MCP Educational Tutor

Tutor Educacional MCP

Um sistema experimental que transforma repositórios de documentação em conteúdo educacional interativo usando IA e o Model Context Protocol (MCP).

🌟 Visão Geral

Este projeto consiste em dois componentes principais:

1. 📚 Agente de Conteúdo de Cursos - Gera cursos de aprendizado estruturados a partir de repositórios de documentação
2. 🔧 Servidor Educacional MCP - Fornece acesso padronizado ao conteúdo dos cursos via protocolo MCP

🏗️ Arquitetura

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

O sistema processa documentação, cria conteúdo educacional e o expõe por meio de ferramentas padronizadas para aplicações de tutoria com IA.

📂 Estrutura do Projeto

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

🚀 Início Rápido

1. Instalar Dependências e Criar Ambiente Virtual

Este projeto usa uv para gerenciamento rápido de pacotes Python.

# Create a virtual environment
python -m uv venv

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

2. Gerar Cursos a partir da Documentação

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

Personalize para o Seu Repositório: Edite course_content_agent/test.py para alterar:

• URL do repositório (atualmente usa a documentação do MCP)
• Incluir/excluir pastas específicas
• Diretório de saída e configurações de cache

3. Iniciar o 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. Testar a Integração MCP

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

📖 Documentação Detalhada

Para informações abrangentes sobre cada componente:

• Agente de Conteúdo de Cursos: Consulte course_content_agent/about.md

  • Geração de cursos com IA
  • Assinaturas DSPy e multiprocessamento
  • Análise de documentos e criação de caminhos de aprendizado

• Servidor Educacional MCP: Consulte mcp_server/about.md

  • Implementação do protocolo MCP
  • Ferramentas de interação com cursos
  • Integração com assistentes de IA

🔌 Integração MCP com Cursor

Para usar o servidor MCP do tutor educacional com o Cursor, crie um arquivo .cursor/mcp.json na raiz do seu projeto:

{
    "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"
            }
        }
    }
}

Etapas de Configuração:

1. Crie um ambiente virtual: python -m uv venv
2. Instale as dependências: .venv/bin/uv pip install -e .
3. Atualize o caminho de command e o caminho em args para o diretório do seu projeto.
4. Reinicie o Cursor ou recarregue a janela.
5. Use @educational-tutor no chat do Cursor para acessar as ferramentas do curso.

🔧 Status do Desenvolvimento

Status Atual: ✅ MVP Funcional

• Geração de cursos a partir de repositórios de documentação
• Servidor MCP para acesso padronizado ao conteúdo
• Criação de cursos com múltiplos níveis de complexidade (iniciante/intermediário/avançado)

Melhorias Futuras:

• Suporte a diversas fontes de conteúdo (sites, vídeos)
• Sistemas avançados de busca e recomendação
• Integração com plataformas populares de IA

🛠️ Pilha Tecnológica

• Framework de IA: DSPy para orquestração de LLMs
• Processamento de Conteúdo: Multiprocessamento para desempenho
• Protocolo: Model Context Protocol (MCP) para padronização
• Modelos: Gemini 2.5 Flash para geração de conteúdo
• Dados: Modelos Pydantic para segurança de tipos

📄 Licença

Este projeto é experimental e destinado a fins educacionais e de pesquisa.