AutoLearn - это сервер Model Context Protocol (MCP), который позволяет агентам ИИ динамически создавать и повторно использовать новые ** навыки** (функциональные рабочие процессы кода) с естественного языка.

В отличие от статических MCP-серверов, AutoLearn вводит кодирующий агент, который: Преобразует логические следы в кристаллизованную память (функции Python). автоматически определяет, какие рабочие процессы кристаллизовать. Обновляет свою спецификацию MCP динамически, поэтому потребляющие агенты могут немедленно использовать новые навыки.

Узнать больше: [0]

Проект включает в себя демо-приложение **frontend, где пользователи могут: Чат с агентом-потребителем, который использует AutoLearn. Автогенерированный код Python для новых навыков. Просмотр обновленной спецификации MCP в режиме реального времени.

• Выполнять навыки интерактивно.

Особенности

Dynamic Skill Creation: Natural language → Python code workflows via OpenAI integration ** Кристаллизированная память**: часто используемые или сложные рассуждения, сохраненные в качестве исполняемого кода MCP Server: полное соответствие протоколу JSON-RPC 2.0 ** Обновления в реальном времени**: события WebSocket для skills added, skills executed, mcp updated

AutoLearn

AutoLearn is a Model Context Protocol (MCP) server that lets AI agents dynamically create and reuse new skills (functional code workflows) from natural language.

Unlike static MCP servers, AutoLearn introduces a coding agent that:

• Converts reasoning traces into crystalized memory (Python functions).
• Decides automatically which workflows to crystalize.
• Updates its MCP spec dynamically so consuming agents can use new skills immediately.

Learn More: https://www.autolearn.dev/

The project includes a frontend demo app where users can:

• Chat with a consuming agent that uses AutoLearn.
• See auto-generated Python code for new skills.
• View the updated MCP spec in real time.
• Execute skills interactively.

---

Features

• Dynamic Skill Creation: Natural language → Python code workflows via OpenAI integration
• Crystalized Memory: Frequently used or complex reasoning preserved as executable code
• MCP Server: Full JSON-RPC 2.0 protocol compliance over HTTP transport
• Real-Time Updates: WebSocket events for skill_added, skill_executed, mcp_updated
• Persistence: SQLite database for skills, sessions, and operational data
• Frontend Demo: T3 stack with chat, skill viewer, MCP spec viewer, and execution panel
• Comprehensive Testing: 54/54 tests passing with full integration coverage

---

Tech Stack

• Backend: Python 3.11+, FastAPI, OpenAI API
• Frontend: T3 Stack (Next.js, TypeScript, Tailwind CSS, tRPC) with shadcn/ui components
• Testing: Pytest (backend), Vitest (frontend)

---

Repository Structure

autolearn/
├── backend/          # FastAPI MCP server + skill engine
│   ├── app.py        # FastAPI application
│   ├── schemas.py    # Pydantic models
│   ├── skill_engine.py # Skill registry and execution
│   └── openai_client.py # OpenAI integration
├── frontend/         # T3 Stack frontend (Next.js, TypeScript, Tailwind, tRPC)
│   ├── src/          # Source code
│   │   ├── components/   # UI components using shadcn/ui
│   │   ├── pages/    # Next.js pages
│   │   └── server/   # tRPC router definitions
├── tests/            # Unit and integration tests
├── docs/             # Documentation (PRD, design notes)
├── skills.db         # SQLite database for skill persistence
└── README.md

---

Getting Started

Prerequisites

• Python 3.11+
• OpenAI API key

1. Clone the Repository

git clone https://github.com/tarkaai/autolearn.git
cd autolearn

2. Setup Backend and Frontend

python -m venv .venv
source .venv/bin/activate   # or .venv\Scripts\activate on Windows
pip install -e .   # Install in development mode

# Navigate to the frontend directory
cd frontend

# Install dependencies
npm install