LingJing MCP server

灵境 LingJing

一间虚拟课室：人类给 AI 上课，AI 当一面镜子。

人讲 → AI 多角追问 → 人答 → 人自判 → 带走你的思考、盲区与总结。

English web version (no install, BYO-key): — three personal uses: self-learner comprehension checks, a private knowledge library, your own experience made queryable. No signup; your API key stays in your browser and is never sent to any server (BYO-key app). Works with free models (OpenRouter free tier).

角色契约：人类是体验者（也是传授者），AI 是激发者；AI 不学习、不评分、不判定，判定权永远归人。 这不是产品态度，是架构不变量——世界模型 World = ⟨S, R, M, T⟩ 里根本不存在「学生 → 分数」这条边。

30 秒上手

① 跑起来（零依赖，Node 22+）

git clone https://github.com/genesis-plan/lingjing.git
cd lingjing
node server.js          # → http://localhost:8080

浏览器打开 （2D 课室）或 （3D 课室，Three.js 已本地化，离线可用）。 再点 / 上的输入框，讲一段你熟悉的东西——课就开始。

不配任何密钥也能跑：走确定性兜底语料，流程完整、体验降级、全程零外发。

② 想让 AI 学生说人话（可选，须自带 key）

# 默认硅基流动（国内，数据不出境）；须自带 key
LINGJING_LLM_PROVIDER=siliconflow LINGJING_SILICONFLOW_KEY=xxx node server.js

# 或换其他境内提供商
LINGJING_LLM_PROVIDER=zhipu LINGJING_ZHIPU_KEY=xxx node server.js

# 仅当你明确要用境外 OpenRouter 时才指定（课堂文本将出境，须自担合规）
LINGJING_LLM_PROVIDER=openrouter LINGJING_OR_KEY=sk-or-v1-xxx node server.js

# 或换境内提供商（数据不出境）
LINGJING_LLM_PROVIDER=zhipu       LINGJING_ZHIPU_KEY=xxx       node server.js
LINGJING_LLM_PROVIDER=siliconflow LINGJING_SILICONFLOW_KEY=xxx node server.js
LINGJING_LLM_PROVIDER=deepseek    LINGJING_DEEPSEEK_KEY=xxx    node server.js

③ 看真实测试基线

node tools/test_questioning.mjs     # 提问引擎（确定性提问规格）
node tools/test_reflection.mjs      # 双稿制反思引擎
node tools/test_weakpoint.mjs       # 薄弱点定位层（跨场景必不同）
node tools/test_p0_wiring.mjs       # 盲区环端到端接线

完整 23 个测试的分类、依赖与真实通过数见 02 · 使用指南。

能力边界（诚实声明）

不承诺：AI 学生问出的话一定切中要害；任何"教育效果"。研究引用是我们的设计依据，不是"已达到该效果"的证据。

灵境 MCP · 给 AI Agent 的课室

灵境除了本机网页课室，现已打包成 MCP stdio server（lingjing-classroom-mcp）——让任何支持 MCP 的 AI Agent / 编排器直接调用这间"课室"：人（或 Agent）讲授，灵境当学生追问，返回盲区与总结。

特性：确定性引擎，无需 LLM、无需联网、可离线复现；fail-closed（无效会话直接报错）。与网页课室共享同一套"七类认知盲区"判定逻辑，但不经过 LLM 嗓音层，纯本地可复现。

一键接入（agents npx 即用）

npx lingjing-classroom-mcp

四个工具：lingjingstartsession（开课）→ lingjingteach（讲授 + 苏格拉底追问）→ lingjingreflect（七维盲区 + 总结 + 卡片）→ lingjingclosesession（收尾并清理）。完整用法见 mcp/README.md。

发现 / 分发

Shortened. The full README is on GitHub.