MCP Educational Tutor

Tutor Educativo

Un sistema experimental que transforma repositorios de documentación en contenido educativo interactivo utilizando IA y el Protocolo de Contexto de Modelos (MCP).

🌟 Descripción General

Este proyecto consta de dos componentes principales:

1. 📚 Agente de Contenido de Cursos - Genera cursos de aprendizaje estructurados a partir de repositorios de documentación
2. 🔧 Servidor Educativo MCP - Proporciona acceso estandarizado al contenido de los cursos mediante el protocolo MCP

🏗️ Arquitectura

Documentation Repository → Course Content Agent → Structured Courses → MCP Server → AI Tutors

El sistema procesa documentación, crea contenido educativo y lo expone a través de herramientas estandarizadas para aplicaciones de tutoría con IA.

📂 Estructura del Proyecto

tutor/
├── course_content_agent/    # AI-powered course generation from docs
│   ├── main.py             # CourseBuilder orchestration
│   ├── modules.py          # Core processing logic
│   ├── models.py           # Pydantic data models
│   ├── signatures.py       # DSPy LLM signatures
│   └── about.md           # 📖 Detailed documentation
├── mcp_server/             # MCP protocol server for course access
│   ├── main.py            # MCP server startup
│   ├── tools.py           # Course interaction tools
│   ├── course_management.py # Content processing
│   └── about.md           # 📖 Detailed documentation
├── course_output/          # Generated course content
├── nbs/                   # Jupyter notebooks for development
└── pyproject.toml         # Project configuration

🚀 Inicio Rápido

1. Instalar Dependencias y Crear Entorno Virtual

Este proyecto utiliza uv para una gestión rápida de paquetes de Python.

# Create a virtual environment
python -m uv venv

# Install dependencies in editable mode
.venv/bin/uv pip install -e .

2. Generar Cursos a partir de Documentación

# Generate courses from a repository
.venv/bin/uv run python course_content_agent/test.py

Personaliza para tu Repositorio: Edita course_content_agent/test.py para cambiar:

• URL del repositorio (actualmente utiliza la documentación de MCP)
• Incluir/excluir carpetas específicas
• Directorio de salida y configuración de caché

3. Iniciar el Servidor MCP

# Serve generated courses via MCP protocol
.venv/bin/uv run python -m mcp_server.main

# Or customize course directory
COURSE_DIR=your_course_output .venv/bin/uv run python -m mcp_server.main

4. Probar la Integración MCP

# Test server capabilities
.venv/bin/uv run python mcp_server/stdio_client.py

📖 Documentación Detallada

Para información completa sobre cada componente:

• Agente de Contenido de Cursos: Consulta course_content_agent/about.md

  • Generación de cursos impulsada por IA
  • Firmas DSPy y multiprocesamiento
  • Análisis de documentos y creación de rutas de aprendizaje

• Servidor Educativo MCP: Consulta mcp_server/about.md

  • Implementación del protocolo MCP
  • Herramientas de interacción con cursos
  • Integración con asistentes de IA

🔌 Integración MCP con Cursor

Para utilizar el servidor MCP del tutor educativo con Cursor, crea un archivo .cursor/mcp.json en la raíz de tu proyecto:

{
    "mcpServers": {
        "educational-tutor": {
            "command": "/path/to/tutor/project/.venv/bin/uv",
            "args": [
                "--directory",
                "/path/to/tutor/project",
                "run",
                "mcp_server/main.py"
            ],
            "env": {
                "COURSE_DIR": "/path/to/tutor/project/course_output"
            }
        }
    }
}

Pasos de Configuración:

1. Crea un entorno virtual: python -m uv venv
2. Instala las dependencias: .venv/bin/uv pip install -e .
3. Actualiza la ruta de command y la ruta en args al directorio de tu proyecto.
4. Reinicia Cursor o recarga la ventana.
5. Utiliza @educational-tutor en el chat de Cursor para acceder a las herramientas del curso.

🔧 Estado de Desarrollo

Estado Actual: ✅ MVP Funcional

• Generación de cursos a partir de repositorios de documentación
• Servidor MCP para acceso estandarizado al contenido
• Creación de cursos con múltiples niveles de complejidad (principiante/intermedio/avanzado)

Mejoras Futuras:

• Soporte para diversas fuentes de contenido (sitios web, videos)
• Sistemas avanzados de búsqueda y recomendación
• Integración con plataformas populares de IA

🛠️ Stack Tecnológico

• Framework de IA: DSPy para orquestación de LLM
• Procesamiento de Contenido: Multiprocesamiento para rendimiento
• Protocolo: Protocolo de Contexto de Modelos (MCP) para estandarización
• Modelos: Gemini 2.5 Flash para generación de contenido
• Datos: Modelos Pydantic para seguridad de tipos

📄 Licencia

Este proyecto es experimental y está destinado a fines educativos y de investigación.