Cérebro MLE
This server does not currently have a deployable release on Glama. Follow the repository's setup instructions to install and configure it for your MCP client, including any required credentials and local dependencies.
Cérebro MLE
Do problema de Machine Learning Engineering ao mapa de arquitetura, com roteiro de desenvolvimento e fontes.
O Cérebro MLE é uma base de conhecimento local (RAG) conectada a um assistente de IA desktop por MCP. Você descreve um problema ("preciso detectar fraude em tempo real", "como monitorar meu modelo de crédito") e recebe:
O mapa da arquitetura, com etapas agrupadas, componentes e fluxo, desenhado de forma determinística (sempre válido);
Um roteiro em passos, com a ordem de construção, o porquê de cada passo e o critério de pronto;
As fontes: em qual aula, fase e página, ou em qual projeto, cada decisão se apoia.
O raciocínio é feito pelo assistente de IA, com a sua assinatura e sem custo de API. O conhecimento, a validação e o desenho ficam no seu computador.
flowchart LR
subgraph s_base["1 · Base de conhecimento"]
c_aulas[("Aulas da pós<br/>por fase e submódulo")]
c_repos[("Repositórios<br/>do GitHub")]
c_notas[("Notas próprias")]
c_ingest["Ingestão incremental<br/>PDF · Markdown · código"]
c_indice[("Índice BM25<br/>em português")]
c_padroes[("Biblioteca de<br/>arquiteturas modelo")]
end
subgraph s_rac["2 · Raciocínio"]
c_user(["Você, no assistente de IA"])
c_llm[["LLM"]]
c_mcp("Servidor MCP<br/>Cérebro")
end
subgraph s_saida["3 · Desenho"]
c_valida{"Validação<br/>Pydantic + regras"}
c_render["Gerador Mermaid"]
c_mapa[/"Mapa HTML · Markdown · JSON"/]
end
c_aulas --> c_ingest
c_repos --> c_ingest
c_notas --> c_ingest
c_ingest --> c_indice
c_user --> c_llm
c_llm <-->|"ferramentas"| c_mcp
c_indice --> c_mcp
c_padroes --> c_mcp
c_mcp --> c_valida
c_valida -.->|"erros: corrigir"| c_llm
c_valida -->|"ok"| c_render
c_render --> c_mapaPor que funciona bem
O LLM não desenha. O LLM decide a arquitetura e devolve JSON; o Python valida (ids, etapas, ligações, roteiro) e gera o Mermaid. Se houver erro, o LLM recebe a lista exata e corrige.
Exemplos reais. A biblioteca traz 9 arquiteturas modelo validadas, 3 delas tiradas dos projetos do autor (DriftGuard, Triagem de Laudos, Churn). Com bons exemplos, os mapas novos saem consistentes.
Fontes rastreáveis. Cada trecho buscado ganha uma etiqueta (
F-3fa2c1) que o roteiro cita; o mapa lista aula, fase e página.Leve. A busca BM25 roda instantaneamente em qualquer PC, sem GPU e sem baixar modelos.
Related MCP server: AI Book Agent MCP Server
Instalação (Windows)
Pré-requisitos: Python 3.10+, Git e um app desktop de assistente de IA com suporte a MCP.
Coloque os PDFs das aulas em
data/aulas/<fase>/<submódulo>/(vejadata/aulas/LEIA-ME.md).Dê dois cliques em
instalar.bat. Ele cria o ambiente, baixa seus repositórios, indexa tudo, gera os mapas de exemplo e registra o Cérebro no assistente de IA.Feche o assistente de IA por completo (inclusive na bandeja do sistema) e abra de novo.
No assistente, peça por exemplo:
Cérebro, monte a arquitetura para detectar fraude em pagamentos em tempo real, com retreino semanal.
Você também pode usar o prompt arquitetar, no menu de prompts do assistente, que já traz o fluxo completo.
Uso no dia a dia
Quero... | Faça |
Adicionar uma fase nova da pós | Coloque os PDFs em |
Ver todos os mapas gerados |
|
Testar a busca no terminal |
|
Ver o que está indexado |
|
Guardar um mapa aprovado como padrão | Peça ao assistente: "salve essa arquitetura como padrão" |
Desenhar um JSON manualmente |
|
Ferramentas MCP
Ferramenta | O que faz |
| Encontra as arquiteturas modelo mais parecidas com o problema |
| Devolve o JSON completo de um padrão, para servir de exemplo |
| Busca nas aulas (filtro por fase), notas e repositórios, com etiquetas de fonte |
| Regras e schema JSON que o mapa precisa seguir |
| Valida, desenha e salva |
| Adiciona uma arquitetura aprovada à biblioteca |
| Mostra e atualiza a base |
Estrutura
cerebro-mle/
├── config.yaml # fontes, busca e caminhos
├── instalar.bat · atualizar_base.bat · abrir_mapas.bat
├── data/
│ ├── aulas/ # PDFs da pós por fase e submódulo (uso pessoal, fora do Git)
│ ├── notas/ # suas anotações, com as suas palavras (base própria)
│ ├── repos/ # repositórios clonados por "cerebro repos"
│ └── index/ # índice gerado
├── library/patterns/ # arquiteturas modelo (JSON)
├── outputs/ # mapas gerados + galeria index.html
├── src/cerebro/
│ ├── schema.py # estrutura da arquitetura e validação
│ ├── render.py # Mermaid, Markdown e HTML (Mermaid embutido, funciona offline)
│ ├── knowledge/ # leitura, divisão em trechos, BM25 e índice incremental
│ ├── patterns.py # biblioteca de padrões
│ ├── brain.py # camada de serviço
│ ├── mcp_server.py # servidor MCP para o assistente de IA
│ └── cli.py # linha de comando
└── tests/ # 22 testes, incluindo um cliente MCP realPrivacidade e direitos autorais
O conteúdo de
data/aulaspertence à FIAP + Alura. É usado só localmente, está no.gitignoree nunca deve ser publicado.Na leitura, a marca d'água com nome, RM e e-mail do aluno é removida, e nenhum e-mail entra no índice.
Arquivos com nomes como
token,login,senhaou.envsão ignorados.Código, biblioteca de padrões e notas próprias são do autor (licença MIT) e formam a base de uma futura versão pública.
Desenvolvimento
pip install -e ".[dev]"
pytest
ruff check src tests
python scripts/check_render.py outputs # confere no Chromium se todos os mapas renderizam (requer playwright)Próximos passos
Incluir a fase 4 (Model Monitoring and Security) e a fase 5 quando liberadas.
Gerar, a partir do mapa, o esqueleto do projeto (pastas, Dockerfile, CI, testes).
Busca híbrida (BM25 + embeddings) se a base crescer muito.
Versão pública: apenas notas próprias, padrões e documentação aberta.
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
This server cannot be deployed
Maintenance
Related MCP Connectors
Personal wiki and memory layer for AI assistants. Persistent, structured memory across sessions.
Private, multimodal knowledge store for agents: hybrid search with cited, provenance-backed results.
Governed, auditable knowledge your team curates for its AI assistants, self-hostable
A personal RAG database you build from chat, so AI creates work that sounds like you.
Related MCP Servers
- AlicenseNot gradedqualityDmaintenanceProvides AI assistants with intelligent access to ML textbook content for creating accurate, source-grounded documentation using local models for privacy and cost efficiency.2MIT
- AlicenseNot gradedqualityNot gradedmaintenanceProvides AI assistants with intelligent access to ML textbook content through RAG-powered search, chapter retrieval, and documentation generation capabilities. Uses local models for privacy-focused, source-grounded responses from indexed technical books.MIT
- FlicenseNot gradedqualityAmaintenanceEnables AI agents and MCP hosts to query a local, machine-resident index of scattered notes, project docs, PDFs, Office files, and chat exports using hybrid vector + BM25 retrieval with section-level citations. Exposes tools, resources, and prompts so hosts like Claude Desktop, Cursor, and Cline can search, ask, and explore linked knowledge through natural language.-

Hyperbenchofficial
AlicenseNot gradedqualityBmaintenanceEnables agents to work with local hardware engineering context — registered repositories, imported PDFs and documents, and user-created system diagrams — through stdio tools for bounded source search and file reading, document text extraction and PDF page/crop rendering, and reading or drafting system architecture models. It runs entirely on local storage with no code index, hosted backend, or model provider routing, leaving the agent's own model, keys, and permissions intact.17 npm3MIT