# Language Course MCP Server

Model-Context-Protocol-Server zum **Ergänzen und Abfragen** von Sprachkurs-Inhalten: Glossar (Begriffe/Phrasen), neue Einträge speichern, **Konversationsübungen** als Rollenspiel-Prompts.

Liegt bewusst **neben** der YourPart-App (`mcp/language-course-server/`); Daten sind zunächst eine lokale JSON-Datei. Du kannst Inhalte später in `backend/scripts/create-language-courses.js` / Vocab-Modelle oder per API spiegeln.

## Tools

| Tool | Zweck |
|------|--------|
| `search_terms` | Glossar durchsuchen (`query`, optional `targetLang`, `nativeLang`) |
| `add_phrase` | Neue Phrase in `glossary.json` schreiben |
| `conversation_practice` | Zufälliges Szenario zum Üben (optional `topicHint`) |
| `export_glossary_snippet` | Letzte `n` Einträge als JSON für Export |
| `llm_status` | Prüft, ob API-Key/Modell gesetzt sind (ohne Netz) |
| `llm_chat` | Freier Chat mit dem LLM (`userMessage`, optional `systemPrompt`) |
| `llm_language_tutor` | `mode: dialogue` (Rollenspiel in Zielsprache) oder `evaluate` (Feedback zur Antwort) |

## LLM-Anbindung (OpenAI-kompatibel)

Voraussetzung für `llm_*`: ein **API-Key** und optional **Base-URL** / **Modell**.

| Variable | Bedeutung |
|----------|-----------|
| `LANGUAGE_COURSE_LLM_API_KEY` oder `OPENAI_API_KEY` | Pflicht für LLM-Tools |
| `LANGUAGE_COURSE_LLM_BASE_URL` | Leer = OpenAI-Default; z. B. `http://127.0.0.1:11434/v1` (Ollama) |
| `LANGUAGE_COURSE_LLM_MODEL` | Default: `gpt-4o-mini` |

Lokal: `cp .env.example .env` und Key eintragen. Beim Start wird `mcp/language-course-server/.env` geladen (sofern vorhanden).

**Cursor:** dieselben Variablen im `env`-Block des MCP-Eintrags setzen (oder nur Pfad zur `.env` vermeiden und Keys dort nicht duplizieren – dann Server per Wrapper starten, der `dotenv` lädt; unser Server lädt `.env` automatisch aus seinem Ordner).

**Ollama-Beispiel:**

```bash
LANGUAGE_COURSE_LLM_BASE_URL=http://127.0.0.1:11434/v1
LANGUAGE_COURSE_LLM_MODEL=llama3.2
LANGUAGE_COURSE_LLM_API_KEY=ollama
```

## Daten

- Standard: `data/glossary.json` (wird bei Bedarf angelegt).
- Alternativ: Umgebungsvariable `LANGUAGE_COURSE_MCP_DATA` auf ein Verzeichnis setzen (dort liegt `glossary.json`).

## Installation

```bash
cd mcp/language-course-server && npm install
```

## Cursor einbinden

In den Cursor-Einstellungen unter **MCP** einen Server hinzufügen, z. B.:

```json
{
  "mcpServers": {
    "language-course": {
      "command": "node",
      "args": ["/ABSOLUTER/PFAD/zu/YourPart3/mcp/language-course-server/src/server.mjs"],
      "env": {
        "LANGUAGE_COURSE_MCP_DATA": "/ABSOLUTER/PFAD/zu/YourPart3/mcp/language-course-server/data",
        "OPENAI_API_KEY": "sk-…"
      }
    }
  }
}
```

`args` und `LANGUAGE_COURSE_MCP_DATA` an deinen Rechner anpassen.

## Manuell testen

```bash
cd mcp/language-course-server && npm run inspector
```

Öffnet den MCP Inspector; dort Tools ausprobieren.

## Hinweis zur App

Die Sprachkurse in der App nutzen `VocabCourse` / `vocabService` (siehe `backend/`). Dieser MCP ist eine **autororientierte Ergänzung** für deinen Workflow in der IDE.

**YourPart-Web:** Unter **Einstellungen → Sprachassistent** (`/settings/language-assistant`) speichern Nutzer **API-Key** und Metadaten in **`community.user_param`** (Typen `llm_settings` / `llm_api_key`, Gruppe `languageAssistant` in `type.settings`) — verschlüsselt wie andere Profilparameter. Der lokale MCP nutzt weiterhin die Umgebungsvariablen hier; beides ist getrennt, bis ein Backend-Proxy die gespeicherten Werte nutzt.