Deep Learning with Python — MCP Knowledge Base

Ein MCP (Model Context Protocol) Server, der das Buch Deep Learning with Python (François Chollet) in eine durchsuchbare Wissensdatenbank verwandelt, sodass Claude als Deep-Learning/ML-Experte agieren kann, der auf dem Inhalt des Buches basiert.

Der Server läuft lokal über stdio. Er liest das PDF in input/ und erstellt einen In-Memory-Index der ~200 Blattabschnitte des Buches (bis hinunter zu Unterabschnitten wie 3.4.3) aus dem eigenen Lesezeichen-Outline des PDFs. Das Buch muss manuell abgelegt werden.

Fahrplan

• MCP-MVP erstellen

• Verbinden und validieren

• Fehlerbehandlung hinzufügen

• MCP-Inspektor hinzufügen

Related MCP server: grimoire-beholder-mcp

Einrichtung

# from the project root
pip install -r requirements.txt

Erfordert das Buch-PDF unter input/Deep_Learning_with_Python_Chollet.pdf

Eigenständig ausführen

.venv\Scripts\python.exe server.py

Dies blockiert, spricht MCP über stdio — es ist dafür gedacht, von einem MCP-Client gestartet zu werden, nicht interaktiv ausgeführt zu werden. Strg+C zum Beenden.

Verbinden mit einem Client

Claude Code (vom Projektstammverzeichnis):

claude mcp add dl-python-expert -- "C:\Users\leowa\Projekte\mcp_deepLearning\.venv\Scripts\python.exe" "C:\Users\leowa\Projekte\mcp_deepLearning\server.py"

Claude Desktop — füge zu claude_desktop_config.json hinzu:

{
  "mcpServers": {
    "dl-python-expert": {
      "command": "C:\\Users\\leowa\\Projekte\\mcp_deepLearning\\.venv\\Scripts\\python.exe",
      "args": ["C:\\Users\\leowa\\Projekte\\mcp_deepLearning\\server.py"]
    }
  }
}

Was registriert ist

Werkzeuge

• search_book(query, top_k=5) — Stichwortbasierte Suche über alle Buchabschnitte; gibt ID, Titel, Breadcrumb, Seite und einen Ausschnitt zurück.

• get_section(section_id) — Volltext eines Abschnitts anhand der ID (z. B. 3.4.3, 6.2.2), wie von search_book oder list_sections zurückgegeben. Nur Blattabschnitte sind adressierbar; eine Überschrift mit Unterabschnitten (z. B. 5.1) ist selbst nicht abrufbar — verwende stattdessen deren Kinder.

• list_sections(chapter=None) — ohne Argument listet Kapitel/Anhänge; die Übergabe einer dieser exakten Zeichenfolgen listet deren Abschnitte und IDs.

Ressource

• book://toc — das vollständige Inhaltsverzeichnis mit Abschnitts-IDs und Seitenzahlen, zum Durchsuchen der Struktur ohne einen Tool-Aufruf.

Prompt

• explain_concept(topic) — weist Claude an, das Buch zu durchsuchen, Abschnitts-ID und Seite für Behauptungen zu zitieren und die Keras-Codebeispiele des Buches einzubeziehen, wo relevant.

Beispielverwendung

Sobald verbunden, frage Claude zum Beispiel:

Erkläre mithilfe der DL-Wissensdatenbank, wie Dropout Overfitting bekämpft, mit dem Codebeispiel aus dem Buch.

Claude wird search_book aufrufen, die relevanten Abschnitte über get_section abrufen und mit Zitaten wie [4.4.3] Adding dropout (S. 130) antworten.

Designhinweise / bekannte Einschränkungen

• Suche ist einfaches Stichwort-/Begriffsüberlappungs-Scoring (nur Standardbibliothek) — keine Embeddings. Gut genug für Abruf-dann-Erklären; Claude übernimmt das eigentliche Denken.

• Abschnittsgranularität ist nur Blatt. Ein paar Sätze "Kapitel-Einführung", die zwischen einer übergeordneten Überschrift und ihrem ersten Unterabschnitt stehen, sind keinem Abschnitt zugeordnet und werden effektiv übersprungen.

• Der Index wird bei jedem Serverstart aus dem PDF neu aufgebaut (~3s für 384 Seiten); es gibt keinen persistenten Cache, absichtlich, damit Buchinhalte nie in einer Datei landen, die versehentlich committet werden könnte.

• Der indizierte Umfang ist nur der technische Inhalt des Buches (Kapitel 1–9 + Anhänge A/B) — Frontmatter und der Index am Ende des Buches sind ausgeschlossen.

Dateien

• server.py — Einstiegspunkt; erstellt den MCPServer, registriert Werkzeuge aus tools.py, läuft über stdio.

• tools.py — Definitionen für Werkzeuge/Ressourcen/Prompts.

• knowledge_base.py — PDF-Laden, Outline-basierte Abschnittsindizierung und Suche.

• input/ — Quell-PDF (gitignoriert).