Mcp Cornell Resume

MCP: Cornell Resume

会話のコンテキストからコーネル式の学習ノートと要約を自動生成する Model Context Protocol（MCP）サーバーです。RAG によるアクティブリコール問題の生成と Notion 連携に対応しています。

機能

このサーバーは会話のコンテキストからテキストを処理し、コンテキストに応じた要約を生成し、アクティブリコール問題（コンテキスト対応）を作成して、すべてを Notion に自動保存します。

• クライアントのチャット会話履歴からコーネル式ノートをリアルタイムに生成
• ベクトル類似度を利用した、コンテキスト対応のアクティブリコール問題生成
• 関連するノートを取得するための Pinecone によるセマンティック検索連携
• 適切なブロック形式で Notion データベースと自動同期
• OpenAI を活用したテキスト処理と問題生成

セットアップガイド

必要条件

• Python 3.13+
• uv
• OpenAI アカウント
• Pinecone アカウント

インストール

1. リポジトリをクローンする

git clone
cd mcp-cornell-resume

2. 依存関係をインストールする

# Create virtual environment
uv venv
source venv/bin/activate  # On Windows: venv\Scripts\activate

# Install required packages
uv pip sync docs/requirements.txt

3. 環境を設定する - プロジェクトのルートに .env ファイルを作成します。

OPENAI_API_KEY=your_openai_api_key
PINECONE_API_KEY=your_pinecone_api_key
PINECONE_INDEX_NAME=cornell-notes
NOTION_API_KEY=your_notion_api_key
NOTION_DATABASE_ID=your_database_id

4. Notion をセットアップする

• notion developers ページで Notion インテグレーションを作成します（適切な機能を設定します。最低限、「Read content」と「Update content」を選択してください）。
• API キーを取得します
• インテグレーションとページを共有します。
• ページのデータベースキーを取得します。ページのリンクにデータベースがあります。

5. Pinecone インデックスを設定する - 次の設定で Pinecone インデックスを作成します。

• 次元数：1536（OpenAI の埋め込み向け）
• インデックス名は .env の設定と一致させます

使い方

Claude Client Desktop またはその他の MCP 対応アプリケーションでの使用

MCP 設定 JSON ファイルに次の内容を追加します。

code ~/Library/Application\ Support/Claude/claude_desktop_config.json

{
  "mcpServers": {
    "resume_to_notion": {
      "command": "/Users/<USER></USER>/.local/bin/uv",
      "args": [
        "--directory",
        "/<PATH_TO_PROJECT/mcp-cornell-resume",
        "run",
        "main.py"
      ]
    }
  }
}

利用可能なツール

save_resume_to_notion

進行中のチャット会話全体を要約し、text として送信します。

パラメーター：

• text：クライアントのチャットウィンドウの要約を表すテキスト文字列。

戻り値：

• notion_page_id

仕組み

処理の流れ

1. 入力処理：MCP クライアントがチャット会話のテキストを save_resume_to_notion ツールに送信します
2. 埋め込みの生成：OpenAI が入力テキストの内容からベクトル埋め込みを作成します
3. コンテキストの取得：Pinecone が埋め込みを使って、意味的に類似する既存のノートを検索します
4. コーネル式要約の生成：OpenAI が次の情報を使って、構造化されたコーネル式の要約を生成します。
   • 元の会話の内容
   • コンテキスト認識のための Pinecone 内の関連ノート
5. ベクトルの保存：新しいノートとその埋め込みを Pinecone に保存し、今後のコンテキスト取得に利用します
6. Notion 連携：形式を整えたコーネル式の要約を Notion データベースに保存します
7. 応答：Notion のページ ID をクライアントに返します

視覚的なフロー図

開発

Model Context Protocol インスペクターを使用して、サーバーを試すことができます。

fastmcp dev main.py

制限事項と今後の改善

• LLM のコンテキストウィンドウの制限：MCP クライアントのコンテキストウィンドウには上限があります（通常、モデルに応じて 8k〜32k トークン）。
• チャットセッションが長すぎる場合、利用可能なコンテキストのみを要約すると、重要な情報が失われることがあります。
• 複数インテグレーションを使うワークフローのレイテンシ：インテグレーションを追加するたびにレイテンシが増加し、処理が遅くなるリスクも高まります。
• Notion と Pinecone の同期が複雑です。
• ノートにタグ付けする RAG 機能を作成します。

セキュリティに関する考慮事項

• API キーの管理：すべての API キーを .env に安全に保存します
• 入力の検証：すべての入力をサニタイズして検証します
• エラー処理：エラーに機密情報を含めません
• アクセス制御：Notion インテグレーションはワークスペースの権限に従います
• データのプライバシー：同意なしにチャット内容が恒久的に保存されることはありません

ライセンス

MIT License