Fslsm MCP Rag MCP Server安装配置 GitHub与使用方法

选型结论

Fslsm MCP Rag 属于文档知识类 MCP Server，公开资料标注 0 个工具，通过stdio 本地进程接入，适配 Claude，有可以直接复制的安装命令；接入前先确认权限范围。

分类

文档知识

传输方式

stdio

认证方式

无需认证

部署方式

公开资料未说明

安装与配置

安装命令

python experiments/exp1_agent_fidelity/run.py

客户端配置示例

{
  "mcpServers": {
    "fslsm-mcp-rag": {
      "command": "python",
      "args": [
        "experiments/exp1_agent_fidelity/run.py"
      ]
    }
  }
}

按公开安装命令拼出来的示例，字段名和参数以仓库 README 为准；带 YOUR_API_KEY 这类占位符的位置记得换成自己的值。

上手步骤

1
准备运行环境
stdio 服务在本地起进程，需要先装好 Python，再按安装命令拉取依赖。
2
安装服务
复制下面的安装命令执行；命令里带占位符的位置换成自己的密钥或路径。
3
写入客户端配置
在客户端的 MCP 配置里填启动命令和参数，保存后完全退出客户端再打开，让新配置生效。
4
验证是否可用
连接成功后客户端会列出 0 个工具，随便调一个只读工具确认能返回结果。

接入前确认

不要直接授予不必要的文件、网络或账号权限；先核对安装命令和配置内容。

详细介绍

FSLSM-RAG-MCP

基于《动手学深度学习》（D2L）语料库的FSLSM个性化辅导系统的论文实现。

该项目研究了Felder-Silveman学习风格模型（FSLSM）配置文件是否可以编码到合成的学生代理中，用于个性化RAG导师的反应，并通过MCP工具选择运行时进行操作。

项目

本论文由三个相互关联的实验组成：

实验	目的	主要结果
Exp1	验证FSLSM条件下的虚拟学生代理	强模型可靠地恢复分配的配置文件；最高PRA=1.000
Exp2	比较通用RAG(`R0`)与FSLSM个性化RAG相比(`R1`)	R1在保持相关性的同时提高了风格的一致性和参与度
Exp3	通过真正的MCP工具层运行FSLSM感知辅导	MCP运行时成功执行，并节省了大量提示令牌

总体而言，论文的主张并不是说学习风格是经过证明的人类特征。主张范围更窄：FSLSM可以用作合成代理、导师反应风格适应和工具选择/运行时分析的可控个性化信号。

实验1：虚拟学生代理保真度

Exp1测试基于LLM的虚拟学生代理在回答44项ILS问卷时是否能够一致地表达分配的FSLSM配置文件。

设置：

在四个二进制维度上有16个FSLSM轮廓： act_ref, sen_int, vis_ver, seq_glo
每个配置文件有5个代理实例，每个模型有80个FSLSM代理
每个代理进行3次ILS试验，每个模型提供240条FSLSM记录
每个模型5个无配置文件基线代理
15 API/通过LiteLLM/Ollama评估的本地模型

韵律学：

PRA：轮廓恢复精度；领带算作不匹配
DAS：尺寸对齐得分；连续对齐强度

总体结果：

评估了15个模型
8/15款车型通过PRA>=0.82目标
6/15个型号通过了DAS>=0.75的目标
6/15型号通过PRA>=0.82和DAS>=0.75
所有模型的平均PRA：0.773
所有型号的平均DAS：0.717
最佳型号： claude-sonnet-4-20250514 PRA 1.000/DAS 0.927， gemma3:12b PRA 1.000/DAS 0.882， gpt-4.1-mini PRA 0.996/DAS 0.924
1-2B参数附近的较小模型大多会崩溃到概率水平PRA约0.50

DAS的最佳结果：

模型	PRA	DAS
`claude-sonnet-4-20250514`	1.000	0.927
`gpt-4.1-mini`	0.996	0.924
`gemma3:12b`	1.000	0.882
`gemma2:9b`	0.948	0.837
`qwen2.5:7b`	0.956	0.785
`qwen2.5:3b`	0.890	0.752

运行：

python experiments/exp1_agent_fidelity/run.py
python experiments/exp1_agent_fidelity/run_baseline.py
python experiments/exp1_agent_fidelity/analyze.py
python experiments/exp1_agent_fidelity/visualize.py

主要文物：

results/exp1/metrics/
results/exp1/raw_responses/
experiments/exp1_agent_fidelity/report.ipynb
experiments/exp1_agent_fidelity/final_defense_report.ipynb

实验2:FSLSM导师个性化

实验2测试了与通用RAG基线相比，FSLSM条件性RAG是否改善了导师的反应。

设置：

R0：通用D2L接地RAG
R1：FSLSM使用ProfileAgent指令进行检索和生成的个性化RAG
80种合成学生制剂
72个D2L问题
总共11520个会话，5760个匹配的R0/R1对
导师模式： gpt-4.1-mini

管道：

ProfileAgent：将FSLSM向量转换为检索和生成指令
RetrievalAgent：使用RRF和多查询分解的混合BM25+FAISS检索
TutorAgent：生成基于D2L的导师反应和参与度评分

总体结果：

度量	R0均值	R1均值	结果
SCS	0.261	0.469	R1+79.6%，影响大
参与度	3.247	3.890	R1+19.8%，影响大
RR	3.788	3.785	无显著差异
CR@5	0.159	0.155	小负数
CR@10	0.269	0.254	小负数
ER	0.340	0.333	小负值

轨道B成对评估：

5760个有效的成对比较
R1获胜：5419
R0获胜：341
R1胜率：0.9408
95%置信区间：0.9344-0.9466

释义：

个性化主要改善了反应风格和感知参与度。
响应相关性得以保留。
检索召回率没有提高；FSLSM查询增强略微将检索从事实金块转移开。

运行：

python experiments/exp2_tutor_personalization/run_exp2.py --mode both
python experiments/exp2_tutor_personalization/evaluate_exp2.py
python experiments/exp2_tutor_personalization/pairwise_eval.py --full

主要文物：

experiments/exp2_tutor_personalization/results/exp2_results_summary.json
experiments/exp2_tutor_personalization/results/exp2_session_metrics.csv
experiments/exp2_tutor_personalization/results/pairwise/
experiments/exp2_tutor_personalization/report.ipynb

实验3:MCP运行时工具选择

Exp3测试辅导系统是否可以通过真正的MCP风格的工具运行时来操作。

设置：

真正的FastMCP支持的工具层
15个注册的MCP工具
Exp3-Core：60个问题工具平衡基准，15个工具x4个问题
16个标准FSLSM配置文件
三种运行条件：

- S0：提示所有工具模式的膨胀基线 - S1a：无条件RAG-MCP工具检索 - S1b：FSLSM条件下的RAG-MCP工具检索

主要指标：

Task-TSA：所选工具与任务最佳工具匹配
Profile-TSA：所选工具与配置文件条件目标匹配
PTS：与S0相比，快速节省代币
执行成功和延迟

Exp3核心总体结果：

条件	n	任务TSA	PTS	执行成功	平均延迟
S0	960	0.783	0.0%	1.000	983毫秒
S1a	960	0.833	93.5%	1.000	772毫秒
S1b	960	0.820	93.5%	1.000	802毫秒

释义：

Exp3最有力的声明是运行时的有效性和效率。
S1a 在TSA主要任务上最强。
S1b 并不能普遍改善任务工具的选择，但支持有限的配置文件条件分析，同时保持高提示令牌节省。

运行：

./venv/bin/python experiments/exp3_mcp_runtime/scripts/01_build_tool_index.py
./venv/bin/python experiments/exp3_mcp_runtime/scripts/02_verify_setup.py
./venv/bin/python experiments/exp3_mcp_runtime/scripts/11_full_run_core.py --run-id exp3_core_YYYYMMDD_HHMMSS --log-passive
./venv/bin/python experiments/exp3_mcp_runtime/scripts/07_compute_metrics.py --run-id exp3_core_YYYYMMDD_HHMMSS
./venv/bin/python experiments/exp3_mcp_runtime/scripts/08_generate_report.py --run-id exp3_core_YYYYMMDD_HHMMSS

主要文物：

experiments/exp3_mcp_runtime/data/
experiments/exp3_mcp_runtime/results/runs/
experiments/exp3_mcp_runtime/report.ipynb
experiments/exp3_mcp_runtime/final_defense_report.ipynb

演示Web应用程序

共享的Streamlit演示现在位于实验文件夹之外，因为它展示了所有三个实验。

运行：

./venv/bin/streamlit run demo/app.py

如果在repo venv之外使用纯Streamlit：

streamlit run demo/app.py

演示部分：

Overview：所有实验的论文故事
Exp1：汇总Exp1结果和数字
Exp1 Live：迷你/完整ILS实时检查和缓存工件浏览器
Exp2：聚合Exp2结果
Exp2 Live：实时R0/R1比较、配置文件计划、检索证据和成对判断
Exp3：聚合MCP运行时结果
Live Demo：实时Exp3 MCP工具选择会话
Replay Demo：重放存储的Exp3会话

环境注意事项：

API演示需要相关密钥，如 OPENAI_API_KEY.
Exp3网络搜索工具需要 TAVILY_API_KEY.
本地模型演示要求Ollama和所选模型在本地可用。
gemma3:12b 在此Mac上的Exp1 Live中故意禁用，因为它可以挂起本地运行时。

存储库映射

demo/                                      Shared Streamlit dashboard
src/                                       Core tutor, agent, retrieval, and evaluation code
data/                                      Profiles, questions, processed chunks, Exp2 data
results/                                  Shared result artifacts
experiments/exp1_agent_fidelity/           Exp1 scripts, notebooks, reports
experiments/exp2_tutor_personalization/    Exp2 runner, evaluator, pairwise judge
experiments/exp3_mcp_runtime/              Exp3 MCP runtime, tools, server, scripts
tests/                                     Regression and runtime tests

测试

python -m py_compile demo/service.py demo/app.py tests/test_exp3_mcp_runtime.py
pytest tests/test_exp3_mcp_runtime.py -q

工具与能力

工具数量

0

资源数量

0

提示词数量

0

能力标签

Jupyter Notebook本地部署个性化学习RAG辅导虚拟学生代理MCP工具选择教育技术

支持客户端

Claude

数量来自来源目录的标注，具体工具清单以官方文档为准。

典型使用场景

读长文档提问

把 PDF、Markdown 和笔记交给模型，按章节追问细节。

整理知识库

把零散资料归档、打标签，检索时更容易命中。

批量出摘要

提取要点，输出能直接引用的段落。

选择建议

值得选的地方

只提供 0 个工具，职责集中，接入后不容易误操作。
有现成的安装命令，不用自己找入口，照着跑就能起服务。
公开说明写得比较完整，接入前能看清能力边界。

先想清楚的地方

stdio 方式要求本地装好 Python，换机器要重新装一遍。
第三方目录整理，版本更新和行为细节以官方仓库为准。

更适合

需要在文档知识场景里让模型直接调用外部能力的人。
已经在用 Claude 的用户，接入路径最短。
想先快速试一下、能接受在本地跑服务的人。

不太适合

完全不想在本地装环境的人。
需要厂商级 SLA 和技术支持的生产环境。

MCP Server	传输方式	安装命令	收录来源	最后核验
Fslsm MCP Rag MCP World · 本页	stdio	有	1 个	2026-05-17
Cherry Studio MCP World	未说明	未标注	1 个	2026-05-17
Pdf Math Translate MCP World	stdio	有	1 个	2026-05-17
report generation MCP World	stdio	有	1 个	2026-05-17
Anything To Notebooklm MCP World	stdio	有	1 个	2026-05-17

常见问题

5 条

Fslsm MCP Rag 怎么安装？

公开资料给出的安装命令是 python experiments/exp1_agent_fidelity/run.py，运行环境为 Python。装完后按客户端要求写进 MCP 配置，重启客户端生效。

Fslsm MCP Rag 怎么在 Claude Desktop、Cursor 里配置？

它是stdio 本地进程，客户端配置里要写启动命令和参数，运行环境是 Python；保存后完全退出客户端再打开，配置才会生效。

Fslsm MCP Rag 收费吗？

本站只整理公开资料，不代收费用，也没有标注具体价格。是否收费取决于服务本身和背后的接口额度，正式使用前按官方说明确认。

Fslsm MCP Rag 需要 API Key 吗？

公开资料标注为无需认证，装好就能连；如果实际调用时报鉴权错误，按官方文档补上凭据。

Fslsm MCP Rag 支持哪些客户端？

公开资料标注支持 Claude；其他客户端只要能配置 MCP Server，也能用同样的命令或地址接入。

来源信息

MCP World

fslsm-mcp-rag

基于Felder-Silverman学习风格模型（FSLSM）的个性化RAG辅导系统，通过虚拟学生代理和MCP工具选择运行时实现个性化辅导响应。

www.mcpworld.com

/detail/1ad803b6ff91ed309eb0f00f6656eb65

参考链接

仓库入口

github.com

/Nyeinchanaung/fslsm-mcp-rag

来源标签

Jupyter Notebook本地部署个性化学习RAG辅导虚拟学生代理MCP工具选择教育技术

来源分类路径

Jupyter Notebook

继续浏览同类 MCP

更多文档知识 MCP（3,282）返回 MCP 目录

上一个 MCP

FreshRSS MCP Server

FreshRSS MCP Server是一个用于与FreshRSS实例交互的模型上下文协议服务器，提供文章、订阅源、文件夹和标签的管理功能。

下一个 MCP

Func Office Word MCP Server

使用Azure Functions和Python快速构建和部署自定义远程MCP服务器到云端，支持本地调试和云端部署，提供多种安全选项和工具。

选型结论

安装与配置

详细介绍

FSLSM-RAG-MCP

项目

实验1：虚拟学生代理保真度

实验2:FSLSM导师个性化

实验3:MCP运行时工具选择

演示Web应用程序

存储库映射

测试

工具与能力

典型使用场景

选择建议

同类对比

常见问题

Fslsm MCP Rag 怎么安装？

Fslsm MCP Rag 怎么在 Claude Desktop、Cursor 里配置？

Fslsm MCP Rag 收费吗？

Fslsm MCP Rag 需要 API Key 吗？

Fslsm MCP Rag 支持哪些客户端？

来源信息

继续浏览同类 MCP