Serveur MCP Learning Optimizer
Commit 13 nov. 2026Planifie des révisions espacées et des programmes de révision pour les examens en modélisant les courbes d'oubli individuelles grâce à des algorithmes de répétition espacée avancés.
Aussi connu sous Saify-Technologies/saifs-ai-mcps-docs, learning-optimizer
- Étoiles
- 4
- Outils
- 6
- Téléchargements, 30 jours
- —
- Dernière version
- 1.0.1
- Dernier commit
- 13 nov. 2026
- Licence
- MIT
Qu'est-ce que Learning Optimizer MCP ?
Learning Optimizer est un serveur MCP. Planifie des révisions espacées et des programmes de révision pour les examens en modélisant les courbes d'oubli individuelles grâce à des algorithmes de répétition espacée avancés. Il expose 6 outils, comme schedule_review, due_reviews, predict_retention.
Résumé généré à partir du README du projet
À propos du MCP server Learning Optimizer
Learning Optimizer agit comme un moteur de répétition espacée personnalisé, conçu pour aider les étudiants à gérer la mémoire à long terme grâce à une modélisation scientifique. Il utilise des algorithmes tels que FSRS, Half-Life Regression et SM-2 pour calculer les courbes d'oubli individuelles pour des items spécifiques. Cela permet au système de planifier le nombre minimum de révisions nécessaires pour atteindre un objectif de rétention précis.
Les utilisateurs se connectent à ce serveur distant via Streamable HTTP en utilisant le nom de registre ai.saifs/learning-optimizer. Il nécessite une authentification OAuth 2.1 avec PKCE, ce qui signifie que votre client vous demandera de vous connecter via une page web lors de la première utilisation. Vous pouvez l'intégrer dans VS Code, GitHub Copilot, Claude Desktop ou Claude Code en pointant votre client vers l'endpoint fourni.
Le serveur propose des outils spécialisés tels que schedule_review pour calculer la probabilité de rappel et optimize_study_plan pour créer des plannings complets. Il inclut également explain_schedule pour fournir le raisonnement derrière des intervalles spécifiques et forgetting_curve pour afficher les paramètres de déclin ajustés.
Ce que vous pouvez faire avec
- 1Calculer le prochain créneau de révisionDemandez à l'IA de déterminer le prochain moment optimal pour réviser ainsi que la probabilité de rappel prédite pour un item spécifique.
- 2Générer des files d'attente d'étude quotidiennesDemandez une liste ordonnée par priorité de tous les items qu'un apprenant doit réviser aujourd'hui.
- 3Créer des programmes de préparation aux examensDonnez instruction à l'IA de construire un plan d'étude complet pour une banque d'items entière, garantissant que la rétention mémorielle soit à son apogée à une date d'examen précise.
- 4Analyser le déclin de la mémoireUtilisez l'outil pour visualiser la courbe de déclin ajustée et les paramètres spécifiques pour un binôme apprenant-item donné.
Extrait du README du projet. Chaque cas d'utilisation est vérifié par rapport à une citation du document.
Comment installer Learning Optimizer MCP
Formats vérifiés le 10 nov. 2026Ajouter à CursorAjouter à GooseInstaller Learning Optimizer MCP dans Claude Code
$ claude mcp add --transport http learning-optimizer https://learning-optimizer-mcp.saifs.ai/mcpInstaller Learning Optimizer MCP dans Cursor
~/.cursor/mcp.json
{
"mcpServers": {
"learning-optimizer": {
"url": "https://learning-optimizer-mcp.saifs.ai/mcp"
}
}
}Installer Learning Optimizer MCP dans VS Code
.vscode/mcp.json
{
"servers": {
"learning-optimizer": {
"type": "http",
"url": "https://learning-optimizer-mcp.saifs.ai/mcp"
}
}
}Installer Learning Optimizer MCP dans VS Code CLI
$ code --add-mcp '{"name":"learning-optimizer","type":"http","url":"https://learning-optimizer-mcp.saifs.ai/mcp"}'Installer Learning Optimizer MCP dans Codex
$ codex mcp add learning-optimizer --url https://learning-optimizer-mcp.saifs.ai/mcpInstaller Learning Optimizer MCP dans Codex config.toml
~/.codex/config.toml
[mcp_servers.learning-optimizer] url = "https://learning-optimizer-mcp.saifs.ai/mcp"
Installer Learning Optimizer MCP dans Gemini CLI
$ gemini mcp add -s user --transport http learning-optimizer https://learning-optimizer-mcp.saifs.ai/mcpInstaller Learning Optimizer MCP dans Gemini settings.json
~/.gemini/settings.json
{
"mcpServers": {
"learning-optimizer": {
"url": "https://learning-optimizer-mcp.saifs.ai/mcp",
"type": "http"
}
}
}Outils MCP Learning Optimizer 6
Détectés depuis le READMEschedule_reviewdue_reviewspredict_retentionoptimize_study_planforgetting_curveexplain_schedule
| schedule_review | — | |
| due_reviews | — | |
| predict_retention | — | |
| optimize_study_plan | — | |
| forgetting_curve | — | |
| explain_schedule | — |
Vérifications automatisées
Exécuté le 13 nov. 2026Rapport complet →Pas encore vérifié. Un serveur nécessite un score de 80, aucune faille sérieuse et suffisamment de données pour que nous puissions effectuer les vérifications. Fonctionnement des vérifications · Ce qu'il faut corriger pour gagner des points
- Dépôt source lié et accessiblesaify-technologies/saifs-ai-mcps-docs is public and reachablegithub.com/saify-technologies/saifs-ai-mcps-docs ↗Réussi
- Le nom du package correspond au dépôt sourceNon vérifié
- Provenance du build (attestation Sigstore)Non vérifié
- Licence open source (OSI)MITspdx.org/licenses/MIT.html ↗Réussi
- Commit ou version publiée au cours de l'année écouléeLast commit or release 2026-11-13github.com/saify-technologies/saifs-ai-mcps-docs ↗Réussi
- OpenSSF ScorecardNon vérifié
- Nom du package non proche d'un package populaireNon vérifié
- Aucun avis critique dans le package ou ses dépendancesNon vérifié
- Aucune instruction cachée destinée au modèle6 tool descriptions and the README read; no override phrases, credential paths or hidden charactersRéussi
- Les outils destructifs sont étiquetésNo tool named like delete, drop or execRéussi
- Le point de terminaison distant répond à la poignée de main MCPHTTPS endpoint answered 401 (sign-in required)Réussi
README
Voir sur 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
Questions sur Learning Optimizer MCP
Comment ajouter Learning Optimizer MCP à Claude Code ?
Exécutez claude mcp add --transport http learning-optimizer https://learning-optimizer-mcp.saifs.ai/mcp dans votre terminal. Ajoutez --scope user pour le rendre disponible dans tous les projets.
Comment ajouter Learning Optimizer MCP à Cursor ?
Ouvrez ~/.cursor/mcp.json et ajoutez le serveur sous mcpServers, avec la configuration Cursor indiquée dans la section d'installation ci-dessus.
Quels outils Learning Optimizer MCP fournit-il ?
Il expose 6 outils, dont schedule_review, due_reviews, predict_retention, optimize_study_plan, forgetting_curve.
Quels algorithmes le serveur utilise-t-il pour la planification ?
Le moteur repose sur Ebbinghaus, Leitner / SM-2, Half-Life Regression et FSRS.
Comment puis-je créer un plan d'étude pour un examen à venir ?
Vous pouvez utiliser l'outil optimize_study_plan pour construire un planning complet sur une banque d'items afin que la rétention soit à son maximum le jour de votre examen.