MCP server Learning Optimizer
Commit 13 de nov. de 2026Agenda revisões espaçadas e planos de estudo para exames modelando as curvas de esquecimento individuais por meio de algoritmos avançados de repetição espaçada.
Também conhecido como Saify-Technologies/saifs-ai-mcps-docs, learning-optimizer
- Stars
- 4
- Ferramentas
- 6
- Downloads, 30 dias
- —
- Versão mais recente
- 1.0.1
- Último commit
- 13 de nov. de 2026
- Licença
- MIT
O que é o MCP Learning Optimizer?
Agenda revisões espaçadas e planos de estudo para exames modelando as curvas de esquecimento individuais por meio de algoritmos avançados de repetição espaçada. Ele expõe 6 ferramentas, como schedule_review, due_reviews, predict_retention.
Resumo gerado a partir do README do projeto
Sobre o MCP server de Learning Optimizer
O Learning Optimizer atua como um motor de repetição espaçada personalizado, projetado para ajudar estudantes a gerenciar a memória de longo prazo por meio de modelagem científica. Ele utiliza algoritmos como FSRS, Half-Life Regression e SM-2 para calcular as curvas de esquecimento individuais de itens específicos. Isso permite que o sistema agende o número mínimo de revisões necessárias para atingir uma meta de retenção específica.
Os usuários se conectam a este servidor remoto via streamable HTTP usando o nome de registro ai.saifs/learning-optimizer. Ele requer autenticação OAuth 2.1 com PKCE, o que significa que seu cliente solicitará que você faça login por meio de uma página web durante o primeiro uso. Você pode integrá-lo ao VS Code, GitHub Copilot, Claude Desktop ou Claude Code apontando seu cliente para o endpoint fornecido.
O servidor oferece ferramentas especializadas como schedule_review para calcular a probabilidade de recordação e optimize_study_plan para criar cronogramas abrangentes. Também inclui explain_schedule para fornecer o raciocínio por trás de intervalos específicos e forgetting_curve para mostrar os parâmetros de decaimento ajustados.
O que você pode fazer com ele
- 1Calcular o próximo momento de revisãoPeça à IA para determinar o próximo momento ideal de revisão e a probabilidade prevista de recordação para um item específico.
- 2Gerar filas de estudo diáriasSolicite uma lista ordenada por prioridade de todos os itens que um aluno precisa revisar hoje.
- 3Criar cronogramas de preparação para examesInstrua a IA a construir um plano de estudos completo para um banco de itens inteiro, garantindo que a retenção da memória atinja o pico em uma data específica de exame.
- 4Analisar o decaimento da memóriaUse a ferramenta para visualizar a curva de decaimento ajustada e os parâmetros específicos para um único par aluno-item.
Escrito a partir do README do projeto. Cada caso de uso é verificado com uma citação dele.
Como instalar o MCP Learning Optimizer
Formatos verificados em 10 nov 2026Adicionar ao CursorAdicionar ao GooseInstalar o MCP Learning Optimizer no Claude Code
$ claude mcp add --transport http learning-optimizer https://learning-optimizer-mcp.saifs.ai/mcpInstalar o MCP Learning Optimizer no Cursor
~/.cursor/mcp.json
{
"mcpServers": {
"learning-optimizer": {
"url": "https://learning-optimizer-mcp.saifs.ai/mcp"
}
}
}Instalar o MCP Learning Optimizer no VS Code
.vscode/mcp.json
{
"servers": {
"learning-optimizer": {
"type": "http",
"url": "https://learning-optimizer-mcp.saifs.ai/mcp"
}
}
}Instalar o MCP Learning Optimizer no VS Code CLI
$ code --add-mcp '{"name":"learning-optimizer","type":"http","url":"https://learning-optimizer-mcp.saifs.ai/mcp"}'Instalar o MCP Learning Optimizer no Codex
$ codex mcp add learning-optimizer --url https://learning-optimizer-mcp.saifs.ai/mcpInstalar o MCP Learning Optimizer no Codex config.toml
~/.codex/config.toml
[mcp_servers.learning-optimizer] url = "https://learning-optimizer-mcp.saifs.ai/mcp"
Instalar o MCP Learning Optimizer no Gemini CLI
$ gemini mcp add -s user --transport http learning-optimizer https://learning-optimizer-mcp.saifs.ai/mcpInstalar o MCP Learning Optimizer no Gemini settings.json
~/.gemini/settings.json
{
"mcpServers": {
"learning-optimizer": {
"url": "https://learning-optimizer-mcp.saifs.ai/mcp",
"type": "http"
}
}
}Ferramentas do MCP Learning Optimizer 6
Detectadas a partir do READMEschedule_reviewdue_reviewspredict_retentionoptimize_study_planforgetting_curveexplain_schedule
| schedule_review | — | |
| due_reviews | — | |
| predict_retention | — | |
| optimize_study_plan | — | |
| forgetting_curve | — | |
| explain_schedule | — |
Verificações automatizadas
Executado em 13 de nov. de 2026Relatório completo →Ainda não verificado. Um servidor precisa de uma pontuação de 80, nenhum problema grave e dados suficientes para verificarmos. Como as verificações funcionam · O que corrigir para ganhar mais pontos
- Repositório de origem vinculado e acessívelsaify-technologies/saifs-ai-mcps-docs is public and reachablegithub.com/saify-technologies/saifs-ai-mcps-docs ↗Passou
- O pacote indica este repositório como sua origemNão verificado
- Proveniência da build (atestação Sigstore)Não verificado
- Licença de código aberto (OSI)MITspdx.org/licenses/MIT.html ↗Passou
- Commit ou release no último anoLast commit or release 2026-11-13github.com/saify-technologies/saifs-ai-mcps-docs ↗Passou
- OpenSSF ScorecardNão verificado
- Nome do pacote não é próximo a um pacote popularNão verificado
- Nenhum aviso crítico no pacote ou em suas dependênciasNão verificado
- Sem instruções ocultas para o modelo6 tool descriptions and the README read; no override phrases, credential paths or hidden charactersPassou
- Ferramentas destrutivas estão rotuladasNo tool named like delete, drop or execPassou
- O endpoint remoto responde ao handshake do MCPHTTPS endpoint answered 401 (sign-in required)Passou
README
Ver no 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
Perguntas sobre o MCP Learning Optimizer
Como adiciono o MCP Learning Optimizer ao Claude Code?
Execute claude mcp add --transport http learning-optimizer https://learning-optimizer-mcp.saifs.ai/mcp no seu terminal. Adicione --scope user para torná-lo disponível em todos os projetos.
Como adiciono o MCP Learning Optimizer ao Cursor?
Abra ~/.cursor/mcp.json e adicione o servidor em mcpServers, usando a configuração do Cursor mostrada na seção de instalação acima.
Quais ferramentas o MCP Learning Optimizer oferece?
Ele expõe 6 ferramentas, incluindo schedule_review, due_reviews, predict_retention, optimize_study_plan, forgetting_curve.
Quais algoritmos o servidor utiliza para o agendamento?
O motor é baseado em Ebbinghaus, Leitner / SM-2, Half-Life Regression e FSRS.
Como posso criar um plano de estudos para um exame próximo?
Você pode usar a ferramenta optimize_study_plan para construir um cronograma completo sobre um banco de itens, garantindo que a retenção atinja o pico no dia do seu exame.