grammar-kb-mcp
grammar-kb · 和爸学
英语语法教学讲义的知识库 + 学习前端单仓项目(前端品牌名「和爸学」),分两层:
grammar_kb/(Python 后端):把 PDF 教材/讲义清洗并结构化为可检索、可溯源的知识点数据库—— 自动去水印、还原表格、切分知识点、抽取关键词与关系,存入本地 SQLite(FTS5 全文检索), 提供 CLI、HTTP API 与 MCP 服务。web/(Vite 前端):面向学生的学习界面——初中语法课 / 词汇表 / 背单词 / 初中英语知识体系 / FCE 真题练习 / 阅读训练 / 泛读馆(整本书英文泛读), 外加哈一作业成绩记录(增删改查,存在独立的data/exam.db)。 学生版与教师版按账号区分功能与权限(教师版含批改中心 / 备课中心 / 计划表)。
适用于任何"版式相对统一、带页眉页脚水印、含表格"的教学/技术 PDF。
特性
🧹 去水印:按字体 + 文字方向剔除页眉/页脚/斜排背景水印(含 PDF 子集字体前缀)
📊 表格还原:自动检测有框线表格并还原为 GFM Markdown 表格
🧩 知识点切分:按标题层级(章/节/小节/子项/例句/练习)拆成可独立检索单元
🏷️ 分类与关系:按主题分类,抽取关键词/标志词与知识点间关系(如"主将从现""时态呼应")
🎯 考点信号:每个知识点标注考点维度(时态/语态/拼写/从句…),支持"按考点反查知识点"
📖 单词表:基于讲义语料生成单词表(释义/词性/词形变化/来源溯源)
🔍 可溯源:每个知识点带
讲次 · 节路径 · 页码,可定位回原文🗄️ 不截断:正文存 SQLite
TEXT(无长度上限),FTS 仅用于命中🌐 HTTP API:内置 REST 服务(FastAPI,自带
/docs交互文档)🔌 MCP 就绪:内置 MCP 服务,Claude 等客户端可直接查询
Related MCP server: PDF RAG MCP Server
快速开始
uv sync # 安装依赖(含开发依赖)
uv run grammar-kb ingest ./pdfs # 导入一个 PDF 目录(全量重建,id 可复现)
uv run grammar-kb stats # 查看统计未安装 uv?
curl -LsSf https://astral.sh/uv/install.sh | sh
常用命令
uv run grammar-kb ingest ./pdfs # 导入目录(或单个 PDF 文件)
uv run grammar-kb ingest-homework ./作业卷目录 # 导入哈一作业卷 PDF(题干入 homework_question 表)
uv run grammar-kb lecture 25 # 输出某讲的完整 Markdown(表格已还原)
uv run grammar-kb lecture 25 --format html # 输出某讲的 HTML(表格渲染为 <table>)
uv run grammar-kb kp 173 # 输出某知识点的完整 Markdown
uv run grammar-kb search "关键词" # 全文检索知识点
uv run grammar-kb search "since" --category 时态
uv run grammar-kb markers --category 时态 # 列出某类下所有关键词/标志词
uv run grammar-kb markers --tense 现在完成时 # 列出某时态的标志词
uv run grammar-kb relation 主将从现 # 按关系类型查知识点
uv run grammar-kb exam-signal 从句 # 按考点信号反查知识点(反之亦然)
uv run grammar-kb exam-signal --list # 列出所有考点信号维度
uv run grammar-kb words --limit 100 # 单词表(释义/词性/词形变化/来源)
uv run grammar-kb stats # 统计
uv run grammar-kb serve --port 8000 # 启动 HTTP 查询服务(见 http://127.0.0.1:8000/docs)
uv run grammar-kb export-recordings ~/Desktop/recs # 导出学生朗读录音(音频+选段文本,给外部工具分析)默认数据库为运行目录下的 data/grammar.db,可用 --db 或环境变量 GRAMMAR_KB_DB 覆盖。
直接用预构建数据集(可选)
不想自己 ingest,可从 GitHub Releases 下载对应版本的 grammar.db,放到 data/grammar.db(或用 GRAMMAR_KB_DB 指定路径)即可直接查询。数据集版本号见 release tag(如 data-v1),库内 meta 表也记录了版本与生成时间。
架构
PDF ──► pdf_parser 去水印(字体+方向过滤)+ 重排行 + 还原表格
└─► structure 文本 → 大纲树 → 知识点切分(分类 + 关键词 + 关系)
└─► db SQLite(lecture / knowledge_point / marker / relation / block + FTS5)
└─► query 查询 API(CLI 与 MCP 共用)模块 | 职责 |
| fitz 抽 span(字体/位置/方向)→ 过滤水印 → 重排行;pdfplumber 在过滤后字符上还原表格 |
| 行分类(节/小节/子项/例句/练习)→ 知识点切分 |
| 分类规则、关键词词典、关系检测、考点信号(纯函数) |
| 基于语料的单词表(释义/词性/词形变化) |
| 词光 Word Atlas 叠加层(插画/录音/例句,CC BY 4.0;不改词级、不碰背词进度) |
| 视频学习:YouTube 清单 + 学生复述录音 + 教师 10 分制批改( |
| 表格 → GFM、知识点与整讲渲染 |
| schema + CRUD + FTS5(trigram, external-content),无截断 |
| 面向调用的查询 API |
| PDF → 落库(目录导入 = 全量重建,id 可复现) |
| 哈一作业成绩独立 SQLite 库( |
| 学生/教师双角色认证(HMAC token,30 天有效) |
| FCE 青少版模拟卷 OCR(macOS Vision)→ 解析 → 入库 |
| FCE 真题只读查询 + 练习提交/自动批改(fce_submission 表) |
| FCE 阅读原文重建:OCR 坐标拆栏(双栏/四人网格)→ 填入正确答案 → |
| 阅读训练读写层:派生文 CRUD + 学生录音提交 + 教师 10 分制批改(reading_recordings 表) |
| ECDICT 全量词典导入与查询(36.5 万词条, |
| 哈一作业卷 PDF → 结构化题目(homework_question 表,题号与测验平台一致) |
| 泛读馆数据层( |
| EPUB 解析(zipfile + ElementTree:元数据 / 封面 / 按 spine 拆章,zip 路径防逃逸) |
| 背单词成绩上报(recite_session 表,与 FCE/阅读同在 |
| 泛读专注力采集与评分(focus_session 表:活跃/互动/推进加权 − 离开/乱晃惩罚) |
| 主题讲义:每个语法主题的结构化总结(例句取教材原文) |
| 困难词粗筛(google-10000 高频词表,三档阈值教师可调) |
| 爱问云测验平台成绩拉取入库( |
| 命令行 |
| HTTP 服务(可选 extra;入口 |
| MCP 服务(可选 extra) |
| 学习前端(Vite,详见下文「Web 学习前端」与 |
词光(Word Atlas)
背单词时,和 词光 对得上的词会显示插画,
并播放英音、美音和例句录音;没有文件就继续用浏览器语音。词表以词光词头为准
(派生词并进去,只在词光里的词按 CEFR 补进初中 / 高中 / 雅思,且不进入试卷抽词池)。
步骤见 docs/word-atlas.md,署名见 NOTICE。
登录框不放署名;教师「设置中心」(#/config)里的词光一节展示:
插画与单词录音来自词光 Word Atlas,CC BY 4.0,署名 Word Atlas contributors(词光)。
版本号
应用版本只写在 grammar_kb/VERSION 这一行。pyproject.toml 用 setuptools dynamic version 读它,
Python 的 grammar_kb.__version__ 也读它,前端构建(web/vite.config.js)把它注入 web/src/version.js。
改版本:编辑 grammar_kb/VERSION,然后重新构建前端(cd web && npm run build)并重启服务。
GET /version 返回服务端版本和 git 短 SHA(没有 git 时 SHA 为空)。
教师「设置中心」同时显示前端构建版本和服务端版本,用来发现 web/dist 和 Python 不是同一次发布。
数据库 Schema(摘要)
lecture(number UNIQUE, title, full_title, category, subcategory, source_file, page_count)
knowledge_point(lecture_id, lecture_number, title, category, section_path,
body_md, examples_md, table_md, is_table, source_page, source_bbox, tags_json, ord)
marker(kp_id, lecture_number, marker, marker_type, tense, note) -- 关键词/标志词
relation(kp_id, type, to_kp_id, note) -- 关系:主将从现/时态呼应…
lecture_block(lecture_id, page, seq, kind, text_md) -- 整讲还原用
-- 全文检索(external-content + trigram,中文子串命中)
CREATE VIRTUAL TABLE kp_fts USING fts5(title, body_md, examples_md, table_md,
content='knowledge_point', content_rowid='id', tokenize='trigram');定制你的数据集
工具默认针对"统一版式的教学讲义"调参,换数据集时通常只需改三处(都在 grammar_kb/):
水印字体 ——
pdf_parser.py的WATERMARK_FONTS:新增你的页眉/水印字体名。 诊断新 PDF 字体的快捷脚本:uv run python -c "import fitz; d=fitz.open('某.pdf'); \ import collections; c=collections.Counter(s['font'] for b in d[0].get_text('dict')['blocks'] if b.get('type',0)==0 for l in b['lines'] for s in l['spans'] if s['text'].strip()); print(c)"分类规则 ——
classify.py的_TITLE_RULES:按标题关键字映射主题分类。关键词词典 ——
classify.py的TENSE_MARKERS(或自定义同类词典)。版式正则 ——
structure.py:若你的标题层级用不同记号(如一、/(一)),调整对应正则即可。
作为 HTTP 服务
部署(单进程一体 / Caddy 反代 / Podman):见 docs/deploy.md。 默认
GRAMMAR_KB_STATIC=1时本进程直接服务web/dist前端——单命令单端口跑完整应用。
uv sync --extra server # 安装 server 依赖(fastapi + uvicorn)
uv run grammar-kb serve --port 8000 # 经由 CLI
# 或独立入口:
uv run grammar-kb-server --host 0.0.0.0 --port 8000启动后访问 http://127.0.0.1:8000/docs 查看交互式 API 文档。端点:
方法 | 路径 | 说明 |
GET |
| 统计与数据集元信息 |
GET |
| 讲次列表 |
GET |
| 某讲内容(表格还原) |
GET |
| 某知识点 |
GET |
| 全文检索 |
GET |
| 标志词 |
GET |
| 按关系查 |
GET |
| 所有考点信号维度 |
GET |
| 按考点反查知识点 |
GET |
| 单词表(释义/词性/词形变化) |
GET |
| 知识点主题体系树(大类→主题) |
GET |
| 查任意单词(ECDICT 全量词典) |
GET |
| 已导入作业卷的讲次列表; |
GET |
| 某讲作业卷全部题目(题干+选项,题号与测验平台一致) |
GET/POST |
| 哈一作业成绩:列表 / 新增 |
PUT/DELETE |
| 哈一作业成绩:修改 / 删除 |
POST |
| 登录(学生/教师角色,返回 HMAC token) |
GET |
| FCE 真题概览(4 套 Test 各 paper 题数) |
GET |
| 单套 FCE Test 全文(学生视角自动剥离答案) |
POST |
| 提交一次 FCE 大题练习(客观题自动批改;作文转待批改;附用时) |
GET |
| 练习历史(学生只看自己;教师可按 status 拉待批改作文) |
GET |
| 单次练习详情(逐题作答/正确答案/对错明细) |
PUT |
| 教师批改作文(分数 + 评语) |
DELETE |
| 教师删除一条练习提交 |
GET |
| 阅读文章列表(默认只回派生文;教师 |
GET |
| 文章正文(学生读 base 原文返回 403) |
POST/PUT/DELETE |
| 教师新增 / 编辑 / 删除派生文 |
POST |
| 学生提交朗读录音(≤9MB/5 分钟,附选中的朗读文本;webm 自动转 m4a 存档) |
GET |
| 录音列表(学生只看自己;教师可按 status=pending 拉待批改) |
GET |
| 录音详情(含 base64 音频;学生只能听自己的) |
PUT |
| 教师批改录音(10 分制 + 评语) |
DELETE |
| 教师删除一条录音提交 |
GET |
| 派生文范读音频( |
GET/POST |
| 泛读馆书架:列表 / 上传 epub(≤100MB); |
GET/PUT |
| 泛读馆设置(学生主题/困难词阈值;学生视角只读) |
GET |
| 章节预习材料(只读;数据由线下脚本生成,经 |
GET |
| 泛读馆查词:ECDICT 全量词典直查(未收录返回 not_found) |
GET/POST |
| 背单词成绩:列表(学生看自己)/ 完成一组练习上报 |
GET/POST |
| 泛读专注会话:列表与详情(教师)/ 阅读器心跳上报(按 session 幂等) |
哈一作业成绩数据存在哪
成绩存在独立的 SQLite 库(与讲义库 data/grammar.db 分开)。进程不再探测 iCloud,路径按顺序解析:
环境变量
GRAMMAR_KB_EXAM_DB当前工作目录下的
data/exam.db(在仓库根目录启动时就是项目里的data/exam.db)
多设备要看同一份成绩,就指向同一台服务(或同一份库文件的路径),不要靠本机云盘同步。旧安装如果还把库放在 iCloud 目录里,用环境变量显式指过去即可,代码里没有这条默认分支。
FCE 真题数据(fce.db)
FCE 青少版(For Schools)模拟卷,源 PDF 为纯扫描图,经 macOS Vision OCR + 结构化解析入库:
内容:4 套 Test × 87 题(读写 52 + 写作 5 + 听力 30),含阅读原文、选项、关键词与全部答案
入库/重跑:
uv run python -m grammar_kb.fce_paper --pdf 青少版1.PDF --db data/fce.db(已 OCR 的页文本可缓存复用:--ocr-dir <目录>,格式为pNNN.txt三列坐标行)练习记录:
fce_submission表存每次大题提交(作答明细、自动批改结果、用时、作文批改)OCR 依赖:macOS 系统自带 Vision 框架(无需安装 tesseract),脚本内嵌于
fce_paper.py存哪:环境变量
GRAMMAR_KB_FCE_DB,否则仓库data/fce.db(相对grammar_kb包的上一级, 与paths.data_path相同)。练习提交、朗读录音、背单词进度都在这个文件里。 教师端看到学生提交,是因为师生打的是同一个后端,不是因为本机 iCloud 同步。
阅读训练数据(同 data/fce.db)
原文(base):
reading_article(kind=base)50 段——RUE P1-P7 全部阅读文按 OCR 坐标拆栏重建 (P5/P6 双栏、P7 四人网格),空格填入正确答案(加粗标记),base_key形如T1P5/T1P7-A。 重建:uv run python -m grammar_kb.reading_build(OCR 缓存固化在data/ocr_cache/,可复现)派生文(derived):B2 难度补充阅读(每段 120-300 词、青少年主题),教师经 UI 或
scripts/ingest_derived.py data/derived_articles.json入库,按主题挂到对应原文段录音:
reading_recordings表存学生朗读提交(音频 base64 + 选中的朗读段落文本)。 入库时 webm/opus 自动经 ffmpeg 转 m4a(Safari 教师端可播;系统装 ffmpeg 即生效); 前端有双保险——录音时实时音量条(麦克风静音立即变红)+ 提交前静音检测拦截 (麦克风被系统静音/未授权时 Chrome 会录出全零数据,孩子端原本毫无察觉)。 导出音频文件给外部工具/模型分析:grammar-kb export-recordings <目录> [--user malin](文件名rec{id}_{user}_{时间}.{m4a|webm},旁附rec{id}_selected_text.txt朗读原文)词典:
/dict/{word}走 ECDICT 全量词典——首次使用需导入:uv run python -c "from grammar_kb.dict_db import import_ecdict; import_ecdict(<ecdict.csv 路径>)"(csv 来自 ECDICT,约 36.5 万词条;所有格自动归一:children's→children)
示例:
curl "http://127.0.0.1:8000/search?q=现在完成时&limit=3"
curl "http://127.0.0.1:8000/lectures/25?format=html"统一响应格式:所有端点返回 {code, message, data}。
// 成功(HTTP 200)
{ "code": 0, "message": "ok", "data": { "knowledge_points": 359, ... } }
// 错误(HTTP 与 code 一致)
{ "code": 404, "message": "第 99 讲不存在", "data": null }CORS:默认允许所有来源(Access-Control-Allow-Origin: *),前端可直接跨域调用。
收紧白名单:GRAMMAR_KB_CORS_ORIGINS=https://a.com,https://b.com grammar-kb-server。
作为 MCP 服务
uv sync --extra mcp
uv run grammar-kb-mcp暴露的 tools:search_knowledge_points、get_knowledge_point、get_lecture_markdown、
list_lectures、list_markers、find_by_relation、stats。每个 tool 都是对 Query 的薄封装。
Claude Desktop 配置示例:
{
"mcpServers": {
"grammar-kb": {
"command": "uv",
"args": ["run", "--directory", "/path/to/grammar-kb", "grammar-kb-mcp"],
"env": { "GRAMMAR_KB_DB": "/path/to/grammar-kb/data/grammar.db" }
}
}
}Web 学习前端(web/)
面向学生的学习界面,依赖本地运行的后端服务(默认 http://127.0.0.1:8000``,开发期由 Vite 把 /api/*` 代理过去)。
# 终端 1:先起后端
uv sync --extra server && uv run grammar-kb-server
# 终端 2:再起前端
cd web && npm install && npm run dev # http://localhost:5180功能(品牌名「和爸学」):
登录与角色:学生版 malin(背单词 + FCE 真题练习 + 阅读练习)/ 教师版(全部管理功能, 无练习类页签);HMAC token 30 天有效
初中语法课:48 讲按语法体系(词法/时态/语态/非谓语/句法/综合复习)分组,点开看整讲内容
词汇表:600+ 高频词(释义/词性/词形变化/讲义出处),按词性筛选、搜索、排序
初中英语:359 个零散知识点聚合为「语法大类 → 主题」两级树,含固定搭配速查表
背单词:三题型(拼写/变形/认词)间隔练习,特殊拼写点后端判定,进度本地保存
FCE:《FCE 冲刺宝典》静态知识库(19 天语法专题 + 直击考点练习)
FCE真题:FCE 青少版模拟卷(4 Test × 87 题)分大题练习——阅读原文电子书排版(护眼底色、 serif 阅读字体、字号可调)、做题计时、提交自动批改(错题显示正确答案)、作文提交教师批改; 防翻译插件、学生练习页禁右键/选择。练习记录:学生看自己的历史;教师额外有 📋 逐题明细弹窗(作答/正确答案/对错、作文批改状态与评语)与删除按钮
阅读内容(教师):FCE 阅读原文 50 段(RUE P1-P7 全部阅读文,OCR 坐标拆栏重建、 正确答案回填加粗);每段挂派生阅读(B2 难度、青少年主题,可持续新增/编辑/删除); 接收学生朗读录音(预加载 Blob URL 直接试听)、10 分制打分 + 评语; 「最近录音提交」每行可 ✏️ 改分/评语、删除
阅读练习(学生):派生文章列表(显示字数与来源、最高分角标,📋 按钮弹窗看历次批改) → 详情页电纸书护眼排版——点击段落选中录音范围(≤300 词)后录音按钮才可用, 实时音量条 + 静音拦截(麦克风无效时不给老师交白卷),≤5 分钟提交教师端; 点击任意单词查 ECDICT 全量词典(36.5 万词条:音标/释义/词形变化 + 🔊 TTS 发音),一次一词
🎯 考点信号(双向):知识点 ↔ 标志词/时态 双向跳转——「看到这个词,就是在考哪些知识点」
📝 哈一作业成绩:每讲一份作业卷(35 题,满分 100)。点题号记对错、分数自动算; 多次作答全部保留、可修改可删除;错题本按「讲次+题号」汇总错误次数; 数据经后端
/exams写入data/exam.db(见上文),跨浏览器不丢;旧 localStorage 记录首次打开自动迁移泛读馆:整本书英文泛读(epubjs 阅读器,epub 上传由教师管理)。章节预习(数据线下生成, 经
scripts/import_prep.py同步入库,端点只读)、划词查词(ECDICT 全量词典)、阅读进度云同步; 教师管控学生阅读主题(学生仅可调字号)。 专注模式下压制系统弹窗/长按菜单,阅读行为静默采集为专注力评分(教师端轨迹详情弹窗)教师版三板块:批改中心(FCE 听说读写 + 哈一语法 + 背单词/专注力待批与动态汇总)/ 备课中心(知识点检索、错题本、阅读内容管理)/ 学情分析(周/月趋势图)
技术栈:Vite + 原生 ES Modules · epubjs(泛读馆电子书)· marked(Markdown 渲染)· DOMPurify(预习内容消毒),无框架依赖。更多细节见 web/README.md。
测试与代码质量
uv run pytest # 全部(含真实 PDF 集成)
uv run pytest -m "not integration" # 仅纯单测(无需 PDF,秒级)
uvx ruff check . # lint(E4/E7/E9/F 传统默认集,配置见 pyproject.toml)覆盖:水印过滤 / 行重排 / 表格还原 / 知识点切分 / 分类 / 关键词抽取 / DB 不截断往返 / FTS 中英文检索 / 级联清理(含 FTS 孤儿索引回归)/ id 重建可复现 / 查询 / 端到端集成 / 认证与角色权限 / FCE OCR 解析 / FCE 提交批改与删除(含越权访问回归)/ 阅读文章权限与 录音提交批改删除 / 泛读馆(epub 解析、上传、预习、查词)/ 背单词 / 专注力上报与评分 / 作业卷题号 / CORS 预检。
集成测试需要一个 PDF 目录,用环境变量 GRAMMAR_TEST_PDF_DIR 指定;未指定或不存在则自动跳过。
依赖真实 data/grammar.db 的数据校验用例同样在库缺失时自动 skip(CI 全新 checkout 可直接跑)。
CI:.github/workflows/ci.yml——push / PR 到 master 时跑 uv sync --extra server + ruff + pytest,
外加 web 的 npm ci && npm run build。
设计取舍与已知边界
无框线表格:仅还原 pdfplumber 能靠框线检测到的 ruled table;少量无边框多栏对照以正文段落保留(信息不丢)。后续可加"按列空白对齐"的兜底检测。
知识点切分:基于统一版式的启发式;特殊排版可能合并/拆分略有出入,可用
search+kp复核。目录导入即重建:
ingest <目录>会清空并重建库(id 从 1 开始、可复现);导入单个 PDF 只更新该讲。
Available Tools
7 toolsfind_by_relationB
按关系类型查知识点,如 relation_type="主将从现"、"时态呼应"。
Inputs: relation_type (required). Returns: result
get_knowledge_pointA
按 id 获取单个知识点的完整 markdown(含解释、例句、表格、溯源)。
Inputs: kp_id (required). Returns: result
get_lecture_markdownB
获取某讲的完整 markdown 讲义(标题/正文/表格已还原为 GFM)。
例如 number=25 返回"第二十五讲 动词时态3"的完整 md。
Inputs: number (required). Returns: result
list_lecturesA
列出已导入的全部讲次(讲号、标题、分类)。
Inputs: no named parameters. Returns: result
list_markersA
列出标志词/关键词,可溯源到讲次。
默认返回所有时态关键词(category="时态")。 可用 tense 限定具体时态,如 tense="现在完成时"。
Inputs: tense, category. Returns: result
search_knowledge_pointsB
按关键词检索语法知识点。
参数: query: 关键词(中文或英文,如 "现在完成时"、"主将从现"、"since")。 category: 可选,限定大类:词法/句法/时态/语态/非谓语/综合复习。 limit: 最多返回条数。 返回:知识点列表(标题、所在讲次、分类、标签)。
Inputs: query (required), limit, category. Returns: result
statsC
返回知识库统计(讲次/知识点/标志词数量,按类别分布)。
Inputs: no named parameters. Returns: result
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
TDQS
Scored across 7 tools
Each tool has a clearly distinct retrieval purpose: search, get by id, get lecture markdown, list lectures, list markers, find by relation, and stats. Overlap between search_knowledge_points and list_markers is minimal because markers are a specific entity type with their own filters.
Most tools follow a consistent verb_noun pattern (search_, get_, list_, find_by_). 'stats' is a minor deviation as a bare noun, but the overall naming remains predictable and readable.
7 tools is well-scoped for a knowledge base retrieval server. Each tool serves a clear function without redundancy, fitting comfortably within the ideal 3-15 range.
Core retrieval operations are covered: search, get by id, get lecture, list lectures, list markers, find by relation, and stats. Minor gaps exist, such as no direct way to list all knowledge points without a search term or to filter markers by lecture, but agents can work around these.
Maintenance
Related MCP Connectors
Query, explore, and manage your databases through natural conversation.
A search engine that learns from your grades. Store text, records, images or embeddings.
YouTube transcripts (chunks, phrase search, most replayed moments), PDFs and web pages as Markdown.
Query and audit AppSheet apps in natural language via Knotrik's pre-scanned definitions.
Related MCP Servers
- FlicenseNot gradedqualityDmaintenanceEnables storage and retrieval of knowledge in a graph database format, allowing users to create, update, search, and delete entities and relationships in a Neo4j-powered knowledge graph through natural language.5-
- AlicenseNot gradedqualityDmaintenanceEnables intelligent search and question-answering over PDF documents using semantic similarity and keyword search. Supports OCR for scanned PDFs, persistent vector storage with ChromaDB, and maintains source tracking with page numbers.6MIT
- FlicenseCqualityBmaintenanceEnables academic literature management through PDF import, hybrid search, knowledge graph construction, and automated literature review generation. Combines full-text search with semantic vector search for comprehensive paper analysis.55-
- FlicenseAqualityCmaintenanceEnables natural-language querying of course, teacher, and assignment information stored in a SQLite database, including fuzzy course search, teacher lookups, weekly schedules, and assignment deadlines.51-