Learning Optimizer MCP sunucusu
Commit 13 Kas 2026Gelişmiş aralıklı tekrar algoritmalarını kullanarak bireysel unutma eğrilerini modeller ve aralıklı incelemeler ile sınav çalışma planları oluşturur.
Ayrıca bilinen adı Saify-Technologies/saifs-ai-mcps-docs, learning-optimizer
- Yıldızlar
- 4
- Araçlar
- 6
- İndirmeler, 30 gün
- —
- En son sürüm
- 1.0.1
- Son commit
- 13 Kas 2026
- Lisans
- MIT
Learning Optimizer MCP nedir?
Learning Optimizer bir MCP sunucusudur. Gelişmiş aralıklı tekrar algoritmalarını kullanarak bireysel unutma eğrilerini modeller ve aralıklı incelemeler ile sınav çalışma planları oluşturur. 6 araç sunar; örneğin schedule_review, due_reviews, predict_retention.
Özet, projenin README dosyasından oluşturuldu
Learning Optimizer MCP sunucusu hakkında
Learning Optimizer, öğrencilerin bilimsel modelleme yoluyla uzun süreli hafızalarını yönetmelerine yardımcı olmak için tasarlanmış kişiselleştirilmiş bir aralıklı tekrar motoru olarak çalışır. Belirli maddeler için bireysel unutma eğrilerini hesaplamak amacıyla FSRS, Half-Life Regression ve SM-2 gibi algoritmalar kullanır. Bu sayede sistem, belirli bir hatırlama hedefine ulaşmak için gereken minimum inceleme sayısını planlayabilir.
Kullanıcılar, ai.saifs/learning-optimizer kayıt adını kullanarak Streamable HTTP üzerinden bu uzak sunucuya bağlanabilirler. PKCE ile OAuth 2.1 kimlik doğrulaması gerektirir; bu da istemcinizin ilk kullanım sırasında bir web sayfası aracılığıyla oturum açmanızı isteyeceği anlamına gelir. İstemcinizi sağlanan uç noktaya yönlendirerek VS Code, GitHub Copilot, Claude Desktop veya Claude Code içine entegre edebilirsiniz.
Sunucu, hatırlama olasılığını hesaplamak için schedule_review ve kapsamlı programlar oluşturmak için optimize_study_plan gibi özelleşmiş araçlar sunar. Ayrıca, belirli aralıkların arkasındaki mantığı açıklamak için explain_schedule ve uyumlandırılmış bozunma parametrelerini göstermek için forgetting_curve araçlarını da içerir.
Neler yapabilirsiniz
- 1Bir sonraki inceleme zamanlamasını hesaplayınBelirli bir madde için bir sonraki en uygun inceleme zamanını ve tahmin edilen hatırlama olasılığını belirlemesi için yapay zekadan talepte bulunun.
- 2Günlük çalışma kuyrukları oluşturunBir öğrencinin bugün incelemesi gereken tüm maddelerin öncelik sırasına göre dizilmiş bir listesini isteyin.
- 3Sınav hazırlık programları oluşturunHafıza tutma oranının belirli bir sınav tarihinde zirve yapmasını sağlayacak şekilde, tüm bir madde bankası için eksiksiz bir çalışma planı oluşturması için yapay zekaya talimat verin.
- 4Hafıza bozunmasını analiz edinTek bir öğrenci-madde eşleşmesi için uyumlandırılmış bozunma eğrisini ve belirli parametreleri görüntülemek için aracı kullanın.
Projenin README dosyasından alınmıştır. Her kullanım durumu, oradaki bir alıntı ile kontrol edilir.
Learning Optimizer MCP nasıl yüklenir
Biçimler 10 Kas 2026 tarihinde doğrulandıCursor'a ekleGoose'a ekleLearning Optimizer MCP'yi Claude Code içine yükleyin
$ claude mcp add --transport http learning-optimizer https://learning-optimizer-mcp.saifs.ai/mcpLearning Optimizer MCP'yi Cursor içine yükleyin
~/.cursor/mcp.json
{
"mcpServers": {
"learning-optimizer": {
"url": "https://learning-optimizer-mcp.saifs.ai/mcp"
}
}
}Learning Optimizer MCP'yi VS Code içine yükleyin
.vscode/mcp.json
{
"servers": {
"learning-optimizer": {
"type": "http",
"url": "https://learning-optimizer-mcp.saifs.ai/mcp"
}
}
}Learning Optimizer MCP'yi VS Code CLI içine yükleyin
$ code --add-mcp '{"name":"learning-optimizer","type":"http","url":"https://learning-optimizer-mcp.saifs.ai/mcp"}'Learning Optimizer MCP'yi Codex içine yükleyin
$ codex mcp add learning-optimizer --url https://learning-optimizer-mcp.saifs.ai/mcpLearning Optimizer MCP'yi Codex config.toml içine yükleyin
~/.codex/config.toml
[mcp_servers.learning-optimizer] url = "https://learning-optimizer-mcp.saifs.ai/mcp"
Learning Optimizer MCP'yi Gemini CLI içine yükleyin
$ gemini mcp add -s user --transport http learning-optimizer https://learning-optimizer-mcp.saifs.ai/mcpLearning Optimizer MCP'yi Gemini settings.json içine yükleyin
~/.gemini/settings.json
{
"mcpServers": {
"learning-optimizer": {
"url": "https://learning-optimizer-mcp.saifs.ai/mcp",
"type": "http"
}
}
}Learning Optimizer MCP araçları 6
README dosyasından algılandıschedule_reviewdue_reviewspredict_retentionoptimize_study_planforgetting_curveexplain_schedule
| schedule_review | — | |
| due_reviews | — | |
| predict_retention | — | |
| optimize_study_plan | — | |
| forgetting_curve | — | |
| explain_schedule | — |
Otomatik kontroller
Çalıştırıldı 13 Kas 2026Tam rapor →Henüz doğrulanmadı. Bir sunucunun 80 puana, ciddi bir bulgu olmamasına ve kontrol edebilmemiz için yeterli veriye ihtiyacı vardır. Kontroller nasıl çalışır · Daha fazla puan için nelerin düzeltileceği
- Kaynak deposu bağlantılı ve erişilebilirsaify-technologies/saifs-ai-mcps-docs is public and reachablegithub.com/saify-technologies/saifs-ai-mcps-docs ↗Geçti
- Paket, bu depoyu kaynağı olarak gösteriyorKontrol edilmedi
- Derleme kökeni (Sigstore onayı)Kontrol edilmedi
- Açık kaynak lisansı (OSI)MITspdx.org/licenses/MIT.html ↗Geçti
- Son bir yıl içinde commit veya sürüm mevcutLast commit or release 2026-11-13github.com/saify-technologies/saifs-ai-mcps-docs ↗Geçti
- OpenSSF ScorecardKontrol edilmedi
- Paket adı popüler bir pakete yakın değilKontrol edilmedi
- Pakette veya bağımlılıklarında kritik uyarı yokKontrol edilmedi
- Modele yönelik gizli talimat yok6 tool descriptions and the README read; no override phrases, credential paths or hidden charactersGeçti
- Yıkıcı araçlar etiketlenmişNo tool named like delete, drop or execGeçti
- Uzak uç nokta MCP el sıkışmasına yanıt veriyorHTTPS endpoint answered 401 (sign-in required)Geçti
Learning 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 soruları
Learning Optimizer MCP'yi Claude Code'a nasıl eklerim?
Terminalinizde claude mcp add --transport http learning-optimizer https://learning-optimizer-mcp.saifs.ai/mcp komutunu çalıştırın. Her projede kullanılabilir olması için --scope user ekleyin.
Learning Optimizer MCP'yi Cursor'a nasıl eklerim?
~/.cursor/mcp.json dosyasını açın ve yukarıdaki yükleme bölümünde gösterilen Cursor yapılandırmasını kullanarak sunucuyu mcpServers altına ekleyin.
Learning Optimizer MCP hangi araçları sunar?
6 araç sunar; bunlar arasında schedule_review, due_reviews, predict_retention, optimize_study_plan, forgetting_curve yer alır.
Sunucu planlama için hangi algoritmaları kullanıyor?
Motor; Ebbinghaus, Leitner / SM-2, Half-Life Regression ve FSRS üzerine inşa edilmiştir.
Yaklaşan bir sınav için nasıl çalışma planı oluşturabilirim?
Bir madde bankası üzerinden tam bir program oluşturmak ve sınav gününüzde hatırlama oranının zirveye ulaşmasını sağlamak için optimize_study_plan aracını kullanabilirsiniz.