Skip to main content
Glama
grammar-kb-mcp

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

pdf_parser.py

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

structure.py

行分类(节/小节/子项/例句/练习)→ 知识点切分

classify.py

分类规则、关键词词典、关系检测、考点信号(纯函数)

vocabulary.py

基于语料的单词表(释义/词性/词形变化)

atlas.py

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)

video_study.py

视频学习:YouTube 清单 + 学生复述录音 + 教师 10 分制批改(data/fce.db)

markdown.py

表格 → GFM、知识点与整讲渲染

db.py

schema + CRUD + FTS5(trigram, external-content),无截断

query.py

面向调用的查询 API

ingest.py

PDF → 落库(目录导入 = 全量重建,id 可复现)

exam_store.py

哈一作业成绩独立 SQLite 库($GRAMMAR_KB_EXAM_DB,否则 data/exam.db)

auth.py

学生/教师双角色认证(HMAC token,30 天有效)

fce_paper.py

FCE 青少版模拟卷 OCR(macOS Vision)→ 解析 → 入库 data/fce.db(4 Test × 87 题)

fce_query.py

FCE 真题只读查询 + 练习提交/自动批改(fce_submission 表)

reading_build.py

FCE 阅读原文重建:OCR 坐标拆栏(双栏/四人网格)→ 填入正确答案 → reading_article(kind=base)

reading.py

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)

dict_db.py

ECDICT 全量词典导入与查询(36.5 万词条,data/ecdict.db)

homework.py

哈一作业卷 PDF → 结构化题目(homework_question 表,题号与测验平台一致)

library.py

泛读馆数据层(data/library.db):书架 / 章节 / 进度 / 预习(只读)/ 设置 / 查词(ECDICT)

epub_parse.py

EPUB 解析(zipfile + ElementTree:元数据 / 封面 / 按 spine 拆章,zip 路径防逃逸)

recite.py

背单词成绩上报(recite_session 表,与 FCE/阅读同在 data/fce.db)

focus.py

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)

theme_notes.py

主题讲义:每个语法主题的结构化总结(例句取教材原文)

wordfreq.py

困难词粗筛(google-10000 高频词表,三档阈值教师可调)

aicloud_sync.py

爱问云测验平台成绩拉取入库(sync-aicloud,按讲次+日期幂等)

cli.py

命令行

server/

HTTP 服务(可选 extra;入口 grammar_kb.server:app)

mcp_server.py

MCP 服务(可选 extra)

web/

学习前端(Vite,详见下文「Web 学习前端」与 web/README.md)


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

/stats

统计与数据集元信息

GET

/lectures

讲次列表

GET

/lectures/{number}?format=markdown|html

某讲内容(表格还原)

GET

/kp/{id}?format=markdown|html

某知识点

GET

/search?q=...&category=...&limit=...

全文检索

GET

/markers?category=时态&tense=...

标志词

GET

/relation?type=主将从现

按关系查

GET

/exam-signals

所有考点信号维度

GET

/exam-signal?signal=时态

按考点反查知识点

GET

/vocabulary?limit=300&min_freq=2

单词表(释义/词性/词形变化)

GET

/taxonomy

知识点主题体系树(大类→主题)

GET

/dict/{word}

查任意单词(ECDICT 全量词典)

GET

/homework

已导入作业卷的讲次列表;?lectures=2,4 批量取多讲题目

GET

/homework/{lecture}

某讲作业卷全部题目(题干+选项,题号与测验平台一致)

GET/POST

/exams

哈一作业成绩:列表 / 新增

PUT/DELETE

/exams/{id}

哈一作业成绩:修改 / 删除

POST

/auth/login

登录(学生/教师角色,返回 HMAC token)

GET

/fce-papers

FCE 真题概览(4 套 Test 各 paper 题数)

GET

/fce-papers/{test_id}

单套 FCE Test 全文(学生视角自动剥离答案)

POST

/fce-submissions

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

/fce-submissions

练习历史(学生只看自己;教师可按 status 拉待批改作文)

GET

/fce-submissions/{id}

单次练习详情(逐题作答/正确答案/对错明细)

PUT

/fce-submissions/{id}

教师批改作文(分数 + 评语)

DELETE

/fce-submissions/{id}

教师删除一条练习提交

GET

/reading/articles

阅读文章列表(默认只回派生文;教师 ?kind=base 看原文段、?kind=all 看全部)

GET

/reading/articles/{id}

文章正文(学生读 base 原文返回 403)

POST/PUT/DELETE

/reading/articles[/{id}]

教师新增 / 编辑 / 删除派生文

POST

/reading/recordings

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

/reading/recordings

录音列表(学生只看自己;教师可按 status=pending 拉待批改)

GET

/reading/recordings/{id}

录音详情(含 base64 音频;学生只能听自己的)

PUT

/reading/recordings/{id}

教师批改录音(10 分制 + 评语)

DELETE

/reading/recordings/{id}

教师删除一条录音提交

GET

/reading/audio/{id}

派生文范读音频(data/audio/reading/{id}.wav,文件存在才返回)

GET/POST

/library/books

泛读馆书架:列表 / 上传 epub(≤100MB);/{id} 下有 cover/file/chapters/progress/open 子资源

GET/PUT

/library/settings

泛读馆设置(学生主题/困难词阈值;学生视角只读)

GET

/library/prep/{book_id}/{chapter_index}

章节预习材料(只读;数据由线下脚本生成,经 scripts/import_prep.py 同步入库)

GET

/library/dict/{word}

泛读馆查词:ECDICT 全量词典直查(未收录返回 not_found)

GET/POST

/recite/sessions

背单词成绩:列表(学生看自己)/ 完成一组练习上报

GET/POST

/focus/sessions

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:

  1. 环境变量 GRAMMAR_KB_EXAM_DB

  2. 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 tools
find_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

    A3.6/5.0

    Scored across 7 tools

    Disambiguation5/5

    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.

    Naming Consistency4/5

    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.

    Tool Count5/5

    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.

    Completeness4/5

    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

    ActivityActive
    ResponsivenessNo recent community issues

    Related MCP Connectors

    Related MCP Servers

    • F
      license
      Not graded
      quality
      D
      maintenance
      Enables 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
      -
    • A
      license
      Not graded
      quality
      D
      maintenance
      Enables 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.
      6
      MIT
    • F
      license
      C
      quality
      B
      maintenance
      Enables 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
      -
    • F
      license
      A
      quality
      C
      maintenance
      Enables 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.
      5
      1
      -