检查点mcp
具有可视化和分析功能的知识评估MCP服务器
概述
MCP服务器，旨在通过知识评估跟踪和可视化多个主题的学习进度。该服务器提供数据跟踪和智能分析，以帮助识别知识差距并优化学习路径。
主要特点
- 知识评估：使用宽度（广度）和深度分数跟踪学习进度
- 进度可视化：生成图表，显示随时间推移的学习趋势
- 差距分析：识别知识差距并获得个性化建议
- 语音友好：针对具有简洁功能名称的语音交互进行了优化
核心概念
评估维度
每个主题都从两个维度进行评估：
- 宽度（宽度）：能够为一个问题提出多种有效的解决方案/方法
- 深度：能够解释一种方法的细节、实施和理论
两个维度的得分范围都在0.0到1.0之间。
示例评估
{
"topic": "gradient descent",
"answer": "Gradient descent minimizes loss by iteratively...",
"width_score": 0.6,
"width_explanation": "Covered SGD, momentum, and Adam",
"depth_score": 0.7,
"depth_explanation": "Detailed math and convergence discussion"
}可用工具
1. get_progress()
在一次通话中获取所有主题的整体学习进度。
退货：JSON数组，包含每个主题的最新得分、趋势和评估计数。
用例：所有学习进度的快速仪表板视图。
2. get_history(topic)
获取单个主题的按时间顺序排列的评估历史记录。
参数:
topic：主题名称（例如“梯度下降”）
退货：按时间顺序排列的所有评估，包括分数和解释。
用例：回顾理解是如何随着时间的推移而演变的。
3. save_evaluation(topic, answer, width_score, width_explanation, depth_score, depth_explanation)
保存新评估并与之前的评估进行比较。
参数:
topic：正在评估的主题answer：用户的答案文本width_score：广度得分（0.0-1.0）width_explanation：宽度评估说明depth_score：深度得分（0.0-1.0）depth_explanation：深度评估说明
退货：JSON，带有分数差异和嵌套在“先前”键下的先前评估数据。
用例：记录评估结果，并查看上次的改进情况。
4. plot_topic(topic) ✨ 新
生成显示宽度和深度分数随时间变化的折线图。
参数:
topic：要可视化的主题
退货：图像+统计数据，包括趋势和评估计数。
用例：特定主题学习进度的视觉表示。
5. plot_all() ✨ 新
生成比较所有评估主题的摘要可视化。
退货：两个子图图像：
- 比较主题的水平条形图
- 显示宽度与深度关系的散点图
用例：全面了解所有主题的学习进展。
6. analyze_gaps(topics) ✨ 新
分析评估解释，找出知识差距并提供建议。
参数:
topics：要分析的可选主题列表（默认为全部）
退货：详细分析包括：
- 按严重程度排序的知识差距
- 批评中的常见模式
- 缺少概念
- 优先建议
- 跨主题见解
用例：获得关于下一步研究内容的可操作见解。
工作流程
典型学习环节
- 开始：使用
get_progress()查看当前状态 - 学习：了解一个主题
- 评估：与法学硕士讨论，然后致电
save_evaluation()记录结果 - 可视化：使用
plot_topic()查看进度图 - 分析：使用
analyze_gaps()获取推荐
语音交互示例
User: "Show me my progress"
LLM: [Calls get_progress()]
User: "Let's discuss gradient descent"
[Discussion happens...]
User: "Evaluate my understanding"
LLM: [Calls save_evaluation() with scores and explanations]
User: "Show me a chart of my progress"
LLM: [Calls plot_topic("gradient descent")]
User: "What should I focus on next?"
LLM: [Calls analyze_gaps()]安装
本地开发
git clone https://github.com/format37/checkpoint-mcp.git
cd checkpoint-mcp
./compose.local.sh生产部署
./compose.prod.sh注：生产部署需要 .env.production 配置。
数据存储
- 评估结果以CSV文件存储在
/app/data/{topic}.csv - 在中保存为PNG的可视化效果
/app/data/plots/ - 每个CSV包含：时间戳、答案、分数和解释
话题
看 backend/topics.py 查看可用主题的完整列表。