paeg-teaching-materials
paeg-teaching-materials
Deutsch | English
Was ist das?
paeg-teaching-materials ist ein Plugin zur Erstellung von Lehrmaterialien – 6 Materialgeneratoren + einheitlicher Ausführungseinstieg + MCP-Server.
Materialtyp | Fähigkeit | Generierungsweise |
PPT | Präsentationsgliederung (6x6-Prinzip) + optionale python-pptx-Renderung | LLM-Gliederung → Rendern |
Skript | 6-Abschnitt-Struktur (Lernziele/Einführung/Neuer Stoff/Festigung/Zusammenfassung/Hausaufgaben) | LLM generiert Markdown |
Vorlesungsmanuskript | Segmentierte Narration (TTS-fähig) | LLM-Generierung |
Mindmap | Zentrumsthema→3-5 Zweige→2-4 Unterzweige | LLM generiert Einrückungsliste |
Lehrvideo | Storyboard-Skript (8-15s/Einstellung, Audio-Video-Synchronisation, Hook+Recap) | LLM generiert JSON |
Manim-Animation | Mathe-Animationscode + optionale MP4-Renderung | LLM-Code → Manim |
Stammt aus dem PAEG-Bildungsagenten-Materialsystem (v0.87-§3.91-Iteration), umgebaut zu einem hostunabhängigen eigenständigen Plugin.
Related MCP server: interactive-edtech-mcp
Kernfunktionen
Netzartige Verbindungsarchitektur (Top-Tool-Standard ⭐): 10 Funktionsknoten (Recherche/Gliederung/PPT/Skript/Vorlesungsmanuskript/Mindmap/Video/Manim/Lernmethoden/Lernplan) – jeder einzeln nutzbar und zugleich Vorstufe anderer Funktionen
Erweiterbare Generator-Registry:
MaterialRegistry.register("benutzerdefinierter Typ", generator)erweitert sofortNull-Host-Abhängigkeit: 6 Protocol-Abstraktionen (LLMCallable/RefinerProtocol/HandoutGenerator/ScriptGenerator/MindmapGenerator/ResourceProvider) + Null-Schwachmodus
Einheitlicher Ausführungseinstieg:
execute(name, args)analog zu constraint_engine (JSON-Vertrag, wirft niemals Ausnahmen)MCP-Server direkt installierbar:
pip install+ MCP-Konfigurationsdeklaration genügt (15 Tools)Sprachnorm-Verknüpfung: Materialausgabe durchläuft automatisch L0-Satzfehlerkorrektur (nutzt paeg-lang-style wieder)
Qualitätsprüfung + Bewertung: Deterministische Strukturprüfung + LLM-5-Dimensionen-Bewertung
Netzartige Verbindungsarchitektur (Funktionen sowohl eigenständig als auch Vorstufe ⭐)
Im Inneren des Tools herrscht verflochtene netzartige Verdrahtung und Verbindung – jede Funktion ist ein Knoten erster Klasse:
research(查资料·广播前置)
├──→ outline(大纲)──→ ppt(PPT 制作)
├──→ script(讲稿)──→ video(教学视频)
├──→ handout / manim / method / study_plan / mindmap(可选)Drei Modi von Abhängigkeitskanten:
Kantentyp | Semantik | Beispiel |
broadcast (Rundfunk) | Quellprodukt wird netzweit konsumiert | Recherche → alle Generierungen |
directed (gerichtet) | Starke Voraussetzung | Gliederung→PPT, Manuskript→Video |
optional (optional) | Degradierung bei Fehlen | Material→Mindmap |
Doppelte Exposition: Jede Funktion ist sowohl ein eigenständiges MCP-Tool (execute_tool) als auch automatisch orchestrierbar
(execute_pipeline expandiert Vorstufen gemäß Abhängigkeitsgraph), sowie per |-Verkettung kombinierbar:
from paeg_teaching_materials import MaterialRegistry
from paeg_teaching_materials.tools import ResearchTool, OutlineTool, PptTool
# 1. 独立调用
result = MaterialRegistry.execute_plan("ppt", ctx, {"topic": "导数"})
# 自动执行: research → outline → ppt(查资料是前置环节)
# 2. 链式组合(LangChain Runnable 模式)
pipeline = ResearchTool() | OutlineTool() | PptTool() # 组合结果仍是 Tool
# 3. 依赖图自省(MCP: list_dependencies)
graph = MaterialRegistry.get_resolver().dependency_graph()Zwischenprodukte (typisierte MaterialContext-Blackboard):
resources (Recherche·append-Akkumulation) / outline / lecture_script / ppt_outline /
completed_stages (Stufenmarkierungen·union) – Vorstufenprodukte werden automatisch von nachgelagerten Stufen konsumiert.
Installation
pip install -e /path/to/paeg-teaching-materials
# 可选依赖:
pip install -e "paeg-teaching-materials[pptx]" # PPT 渲染
pip install -e "paeg-teaching-materials[manim]" # Manim 渲染
pip install -e "paeg-teaching-materials[mcp]" # MCP serverErfordert Python 3.9+.
Schnellstart
from paeg_teaching_materials import MaterialRegistry, execute
# 1. 注入你的 LLM(任何项目接入点)
def my_llm(system, user, max_tokens=2000, temperature=0.7):
return call_your_llm(system, user, max_tokens=max_tokens)
MaterialRegistry.inject(llm=my_llm)
# 2. 生成物料(统一执行入口)
result = execute("generate_handout", {"topic": "一元二次方程", "subject": "数学"})
# → {"material_type": "handout", "topic": "...", "ok": true, "output": "## 教学目标..."}
# 3. 质量检查 + 评审
from paeg_teaching_materials import check_material_structure, judge_material
issues = check_material_structure(result["output"], "handout")
score = judge_material(result["output"], "一元二次方程")Anbindung als MCP-Server (wie MCP direkt installierbar und nutzbar)
# 方式 1:console_scripts 入口(pip install 后)
paeg-teaching-materials-mcp
# 方式 2:python -m 入口(源码运行)
python -m paeg_teaching_materials.mcp_serverMCP-Client-Konfigurationsdeklaration (config/mcp_servers.json):
{
"mcpServers": {
"paeg-teaching-materials": {
"command": "python",
"args": ["-m", "paeg_teaching_materials.mcp_server"],
"cwd": "D:/wbo-workspace/paeg_project/paeg-teaching-materials"
}
}
}Exponierte MCP-Tools (15 Stück):
Tool-Name | Funktion |
| PPT-Gliederungsgenerierung |
| Skriptgenerierung |
| Vorlesungsmanuskriptgenerierung |
| Mindmap-Generierung |
| Lehrvideo-Storyboard-Skript |
| Manim-Mathe-Animationscode |
| Deterministische Materialstrukturprüfung |
| Material-5-Dimensionen-Bewertung |
| Materialtyp-Introspektion |
| Material-Prompt-Zusammenbau |
| Sprachnorm-Prüfung |
| Sprachnorm-Wächter |
| Netzartig: Funktionsknoten eigenständig ausführen |
| Netzartig: Vorstufen automatisch orchestrieren |
| Netzartig: Funktionsabhängigkeitsgraph-Introspektion |
Integrationsanleitung für externe Projekte
Szenario A: Nur einheitlichen Ausführungseinstieg verwenden (empfohlen)
from paeg_teaching_materials import execute
result = execute("generate_ppt", {"topic": "微积分", "subject": "数学"})Szenario B: Eigenes LLM injizieren (starke Implementierung)
from paeg_teaching_materials import MaterialRegistry
MaterialRegistry.inject(llm=my_llm, refiner=my_refiner)
result = MaterialRegistry.generate("handout", "力学", "物理")Szenario C: Benutzerdefinierten Materialtyp registrieren (Erweiterbarkeit)
from paeg_teaching_materials import MaterialRegistry
from paeg_teaching_materials.generators.base import Generator
class QuizGenerator(Generator):
material_type = "quiz"
def generate(self, topic, subject="通用", learner_id="anon", **kw):
return {"material_type": "quiz", "topic": topic, "ok": True, "output": "..."}
MaterialRegistry.register("quiz", generator=QuizGenerator())
# 现在 execute("generate_quiz", {...}) 可用Szenario D: MCP-Server (Null-Code-Brücke)
pip install + MCP-Konfigurationsdeklaration (siehe oben) – jeder MCP-Client (Claude/OpenCode/eigenentwickelt) kann direkt aufrufen.
Erweiterbarkeit
Erweiterungspunkt | Methode | Mechanismus |
Materialtyp |
| Dynamische Registry-Erweiterung |
LLM-Backend |
| Protocol-Injektion |
Sprachnorm |
| RefinerProtocol (Standard: Wiederverwendung von paeg-lang-style L0) |
Ressourcenabruf |
| ResourceProvider |
Qualitätsbewertung | Nach LLM-Injektion automatisch 5 Dimensionen aktiviert | judge_material |
Render-Backend | pptx/manim optionale Abhängigkeiten | extras_require |
Wartbarkeit
Null-Host-Abhängigkeit: Kernpaket hängt nur von stdlib ab; Hostfunktionen vollständig per Protocol injiziert
Einheitlicher Vertrag: execute gibt JSON-String zurück (MCP-Vertrag), wirft bei Fehlern keine Ausnahmen
Schwachmodus: Ohne Host lauffähig (Null-Generator als Platzhalter), erleichtert Tests und Demos
Sprachnorm-Verknüpfung: Materialausgabe durchläuft automatisch L0-Satzfehlerkorrektur
41 Tests: Vollständige Abdeckung von öffentlicher API/Schwachmodus/Injektion/execute/Qualität/MCP
Architektur
宿主系统(任何 Python 项目 / 智能体)
MaterialRegistry.inject(llm=..., refiner=..., resources=...) <- 宿主注入
execute("generate_handout", {...}) <- 统一入口
|
| 零宿主依赖(Protocol 抽象)
v
paeg_teaching_materials(独立插件)
+-------------------+ +-------------------+ +----------------+
| registry.py | | generators/ | | quality/ |
| MaterialRegistry | | ppt/handout/... | | checks/judge |
+---------+---------+ +---------+---------+ +----------------+
| |
v v
+-----------------------------------------------------------+
| executor.py(execute 统一入口,JSON 契约) |
| mcp_server.py(FastMCP 15 工具,stdio 直接安装) |
+-----------------------------------------------------------+Integration mit dem PAEG-Hauptprojekt
PAEG bindet über services/material_bridge.py an (Host-Injektion + zerstörungsfreies Fallback):
from services.material_bridge import install_material_plugin
install_material_plugin() # server.py 启动时调用一次
# 注入 PAEG LLM(subagents._safe_chat)+ Refiner(paeg.refiner)+ 资源(library)
# 插件未安装 → 静默回退 PAEG 原物料实现(旧文件永不删除)Tests
python -m pytest tests/ -q
# 22 项:公共 API / 弱模式 / 注入 / execute / 质量 / MCP serverBeitragsrichtlinien
Beiträge sind willkommen!
Neuen Materialtyp hinzufügen:
Generator-Basisklasse erben +MaterialRegistry.register()Neue Qualitätsprüfung: Funktion in
quality/checks.pyhinzufügenCodestil: Vorhandener Modulstruktur + Kommentarkonventionen folgen
Danksagungen
PAEG-Bildungsagent – dieses Plugin wurde aus dessen Materialerstellungssystem extrahiert (§3.87-§3.100)
paeg-lang-style – Sprachnorm-Plugin (L0-Verknüpfung)
Presenton / ppt-agent-skills – LLM+Render-Pipeline-Paradigma
ManimTrainer – Manim-Render-Schleifen-Paradigma
Lizenz
MIT © 2026 PAEG Team
This server cannot be installed
Maintenance
Resources
Unclaimed servers have limited discoverability.
Looking for Admin?
If you are the server author, to access and configure the admin panel.
Related MCP Servers
- AlicenseAqualityCmaintenanceEnables AI agents to generate real Office documents (.pptx, .docx, .xlsx) and source code from natural language via MCP protocol.4MIT
- AlicenseNot gradedqualityBmaintenanceMCP server suite that lets coding agents generate deep instructional content from external sources and operate classroom-interactive EdTech platforms including Padlet, Google Classroom, Kahoot!, Wayground, Wordwall, and Nearpod.MIT
- AlicenseAqualityBmaintenanceAn agent-native teaching OS that gives AI assistants a persistent classroom with courses, lessons, flashcards, and graded exercises via MCP tools.503AGPL 3.0
- AlicenseNot gradedqualityBmaintenanceEnables AI agents to create and manage personalized 30-day study courses, including web research with source validation, daily lessons, quizzes, and progress tracking through 12 MCP tools.1MIT
Related MCP Connectors
Free public MCP for AI agents — 193 tools, 44 workflows. No API key.
100+ MCP tools for AI agents: content metadata, trade intelligence, business-expertise analysis.
Hosted MCP with 91 agent tools: X, domains, SEO, Maps, Trends, Search, YouTube, TikTok, and more.
Latest Blog Posts
- Who's Calling? MCP Hosts Are an Identity Blind Spot (And the Spec Knows It)By Om-Shree-0709 on .mcpAgent IdentityOAuth 2.1
- Your AI Chatbot Just Exposed Your CEO's Salary to an InternBy Om-Shree-0709 on .Agent IdentityMCP SecurityOAuth Delegation
- Why MCP Servers Need Execution Sandboxing (And Why Your Current Stack Isn't Enough)By Om-Shree-0709 on .Agentic AiPrompt InjectionWebAssembly
MCP directory API
We provide all the information about MCP servers via our MCP API.
curl -X GET 'https://glama.ai/api/mcp/v1/servers/Golden2002/paeg-teaching-materials'
If you have feedback or need assistance with the MCP directory API, please join our Discord server