los estudiantes a gestionar la memoria a largo plazo mediante modelos científicos. Utiliza algoritmos como FSRS, Half-Life Regression y SM-2 para calcular las curvas de olvido individuales de ítems específicos. Esto permite al sistema programar el número mínimo de repasos necesarios para alcanzar un objetivo de retención determinado.
Los usuarios se conectan a este servidor remoto a través de streamable HTTP usando el nombre de registro ai.saifs/learning-optimizer. Requiere autenticación OAuth 2.1 con PKCE, lo que significa que tu cliente te pedirá que inicies sesión a través de una página web durante el primer uso. Puedes integrarlo en VS Code, GitHub Copilot, Claude Desktop o Claude Code apuntando tu cliente al endpoint proporcionado.
El servidor ofrece herramientas especializadas como schedule_review para calcular la probabilidad de recuerdo y optimize_study_plan para crear cronogramas integrales. También incluye explain_schedule para proporcionar la lógica detrás de intervalos específicos y forgetting_curve para mostrar los parámetros de decaimiento ajustados.
Qué puedes hacer con él
- 1Calcular el próximo momento de repasoPide a la IA que determine el próximo momento óptimo de repaso y la probabilidad de recuerdo prevista para un ítem específico.
- 2Generar colas de estudio diariasSolicita una lista ordenada por prioridad de todos los ítems que un estudiante necesita repasar hoy.
- 3Crear cronogramas de preparación para exámenesIndica a la IA que construya un plan de estudio completo para todo un banco de ítems que garantice que la retención de memoria alcance su punto máximo en una fecha de examen específica.
- 4Analizar el decaimiento de la memoriaUtiliza la herramienta para ver la curva de decaimiento ajustada y los parámetros específicos para un estudiante e ítem determinados.
Escrito a partir del README del proyecto. Cada caso de uso se verifica con una cita del mismo.
Cómo instalar Learning Optimizer MCP
Formatos verificados el 10 nov 2026Añadir a CursorAñadir a GooseInstalar Learning Optimizer MCP en Claude Code
$ claude mcp add --transport http learning-optimizer https://learning-optimizer-mcp.saifs.ai/mcpInstalar Learning Optimizer MCP en Cursor
~/.cursor/mcp.json
{
"mcpServers": {
"learning-optimizer": {
"url": "https://learning-optimizer-mcp.saifs.ai/mcp"
}
}
}Instalar Learning Optimizer MCP en VS Code
.vscode/mcp.json
{
"servers": {
"learning-optimizer": {
"type": "http",
"url": "https://learning-optimizer-mcp.saifs.ai/mcp"
}
}
}Instalar Learning Optimizer MCP en VS Code CLI
$ code --add-mcp '{"name":"learning-optimizer","type":"http","url":"https://learning-optimizer-mcp.saifs.ai/mcp"}'Instalar Learning Optimizer MCP en Codex
$ codex mcp add learning-optimizer --url https://learning-optimizer-mcp.saifs.ai/mcpInstalar Learning Optimizer MCP en Codex config.toml
~/.codex/config.toml
[mcp_servers.learning-optimizer] url = "https://learning-optimizer-mcp.saifs.ai/mcp"
Instalar Learning Optimizer MCP en Gemini CLI
$ gemini mcp add -s user --transport http learning-optimizer https://learning-optimizer-mcp.saifs.ai/mcpInstalar Learning Optimizer MCP en Gemini settings.json
~/.gemini/settings.json
{
"mcpServers": {
"learning-optimizer": {
"url": "https://learning-optimizer-mcp.saifs.ai/mcp",
"type": "http"
}
}
}Herramientas de Learning Optimizer MCP 6
Detectado desde el READMEschedule_reviewdue_reviewspredict_retentionoptimize_study_planforgetting_curveexplain_schedule
| schedule_review | — | |
| due_reviews | — | |
| predict_retention | — | |
| optimize_study_plan | — | |
| forgetting_curve | — | |
| explain_schedule | — |
Verificaciones automáticas
Ejecutado 13 nov 2026Informe completo →Aún no verificado. Un servidor necesita una puntuación de 80, ningún hallazgo grave y suficientes datos para que podamos revisarlo. Cómo funcionan las verificaciones · Qué corregir para obtener más puntos
- Repositorio de origen vinculado y accesiblesaify-technologies/saifs-ai-mcps-docs is public and reachablegithub.com/saify-technologies/saifs-ai-mcps-docs ↗Aprobado
- El paquete indica este repositorio como su origenNo verificado
- Procedencia de la compilación (atestación de Sigstore)No verificado
- Licencia de código abierto (OSI)MITspdx.org/licenses/MIT.html ↗Aprobado
- Commit o lanzamiento en el último añoLast commit or release 2026-11-13github.com/saify-technologies/saifs-ai-mcps-docs ↗Aprobado
- OpenSSF ScorecardNo verificado
- El nombre del paquete no es similar a un paquete popularNo verificado
- No hay avisos críticos en el paquete ni en sus dependenciasNo verificado
- Sin instrucciones ocultas para el modelo6 tool descriptions and the README read; no override phrases, credential paths or hidden charactersAprobado
- Las herramientas destructivas están etiquetadasNo tool named like delete, drop or execAprobado
- El endpoint remoto responde al handshake de MCPHTTPS endpoint answered 401 (sign-in required)Aprobado
README
Ver en GitHubLearning 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
Preguntas sobre Learning Optimizer MCP
¿Cómo agrego Learning Optimizer MCP a Claude Code?
Ejecuta claude mcp add --transport http learning-optimizer https://learning-optimizer-mcp.saifs.ai/mcp en tu terminal. Añade --scope user para que esté disponible en todos los proyectos.
¿Cómo agrego Learning Optimizer MCP a Cursor?
Abre ~/.cursor/mcp.json y añade el servidor en mcpServers, usando la configuración de Cursor que se muestra en la sección de instalación de arriba.
¿Qué herramientas proporciona Learning Optimizer MCP?
Expone 6 herramientas, incluidas schedule_review, due_reviews, predict_retention, optimize_study_plan, forgetting_curve.
¿Qué algoritmos utiliza el servidor para la programación?
El motor está basado en Ebbinghaus, Leitner / SM-2, Half-Life Regression y FSRS.
¿Cómo puedo crear un plan de estudio para un próximo examen?
Puedes usar la herramienta optimize_study_plan para construir un cronograma completo sobre un banco de ítems, de modo que la retención alcance su punto máximo el día de tu examen.