knowledge-graph-mcp

知识图谱 MCP 服务

用于通过知识图谱跟踪学生学习情况的 MCP（Model Context Protocol）服务。该服务基于 FastMCP 构建，可帮助大模型构建、查询和更新个性化知识图谱，并安排间隔重复学习。

功能

• 知识图谱存储：基于 SQLite 的图谱，以概念为节点、以关系为边
• 多维度掌握情况跟踪：分别跟踪回忆、应用和解释能力
• 间隔重复（SM-2）：根据学习表现自动安排复习
• 错误认知跟踪：记录并查询常见错误认知，以便进行针对性纠正
• 智能查询：查找知识盲点、可学习概念和薄弱领域
• Mermaid 可视化：生成知识图谱的可视化图表

安装

选项 1：从 Smithery 安装（推荐）

通过 Smithery 直接安装：

npx @smithery/cli install @zcsabbagh/knowledge-graph-mcp --client claude

也可以使用托管版本：https://smithery.ai/server/@zcsabbagh/knowledge-graph-mcp

选项 2：从源代码安装

前置条件：Python 3.10+

git clone https://github.com/zcsabbagh/knowledge-graph-mcp.git
cd knowledge-graph-mcp
pip install -e .

使用方法

运行服务

# From the project root
python -m knowledge_graph_mcp.server

配置 Claude Code

添加到 Claude Code MCP 设置（~/.claude/settings.json）：

{
  "mcpServers": {
    "knowledge-graph": {
      "command": "python",
      "args": ["-m", "knowledge_graph_mcp.server"],
      "cwd": "/path/to/knowledge-graph-mcp"
    }
  }
}

配置 Claude Desktop

添加到 ~/Library/Application Support/Claude/claude_desktop_config.json：

{
  "mcpServers": {
    "knowledge-graph": {
      "command": "python",
      "args": ["-m", "knowledge_graph_mcp.server"],
      "cwd": "/path/to/knowledge-graph-mcp"
    }
  }
}

MCP 工具

1. add_node

创建新的概念节点。

add_node(
  concept="Quadratic Formula",
  description="Formula for solving ax² + bx + c = 0",
  domain="mathematics",
  difficulty=0.7,
  tags=["algebra", "formulas"]
)

2. add_edge

在概念之间创建关系。

关系类型：

• prerequisite - 必须先学习源概念，再学习目标概念
• builds_on - 目标概念扩展源概念
• related_to - 概念之间存在关联
• contradicts - 常见错误认知
• applies_to - 应用领域
• parent_of - 类别层级关系

add_edge(
  source_concept="Algebra",
  target_concept="Quadratic Formula",
  relation_type="prerequisite"
)

3. update_node

更新掌握情况并记录复习。提供 quality 评分（0-5）会触发间隔重复安排。

update_node(
  node_id="quadratic_formula",
  quality=4,  # SM-2 rating: 0=blackout, 5=perfect
  mastery_application=0.6,
  misconception_detected="forgets ± sign"
)

4. query_graph

通过智能查询获取学习洞察。

查询类型：

• prerequisites - 某个概念的所有前置条件
• ready_to_learn - 前置条件已掌握的概念
• due_for_review - 根据计划需要复习的概念
• struggling - 难度较高且掌握程度较低的概念
• stalled - 已复习多次但没有进步的概念
• misconceptions - 检测到存在错误认知的概念
• knowledge_gaps - 掌握程度较低且阻碍进度的概念
• next_recommended - 下一步最适合学习的概念

query_graph(query_type="next_recommended", domain="mathematics")

5. read_subgraph

获取某个概念周围的邻域，并生成 Mermaid 可视化图表。

read_subgraph(
  center_node="calculus",
  depth=2,
  direction="upstream",  # or "downstream", "both"
  output_format="both"   # "json", "mermaid", or "both"
)

6. get_learning_path

获取目标概念的有序前置条件。

get_learning_path(target_concept="calculus")

7. get_statistics

获取学习进度指标。

get_statistics(domain="mathematics")

工作原理

数据模型

节点表示概念，包含：

• 掌握程度（总体、回忆、应用、解释）
• 间隔重复数据（难度因子、间隔、下次复习日期）
• 难度评分和复习历史
• 标签和检测到的错误认知

边表示关系，包含：

• 关系类型（prerequisite、builds_on 等）
• 强度／置信度评分
• 可选的推理说明

间隔重复（SM-2）

使用 quality 评分调用 update_node 时：

• 5：完美作答 → 延长间隔
• 4：回答正确，但有所犹豫
• 3：回答正确，但有一定难度
• 2-0：回答错误 → 重置间隔

该算法会根据学习表现历史计算下次最合适的复习日期。

掌握程度计算

总体掌握程度综合各维度的分数：

mastery_level = 0.3 × recall + 0.4 × application + 0.3 × explanation

存储

默认情况下，数据存储在 SQLite 数据库 ~/.knowledge_graph/knowledge.db 中。

示例工作流

1. LLM discovers student doesn't know "quadratic formula"
   → add_node(concept="Quadratic Formula", difficulty=0.7)

2. LLM identifies prerequisites
   → add_edge("Algebra", "Quadratic Formula", "prerequisite")

3. Student attempts problem, struggles
   → update_node("quadratic_formula", quality=2,
                 misconception_detected="confuses ± with +")

4. LLM decides what to teach next
   → query_graph("next_recommended")

5. Visualize the learning path
   → get_learning_path("quadratic_formula")

许可证

MIT