Skip to main content
Glama

IELTS Review Lab · 雅思复盘与刻意练习

做完题之后的私教。 把“看答案”变成“知道为什么错、下次怎么不错”。

这里不出新题,也不内置任何真题。你在纸质剑桥书、刷题网站或 App 上做完一篇阅读或一个 Part 听力,把原文(或文稿)、题目、答案册和自己的答案交进来:

  1. 确定性判题:字数要求、单复数、拼写、判断题标签体系,全部由规则判定,可测试、有出处。

  2. 只依据原文的讲解:定位句、同义替换对照、为什么答案册对、你为什么错。模型给的引用必须逐字出现在你的原文里,否则标“讲解不可靠”。

  3. 归因:固定错因表,规则能定的规则定,其余你点、模型补。

  4. 刻意练习:错题按 1/3/7/14/30 天回来;看“同类错误复发率”是否在下降。

写作和口语是分步训练系统:小步骤反复练,反馈少而准,不代写。

所有内置示例均为原创,非真题。只使用你有权使用的材料;你的数据只存在你自己的电脑上。

两种用法,同一个引擎

网页版

本地 MCP 引擎

模型从哪来

你自己的 API key(DeepSeek 默认,兼容 OpenAI 格式的都行);没 key 也能判题、记错题,讲解用醒目标注的模拟反馈

你已经订阅的 AI(Claude 桌面版、Claude Code、Codex 等),不额外花钱

录入

粘贴 + 自动拆题;题集库 + 一行答案速记

直接把书页照片、App 截图拖进对话,宿主模型识别后交给引擎校验

数据

浏览器本地,可导出 / 恢复

本机文件夹(默认 ~/.ielts-review-lab),纯 JSON,可放进 git

两条路的判题、计词、换算、引用校验、错因表、复习排期是同一份代码(src/features/ielts/core/),任何外壳都绕不过去。

Related MCP server: maimemo

网页版

npm install
npm run dev

打开 http://localhost:5173/ielts。

  • 配置模型:设置页填服务商、API key、模型名。key 只存在你的浏览器里,不进仓库、不进构建产物;每次发送前会弹窗显示将发送的全部内容。服务商不允许浏览器直连时,可以部署到 Vercel,用 /api/ielts/llm 同源中转(只转发、不记录,只接受注册过的模板)。

  • 录入只有三个框:原文(可选)、题目(可选)、答案。答案册和你自己的答案写在一个框里,对着答案册批改时怎么写就怎么贴:

    1 FALSE NG
    2 two weeks | two week
    3 B ✓
    4 C ✗ A

    题目框整段贴,Write TRUE, FALSE or NOT GIVEN、NO MORE THAN TWO WORDS 这些说明行会自动带给后面的题。同一篇存进题集库后,重做时载入,只补这次的答案。

  • 从你做题时的处境讲起:每道错题先点一下当时的情况(没找到定位词、首次经过答案句没认出、FALSE/NG 犹豫……),讲解按“题干在问什么 → 原文在哪、怎么找过去 → 句子拆开看 → 你为什么会这样答”展开,证据不够会直说“不确定”,然后可以接着追问。

  • 复盘报告:错题表、同义替换表(带替换机制和证据强度)、难词短语表,一键复制或下载 .md / .csv。

  • 做题方法:内置平行阅读法,可以改,也可以写自己的方法。开始复盘前先看到它;复盘时记方法的执行指标(首次经过答案句却没认出、无效回读),分析页看最早几篇和最近几篇比有没有变好。

  • 拼写听写:听力里因拼写、单复数、数字丢分的词集中重写,用浏览器自带的英文语音朗读(英音/澳音/美音、可调语速),同一套规则判。

  • 导入笔记 / 话题清单:写作知识卡片支持导入 Markdown 或 JSON 笔记;口语支持导入本季话题清单(纯文本或 JSON)。

  • 备份:设置页“导出全部学习数据”(不含 key),换电脑或清缓存后用“从导出文件恢复”。

本地 MCP 引擎(订阅路线)

不需要安装任何依赖,Node 20+ 即可:

node mcp/server.js

Claude 桌面版:在 claude_desktop_config.json 的 mcpServers 里加一项(路径换成你的克隆位置):

{
  "mcpServers": {
    "ielts-review-lab": {
      "command": "node",
      "args": ["/absolute/path/to/ielts-review-lab/mcp/server.js"],
      "env": { "IELTS_LAB_DATA": "/absolute/path/to/your/ielts-data" }
    }
  }
}

Claude Code:

claude mcp add ielts-review-lab -- node /absolute/path/to/ielts-review-lab/mcp/server.js

再把 skills/ielts-review/SKILL.md 放进宿主的技能目录(Claude Code 是 ~/.claude/skills/ielts-review/),模型就知道怎么带你复盘。

工具:

工具

作用

list_sets

已录过的题集,重做时复用

ingest_passage

录入原文、题目、答案册、你的答案(或一行速记)、听力反思;检查题号连续、标签合法、答案对得上,不合格退回

judge_set

唯一判对错的地方

submit_explanation

提交讲解;引用不在原文里、错因不在表里都会被退回

set_cause

你确认或改错因;之后模型讲解不会覆盖

weakness

错因分布 + 复发率

today / mark_reviewed

今天到期的错题(先不给答案)和重做结果

report

错题表、同义替换表、难词短语表(Markdown)

method

你的做题方法:查看、切换、保存自己改过的版本

用户没给原文或答案时,宿主模型可以按来源联网找,引擎会把它们标成“来自网络”,判题结果里提醒你核对答案册。

开发

npm run check

依次跑 lint、内核类型检查、单测(含 MCP 流程测试)、构建、插件导出一致性检查。端到端测试(无 key 跑通阅读、听力、写作路径):

npm run test:e2e

文档:

版权边界

仓库和任何服务端都不内置雅思官方或剑桥的真题、音频、文稿。你粘贴或拍照的材料只保存在你自己的设备上,原文默认不长期保存(错题库只留定位片段),可以一键删除。不做任何分享原文的功能。

许可

MIT。网页版的雅思模块最初写在 cshub 学习站里,这里拆出来独立维护。

Available Tools

10 tools
ingest_passageA

录入一篇阅读或一个听力 Part。最省事的给法:source + answer_sheet(答案册和用户答案写在一起,如 "1 FALSE NG 2 two weeks | two week 3 B ✓"),可再加 questions_text(整段题目)和 passage。用户没给原文/答案时,你可以按来源联网找,并把 passage_origin / key_origin 设为 web。也可以给结构化的 questions。可以只给 set_id 复用录过的同一篇。引擎检查题号连续、标签合法、答案对得上,有问题会退回。不判题。

Inputs: module (required), set_id, source, passage, +9 more.

judge_setB

按确定性规则判一整篇(字数、单复数、拼写、判断题标签体系)。对错只能由这里判,不要自己判。返回每题结果和规则能确定的错因。

Inputs: review_id (required).

list_setsB

列出已录过的题集(同一本书同一篇只录一次),重做时把 set_id 传给 ingest_passage,只填这次的答案。

Inputs: module.

mark_reviewedA

记录一道到期错题的重做结果:again(又错了)/ hard / good / easy,引擎据此排下一次复习日期。

Inputs: key (required), grade (required).

methodB

用户的做题方法(例如平行阅读法)。复盘前先读一遍,讲题时按他的方法说“下次在哪一步怎么做”。可以查看、设为当前、或保存用户改过的版本。

Inputs: action, method, module, method_id.

reportB

一篇阅读复盘的三张表(错题表、同义替换表、难词短语表),Markdown 格式,用户可以直接复制。讲解提交得越完整,表越全。

Inputs: review_id (required).

set_causeB

用户确认或修改一道错题的错因。用户的选择优先于模型建议,以后的模型讲解不会覆盖它。

Inputs: cause (required), number (required), review_id (required), reflection.

submit_explanationA

提交一道题的讲解。站在用户做题时的视角:题干在问什么 → 原文在哪、怎么从定位词找过去 → 原文句子怎么拆 → 用户为什么会那样答。引擎逐字校验定位句和同义替换的原文一侧,不在原文里就退回;同义替换要标替换机制和证据强度,证据不够时必须写 uncertainty,不许硬圆。讲解不能推翻答案册;错因必须从固定错因表里选。规则判定和用户确认的错因不会被覆盖。

Inputs: cause (required), number (required), review_id (required), confidence (required), +12 more.

todayB

今天最值得复练什么:按 1/3/7/14/30 天间隔到期的错题(重做时先只给题目和定位范围,不给答案),以及复发率最高的错因对应的专项练法。

Inputs: limit.

weaknessC

弱点画像:各错因数量、最常错题型,以及北极星指标“同类错误复发率”(某个错因第一次出现后,之后的复盘里再出现的比例)。按数据说话。

Inputs: module.

Tool Schema Changelog

Recent tool additions, removals, and schema changes observed during successful MCP inspections.

Loading tool schema changelog…

    TDQS

    B3.4/5.0

    Scored across 10 tools

    Disambiguation4/5

    Each tool targets a distinct stage of the ingest→judge→review→report workflow, so an agent can generally pick the right one. The closest pair is set_cause (confirming a wrong-answer cause) versus submit_explanation (writing an explanation), and weakness versus today (analytics vs. daily plan), which could occasionally be confused but descriptions clarify.

    Naming Consistency3/5

    Most tools follow a verb_noun pattern (ingest_passage, judge_set, submit_explanation, mark_reviewed, list_sets), but several are bare nouns (weakness, today, report, method). The split between action verbs and noun-styled tools is readable but not uniform.

    Tool Count5/5

    Ten tools is well within the ideal range and each maps to a real step in the study/review lifecycle. No obviously redundant or filler tools are present.

    Completeness4/5

    The surface covers ingestion, deterministic grading, cause tagging, explanation authoring, analytics, review scheduling, reporting, and method management—a near-complete lifecycle. Minor gaps exist, such as no delete/edit-set operation or a way to fetch a single set's full detail beyond list_sets, but these are workaroundable.

    Maintenance

    ActivityMaintained
    ResponsivenessNo recent community issues

    Related MCP Connectors

    Related MCP Servers

    • A
      license
      Not graded
      quality
      D
      maintenance
      Enables AI-assisted learning through structured courses with Socratic guidance, evaluating user answers against rubrics and managing learning progress locally.
      Apache 2.0
    • A
      license
      Not graded
      quality
      B
      maintenance
      Enables read-only mirroring of your vocabulary learning data into a local SQLite database and provides daily multiple-choice quiz sessions with explanations, mistake tracking, and generated daily reports.
      MIT
    • A
      license
      B
      quality
      B
      maintenance
      Enables MCP-compatible AI clients to act as a personal exam-prep tutor for Chinese postgraduate entrance exams, with a local knowledge base, spaced-repetition review scheduling, worksheet generation and delivery (print/PDF/HTML/text), and learning analytics—all with zero third-party dependencies and data staying local.
      14
      2
      MIT
    • A
      license
      Not graded
      quality
      B
      maintenance
      Enables automated agents and writers to check Norwegian and English prose before sending, returning concrete style findings, revision hints, and verdicts instead of authorship claims, with a no-judgment band, positive quality checks, a private local mode, and phrase-bank memory.
      MIT