Study Sync

研究同步

StudySync是AI原生学术基础设施层——一个强大的MCP服务器，使Claude、GPT和Cursor等代理能够自主地与您的学术世界进行交互。

它连接Canvas、谷歌日历和谷歌云端硬盘，将零散的课程数据转化为一个单一的智能上下文层。\ 从编写学习指南到将截止日期同步到Drive，StudySync将您的代理转变为真正的学术助理，可以实时获取、总结和行动。

______________________________________________________________________

概述

StudySync使您的代理和学术工具之间能够无缝协作。\ 它不仅可以获取任务，还可以理解它们的上下文，组织它们，并代表您行事，比如生成文档、将它们同步到Drive或安排提醒。

它专为多功能性、效率和清晰度而设计：

• 一个统一多个数据源的系统。
• 一个界面，用于所有课程、日历和文件。
• 一个知道何时使用哪个功能的代理——即时。

______________________________________________________________________

主要功能和使用案例

核心功能

• Canvas集成 –通过专门的服务功能准确检索课程、作业和成绩。
• 谷歌日历同步 –根据任务截止日期自动生成事件。
• Google Drive编写器 –将任何文件类型（文档、表格、幻灯片、PDF和Markdown摘要）直接写入Drive。
• 上下文引擎 -有效地聚合和汇总多个数据源，以进行自然语言交互。
• 故障快速指令逻辑 -如果访问或数据丢失，它会提前停止，而不是产生幻觉或浪费代币。
• 优化数据获取 –确切地知道要查询什么，最大限度地减少噪音和成本。

______________________________________________________________________

用例

• AI研究助理： “为我本周所有到期作业制定一份学习指南。”
• 学术规划师： “将下周的所有截止日期添加到我的谷歌日历中。”
• 知识合成器： “总结一下我的CSCE 312和PHYS 218课程的内容。”
• 文档生成器： “用我学期的所有作业元数据写一个谷歌文档。”
• 智能上下文提供程序： “获取我的成绩、截止日期和活动，并将其作为状态报告写入Drive。”

StudySync智能地适应——它根据您的提示决定是查询一门课程、多门课程还是所有作业，动态调用正确的辅助函数。

______________________________________________________________________

建筑

______________________________________________________________________

设计效率

StudySync是围绕快速、令牌高效的推理而设计的：

• 每个API调用都通过专用的帮助器函数（例如。， mcp_list_courses, mcp_find_assignments, mcp_grade_snapshot)预过滤和标准化数据。
• MCP服务器调用层（在 mcp_server.py)抽象掉所有的复杂性——代理接收干净、结构化的JSON。
• 当API访问丢失时，每个服务都会提前中断，从而防止递归调用或代理幻觉。
• 这大大减少了令牌的使用，使代理的工作流具有确定性、可预测性和成本效益。

______________________________________________________________________

独特的数据源

StudySync集成了多个学术API和数据表面：

您的AI代理可以查询、汇总和导出每个数据源，使其能够自主生成有意义的输出。

______________________________________________________________________

辅助功能（发动机罩下）

内部 services.py，StudySync包括数十个内部实用程序函数，用于解析和清理外部API中的数据。\ 这些处理：

• 分页和API响应规范化。
• 错误安全日期解析和筛选。
• 合并重复的课程条目或逾期项目。

所有这些复杂性都隐藏在代理之外——它只与通过以下方式公开的清晰原子函数交互 mcp_server.py.

例子：

@app.tool
def list_assignments(course_id: int, due_within_days: int = 7):
    \"\"\"Return assignments for a SINGLE course id due in the next N days.\"\"\"
    return mcp_list_assignments(course_id, due_within_days)

最终的MCP接口是最小的——可读、高效和一致。

______________________________________________________________________

提示示例

______________________________________________________________________

快速入门TL；博士

1.安装并运行StudySync

先决条件

• Python 3.10+
• Next.js 16.0.1+
• Canvas、Google Calendar和Google Drive的API密钥

2.启动您的AI代理和MCP服务器

在您的终端中，从项目的根目录运行这些命令。

cd backend
python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

确保后端文件夹中有.env文件。它的结构应该是这样的：

环境变量

|变量|描述|示例| |-----------|-------------|----------| | CANVAS_BASE |Canvas LMS基本URL（您所在机构的Canvas域）| https://unt.instructure.com | | CANVAS_TOKEN |Canvas API访问令牌（根据 *账户→ 设置→ 新访问令牌*) | 9082~abc123xyz... | | OPENAI_API_KEY |用于语言模型编排的OpenAI API键| sk-abc123... | | OPENAI_MODEL |用于完井的型号名称| gpt-5 | | GCAL_CREDENTIALS_PATH |谷歌OAuth凭据的路径（来自谷歌云控制台）| ./credentials.json | | GCAL_TOKEN_PATH |用户生成的Google OAuth令牌的路径| ./token.json | | GCAL_CALENDAR_ID |要使用的Google日历ID（默认值： primary) | primary |

现在，您应该能够通过运行以下命令启动MCP服务器和代理

python runner.py

______________________________________________________________________

注意：要使此服务器工作，端口8000应打开

3.启动Next.js前端

在项目的根目录中，只需运行

npm run dev

注意：为了使这个前端工作，端口3000应该是打开的。

______________________________________________________________________

4.探索命令

______________________________________________________________________

输出示例

______________________________________________________________________

联系

联系sriramsattiraju07@gmail.com如果你有什么建议！