tutor-mcp とは何ですか？

Claude・ChatGPT・Gemini など MCP（Model Context Protocol）対応の AI クライアントを、知的学習支援システム（ITS）に変える Go 製の OSS です（MIT・開発者 Arnaud Guiovanna）。主題と目標（会話スペイン語からバックエンド開発まで）を決めると、AI がその主題を概念・前提・目標のスキルグラフに写し、診断・個別レッスン・演習・復習を回します。肝は『生成する教師・決定論的な教え方』で、AI が教材を作り説明する一方、進度は永続的で監査可能なエンジン（習得度推定の BKT、間隔反復の FSRS、前提ルール、ルーブリック評価）が決めます。star は 67・ステータスは alpha（2026-11-02 時点・v0.7.3）です。

ChatGPTに『家庭教師して』と頼むのと何が違いますか？

一番の違いは『続く学習が設計される』ことです。生の LLM に頼むと、毎回ゼロから始まり習得度を覚えておらず、頼めば先に進めてしまい（飛び級）、復習のタイミングは自己管理で、『できた気』で終わりがちです。tutor-mcp は、習得度を BKT で推定して閾値（デモでは 0.85）に満たなければ先の課題を出さず、FSRS で復習日を提示し、合否をルーブリックの証拠で記録します。narrative memory が会話をまたいで文脈を保つので、別の日・別のクライアントでも続きから学べます。アルゴリズムはマーケ上の主張ではなく、リポジトリの algorithms/（bkt.go・fsrs.go・irt.go・kst.go）に実装されています。

どう使いますか？データはどこに置けますか？

MCP クライアント（Claude Code/Desktop・ChatGPT・Gemini CLI・Le Chat・Hermes・Pi など）から、ローカルは stdio、リモートは HTTPS/OAuth で接続します。データの置き場所は3プロファイルから選べます。Local は『1バイナリ + –local』で MCP クライアントが起動し、履歴は手元の SQLite に入ります（アカウントやサーバ不要）。Hobby は個人 VPS に SQLite + HTTPS プロキシ。Institution は PostgreSQL でメンバー管理・プログラム共有・貢献のレビューができ、Windows デスクトップクライアント『Tutor ACP』から運用します。どのプロファイルでも学習エンジンは同じです。

注意点はありますか？

3点あります。(1) ステータスが alpha で、star 67 の新しいプロジェクトです。仕様やコマンドは変わりうるので、版を固定して追うのが無難です。(2) 教材の生成は使う LLM 次第で、エンジンは進度を律しますが内容の正しさそのものを保証はしません。生成された説明は鵜呑みにせず確かめる前提で使うのが安全です。(3) AI が作ったスキルグラフ（前提や目標）を土台に進むため、グラフの妥当性は自分でも点検したいところです。学習データは自分の選んだ場所（ローカル/VPS/組織）に置けるので、機微な内容は Local プロファイルで手元に留めるのが堅実です。

AI AGENTAIエージェント

tutor-mcpとは｜どのLLMも知的学習支援システムにするMCPサーバをデモで確認

What tutor-mcp is: an open-source MCP server that turns any LLM into an intelligent tutoring system

2026.11.02更新 2026.11.02 約8分で読めます執筆: AI Heartland 編集部

tutor-mcpとは｜どのLLMも知的学習支援システムにするMCPサーバをデモで確認

WHY READ

tutor-mcpは、MCP対応のどのLLMも知的学習支援システムに変えるGo製OSS。AIが教材を生成し、BKT(習得度)とFSRS(間隔反復)の決定論エンジンが進度を決める。生の家庭教師プロンプトとの違いとalpha段階の注意を整理する。

tutor-mcp は、Claude・ChatGPT・Gemini など MCP 対応のどの AI クライアントも、知的学習支援システム（ITS）に変える Go 製の OSS だ。主題と目標を決めると、AI がそれをスキルグラフに写し、診断・個別レッスン・演習・復習までを回す。設計の肝は「生成する教師・決定論的な教え方」——教材を作り説明するのは AI、進度を決めるのは監査可能なエンジン（習得度の BKT、間隔反復の FSRS など）という分担だ。MIT・star 67・alpha（v0.7.3）。まずは公式デモを見てほしい。

tutor-mcp の公式デモ。Claude Code 上で、学習者が目標を述べ、生成されたカリキュラムと前提を確認し、凍結したルーブリックで採点された誤答を受け、学習者メモリに書き出す要約でセッションを閉じる様子 — 公式デモ（出典: ArnaudGuiovanna/tutor-mcp・MIT）。Claude Code 上で stdio ローカル接続の実セッション

30秒でわかるtutor-mcp（v0.7.3・2026-11-02確認）

・MCP対応のどのLLMも知的学習支援システム（ITS）に変えるGo製OSS（MIT・開発者 Arnaud Guiovanna）。
・生成はAI、進度はエンジン。BKTで習得度を推定し閾値未満なら先へ進ませず、FSRSで復習日を出す。
・Local / Hobby / Institution の3プロファイル。データはローカルSQLite〜組織のPostgreSQLから選べる。
・alpha・star 67。教材の質は使うモデル次第で、内容は確かめる前提。版を固定して追うのが無難。

MCP そのものの仕組みはMCPサーバーの作り方2026年完全ガイド：TypeScript・Python両対応チュートリアルに、全体像はMCPの仕組み｜リクエストの流れ・3つの機能・仕様改訂にまとめている。本記事はその応用として、「AI に“ちゃんと”教わる」ための1本を見る。

tutor-mcp とは：生成はAI、進度はエンジンが決める

生の LLM に「家庭教師して」と頼む弱点は、はっきりしている。毎回ゼロから始まり、あなたの習得度を覚えておらず、頼めばどんどん先へ進めてしまい、復習のタイミングは自己管理——結局「分かった気」で終わりやすい。tutor-mcp は、ここを学習科学の定石で律する。

HOW IT WORKS生成する教師・決定論的な教え方

AIが作り、エンジンが進度を決める

主題と目標を決める
『会話スペイン語』から『バックエンド』まで。AIが主題を概念・前提・目標のスキルグラフに写し、Tutorが検証・バージョン管理する
診断して個別化
出発点を診断し、個別のレッスンと演習を出す。弱点は復習に回す。narrative memory が会話をまたいで文脈を持つ
習得度を推定（BKT）
ベイジアン知識トレースで習得度を推定。閾値(例0.85)に満たなければ先の課題を出さない＝飛び級させない
復習日を決める（FSRS）
間隔反復FSRSで復習日を算出。評価はルーブリックの証拠で記録し、断定でなく実証で進む

出典: ArnaudGuiovanna/tutor-mcp README・algorithms(bkt.go/fsrs.go/irt.go/kst.go)（2026-11-02・v0.7.3 確認）

流れはこうだ。主題と目標を決めると、AI がそれを概念・前提・目標のスキルグラフに写し、Tutor がそれを検証してバージョン管理する。出発点を診断し、個別のレッスンと演習を出し、弱点は復習に回す。ここで効くのが決定論エンジンだ。習得度はBKT（ベイジアン知識トレース）で推定し、閾値（デモでは 0.85）に満たなければ先の課題を出さない＝飛び級させない。復習日はFSRS（間隔反復）で決め、合否は凍結したルーブリックの証拠で記録する。「できたと言い張る」のではなく「実証して進む」わけだ。narrative memory が会話をまたいで文脈を保つので、別の日でも続きから学べる。

重要なのは、これがマーケティング上の主張ではないことだ。これらのアルゴリズムはリポジトリの algorithms/ に実装されている（bkt.go・fsrs.go・irt.go＝項目反応理論・kst.go＝知識空間理論・thresholds.go）。生成の自由さと、進度の厳密さを分けたのが、この道具の設計思想だ。

生のLLMと何が違うか：BKTとFSRSの役割

背骨になっている2つのアルゴリズムを、かみ砕いておく。

RAW LLM VS TUTOR直接LLMに教わるのと何が違うか

その場の説明か、続く学習の設計か

LLMに直接『教えて』

tutor-mcp 経由

LLMに直接『教えて』: 毎回ゼロから。習得度を覚えていない

tutor-mcp 経由: 習得度(BKT)と履歴を持ち越す

LLMに直接『教えて』: 頼めば先に進めてしまう(飛び級)

tutor-mcp 経由: 閾値未満なら先の課題を出さない

LLMに直接『教えて』: 復習のタイミングは自己管理

tutor-mcp 経由: 間隔反復(FSRS)で復習日を提示

LLMに直接『教えて』: できた『気』で終わりがち

tutor-mcp 経由: ルーブリックの証拠で実証して記録

出典: README の設計説明（2026-11-02 確認）。alpha 段階。生成の質は使うモデルに依存する

BKT（ベイジアン知識トレース）は、正答・誤答の履歴から「この概念を本当に身につけている確率」を更新し続ける手法だ。一度正解しただけでは確率は閾値に届かず、まぐれ当たりや取りこぼしも確率として織り込む。だから tutor-mcp は「2回連続で正解」ではなく「習得している確率が 0.85 を超えた」で先へ進ませる。FSRS（間隔反復）は、人の忘却曲線に合わせて「次にいつ復習すべきか」を算出するアルゴリズムで、Anki などでも使われる考え方だ。覚えたてのものは短い間隔で、定着したものは長い間隔で出すことで、最小の反復で記憶を保つ。この2つが、「生成AIが作った教材」を「続く学習」に変える要になっている。

冒頭のデモ（Claude Code 上の実セッション）は、この仕組みを具体的に見せている。README の説明によれば、学習者が「Go のバックエンド開発」を目標に挙げると、Tutor は主題を18 概念のスキルグラフに写し、学習者の Python の素養から何が転用できるかを診断する。そのうえで、習得度の推定がルーティング閾値 0.85 に対して 0.33 にとどまるため、Feynman（自分の言葉で説明させる）や転用の問いをまだ出さずに断る。練習を2回こなして推定が閾値を超えると、今度は未見のデバッグ場面で転用の問いを出し、結果を「できたと主張させる」のではなく凍結したルーブリックに照らして記録する。「分かったつもり」を機械的に塞いでいく様子が、そのまま映っている。

向くのは、独学で体系立てて積み上げたい人、語学や資格を継続的に進めたい人、そして研修プログラムを設計・共有したい組織だ。逆に、今すぐ一問だけ答えが欲しいだけなら、生の LLM に直接聞けば十分で、この道具の出番ではない。学習を「設計して続ける」ことに価値を感じるかどうかが分かれ目になる。

どのクライアントで、どこにデータを置くか

tutor-mcp は MCP サーバなので、MCP 対応のクライアントから使う。README によれば Claude Code・Claude Desktop・ChatGPT・Gemini CLI・Le Chat・Hermes・Pi などに対応し、ローカルは stdio、リモートは HTTPS/OAuth で接続する。同じ Tutor インストールに繋げば、クライアントを替えても学習履歴は共有される。

データの置き場所は3つのプロファイルから選べる。

プロファイル	向き	構成
Local	自分の PC で学ぶ	1バイナリ + `--local`。MCP クライアントが起動し、SQLite に履歴。アカウント・サーバ不要
Hobby	個人VPS・小グループ	`--profile hobby`、SQLite + HTTPS プロキシ。SSH で招待、ユーザー名/パスワードでログイン
Institution	学習コミュニティ・研修組織	`--profile institution`、公開鍵ID・PostgreSQL・API/worker/migrator を分離。共有カタログと貢献レビュー

いちばん手軽なのは Local だ。MCP クライアントの設定でサーバとして登録すると、クライアントがバイナリを起動してくれる。

# ソースから（Go が要る）。リリースのバイナリでも可。詳細は docs/installation.md
git clone https://github.com/ArnaudGuiovanna/tutor-mcp
cd tutor-mcp && go build -o tutor-mcp .

# ローカル実行（履歴は手元の SQLite）。通常は下のMCP設定からクライアントが起動する
./tutor-mcp --local

MCP クライアント（例：Claude Desktop）には、stdio のサーバとして次のように登録する（パスは自分の環境に合わせる）。

{
  "mcpServers": {
    "tutor": { "command": "/path/to/tutor-mcp", "args": ["--local"] }
  }
}

組織で使うなら、Windows デスクトップクライアント Tutor ACP がある。メンバーは共有カタログからプログラムを見つけ、自分のペースで学び、会話と進捗に戻れる。オーナーはメンバーとアクセスを管理し、著者や認可されたトレーナーが同じアプリからプログラムを保守する。クライアントは仏/英の2言語とライト/ダーク/システムのテーマに対応し、学習の証拠を扱う仕組み（バッジや修了。リポジトリの auth/badges.go・certification/）も含まれる。公開したプログラムは、明示的な移行があるまで登録済み学習者向けに版を保つため、途中でカリキュラムが足元から変わる心配が小さいのも、組織運用では効く点だ。

# 組織向けサーバ（PostgreSQL・ロール分離）。詳細は docs/installation.md の institutional-deployment
./tutor-mcp --profile institution

使う前に押さえる点

・ステータスは alpha・star 67：新しいプロジェクトで、仕様やコマンドは変わりうる。版を固定して追うのが無難
・生成の質はモデル次第：エンジンは進度を律するが、教材の内容そのものの正しさは保証しない。説明は確かめる前提で使う
・スキルグラフは AI が作る：前提や目標の妥当性は自分でも点検したい。おかしなグラフの上に積み上げない
・データの置き場所を選べる：機微な学習内容は Local プロファイルで手元の SQLite に留めるのが堅実。VPS/組織は HTTPS/認証の設計を確認
・MCP 権限に注意：クライアント側で Tutor に与えるツール権限は、会話や再起動をまたいで記憶させられる。付与範囲を把握しておく
・学習エンジンは共通：どのプロファイル・どのクライアントでも同じエンジン。まず Local で自分の学習に効くか試すのが早い

総括。 tutor-mcp の面白さは、「AI に教わる」をその場の説明から、続く学習の設計へ引き上げた点だ。生成の自由さは AI に任せ、進度は BKT と FSRS という枯れた学習科学の手法で律する——この分担が、生の家庭教師プロンプトとの決定的な違いになる。alpha で小さなプロジェクトだが、アルゴリズムは実装済みで、データは手元に置ける。独学を「分かった気」で終わらせたくない人は、MCP クライアントに Local で挿して、自分のテーマで一度回してみる価値がある。

参照ソース

ArnaudGuiovanna/tutor-mcp（公式リポジトリ） — README・algorithms/（bkt/fsrs/irt/kst）・assessment/・mcp_http.go を 2026-11-02 に確認（v0.7.3・MIT）
tutor-mcp リリース（v0.7.3・Tutor ACP 0.0.4 の配布）（版とデスクトップクライアントの入手）
Model Context Protocol 公式（MCP の仕様。tutor-mcp が載る土台）
MCPサーバーの作り方2026年完全ガイド（当サイト）／ MCPとは？MCPサーバーの仕組みを図解（当サイト） — MCP の基礎

GitHub で見る

FAQよくある質問

tutor-mcp とは何ですか？: Claude・ChatGPT・Gemini など MCP（Model Context Protocol）対応の AI クライアントを、知的学習支援システム（ITS）に変える Go 製の OSS です（MIT・開発者 Arnaud Guiovanna）。主題と目標（会話スペイン語からバックエンド開発まで）を決めると、AI がその主題を概念・前提・目標のスキルグラフに写し、診断・個別レッスン・演習・復習を回します。肝は『生成する教師・決定論的な教え方』で、AI が教材を作り説明する一方、進度は永続的で監査可能なエンジン（習得度推定の BKT、間隔反復の FSRS、前提ルール、ルーブリック評価）が決めます。star は 67・ステータスは alpha（2026-11-02 時点・v0.7.3）です。
ChatGPTに『家庭教師して』と頼むのと何が違いますか？: 一番の違いは『続く学習が設計される』ことです。生の LLM に頼むと、毎回ゼロから始まり習得度を覚えておらず、頼めば先に進めてしまい（飛び級）、復習のタイミングは自己管理で、『できた気』で終わりがちです。tutor-mcp は、習得度を BKT で推定して閾値（デモでは 0.85）に満たなければ先の課題を出さず、FSRS で復習日を提示し、合否をルーブリックの証拠で記録します。narrative memory が会話をまたいで文脈を保つので、別の日・別のクライアントでも続きから学べます。アルゴリズムはマーケ上の主張ではなく、リポジトリの algorithms/（bkt.go・fsrs.go・irt.go・kst.go）に実装されています。
どう使いますか？データはどこに置けますか？: MCP クライアント（Claude Code/Desktop・ChatGPT・Gemini CLI・Le Chat・Hermes・Pi など）から、ローカルは stdio、リモートは HTTPS/OAuth で接続します。データの置き場所は3プロファイルから選べます。Local は『1バイナリ + –local』で MCP クライアントが起動し、履歴は手元の SQLite に入ります（アカウントやサーバ不要）。Hobby は個人 VPS に SQLite + HTTPS プロキシ。Institution は PostgreSQL でメンバー管理・プログラム共有・貢献のレビューができ、Windows デスクトップクライアント『Tutor ACP』から運用します。どのプロファイルでも学習エンジンは同じです。
注意点はありますか？: 3点あります。(1) ステータスが alpha で、star 67 の新しいプロジェクトです。仕様やコマンドは変わりうるので、版を固定して追うのが無難です。(2) 教材の生成は使う LLM 次第で、エンジンは進度を律しますが内容の正しさそのものを保証はしません。生成された説明は鵜呑みにせず確かめる前提で使うのが安全です。(3) AI が作ったスキルグラフ（前提や目標）を土台に進むため、グラフの妥当性は自分でも点検したいところです。学習データは自分の選んだ場所（ローカル/VPS/組織）に置けるので、機微な内容は Local プロファイルで手元に留めるのが堅実です。