这是什么？

一台钢琴和一把吉他，AI学习如何演奏。它不是合成器，也不是 MIDI 库——而是一种教学乐器。

大型语言模型可以阅读和书写文本，但它无法像我们一样体验音乐。它没有耳朵，也没有手指，更没有肌肉记忆。AI 即兴演奏会通过赋予模型它可以实际使用的感官来弥补这一差距：

• 阅读——真实的 MIDI 乐谱，包含深入的音乐注释。不是手写的近似版本——而是经过解析、分析和解释的版本。
• 听觉——六个音频引擎（振荡器钢琴、采样钢琴、人声样本、物理人声声道、加法合成人声、基于物理模型的吉他），通过您的扬声器播放，让房间里的人成为 AI 的耳朵。
• 视觉——一个钢琴卷帘，它将演奏的内容渲染为 SVG 格式，模型可以读取并验证。一个交互式吉他谱编辑器。一个浏览器控制面板，包含可视化键盘、双模式音符编辑器和调音实验室。
• 记忆——一个练习日志，在不同的会话中保留，因此学习效果会随着时间的推移而累积。
• 歌唱——具有 20 种人声预设的人声声道合成，从歌剧女高音到电子合唱。带有音阶、轮廓和音节叙述的伴唱模式。

这 120 首歌曲中的每一首现在都已完全注释——历史背景、逐小节结构分析、关键时刻、教学目标和演奏技巧，涵盖所有 12 个流派。早期版本的 README 中提到，原始歌曲“正在等待 AI 吸收模式、演奏音乐并编写自己的注释”。而这正是发生的事情：这些注释是由 AI 根据每首歌曲的确定性分析（和弦、重复结构、乐段边界、经过内容验证的调）编写的，并且受到质量标准的约束，并通过对抗性的方式逐条进行事实核查——所有小节编号、和弦范围和结构计数都与实际 MIDI 文件进行了验证，然后才发布。

基于这项工作，我们还发布了 jam-actions-v0——一个公共数据集，包含 115 个多轮 MCP 工具使用轨迹，用于真实的古典钢琴音乐。它教会大型语言模型进行基于符号音乐的实际工具使用，而不仅仅是文本生成，并且附带了一个 7 轴发布门控机制，可以区分“传递证据”和“因为任务很简单而通过”。有关完整信息，请参阅下方的 训练数据集。

钢琴卷帘

钢琴卷帘是 AI 观察音乐的方式。它将任何歌曲渲染为 SVG 格式——蓝色表示右手，珊瑚色表示左手，并带有节拍网格、力度和乐段边界：

两种颜色模式：手部（蓝/珊瑚）或音高等级（彩虹色——每个 C 都是红色，每个 F# 都是青色）。SVG 格式意味着模型既可以查看图像，又可以读取标记以验证音高、节奏和手的独立性。

控制面板

一个基于浏览器的作曲工作室，位于此存储库的 apps/cockpit 中——并且可以在 mcp-tool-shop-org.github.io/ai-jam-sessions/cockpit 上实时运行。无需插件、DAW 或安装；所有内容都保留在您的浏览器中（您的工作会自动保存到本地）。您更喜欢对其进行修改吗？

cd apps/cockpit && npm install && npm run dev   # Vite dev server, opens in your browser

• 精确的节拍传输——音符存在于音乐时间中，因此 BPM 控制实际上会重新调整播放速度；一个点击以查找的时间标尺，带有拖动以设置循环区域的功能；自动滚动功能，跟随播放头。
• 录音臂捕获——演奏 QWERTY 键盘、屏幕键盘或 Web MIDI 设备，它将出现在乐谱中：1 小节的倒计时、类似于循环器的循环周期内的叠加录制（或替换模式），原始性能时间在量化视图下保留，每次通过都是一个可撤销的单元。
• 完整的撤消/重做——包括“清除”和“导入”的所有编辑都可以撤销（Ctrl+Z），拖动手势会合并成真实编辑器的方式。
• 多选 + 剪贴板——在“选择/绘制”工具切换下进行区域选择，平台标准的修饰符单击，复制/剪切/粘贴到播放头处，复制。
• 触控 + 可访问性——每个表面的指针事件都带有捕获功能，点击以重新定位作为非拖动操作的替代方案，键盘音符编辑，色彩盲安全的分数叠加层。
• 双模式钢琴卷帘——在乐器模式（彩色音高等级）和人声模式（音符按元音形状着色：/a/ /e/ /i/ /o/ /u/）之间切换。
• 可视化键盘——从 C4 开始的两个八度音阶，映射到您的 QWERTY 键盘。单击或键入。
• 20 种人声预设——15 种 Kokoro 映射的人声（Aoede、Heart、Jessica、Sky、Eric、Fenrir、Liam、Onyx、Alice、Emma、Isabella、George、Lewis，以及合唱和合成人声），4 种声道映射的人声，和一个合成合唱部分。
• 10 种乐器预设——6 种服务器端钢琴音色，以及合成垫音、管风琴、铃铛和小提琴。
• 音符检查器——单击任何音符以编辑力度、元音和柔和度。
• 7 种调音系统——十二平均律、纯正律（大/小调）、毕达哥拉斯音阶、四分音差平均律、韦克迈斯特 III 音阶或自定义半音偏移。可调节的 A4 参考音（392–494 Hz）。
• 调音审计——频率表、带有节拍频率分析的音程测试器，以及调音导出/导入。
• 乐谱导入/导出——将整个乐谱序列化为 JSON 并将其加载回来。
• 面向大型语言模型的 API——window.__cockpit 暴露了 exportScore()、importScore()、addNote()、play()、stop()、panic()、setMode() 和 getScore()，以便大型语言模型可以以编程方式进行作曲、编排和播放。

学习循环

歌曲库

120 首歌曲，涵盖 12 个流派，由真实的 MIDI 文件构建而成。每个流派都有一首深度注释的示例——包含历史背景、逐小节的和声分析、关键时刻、教学目标和演奏技巧（包括人声指导）。这些示例作为模板：AI 研究其中一个，然后注释其余部分。

| 流派 | 示例 | 关键 | 它所教授的内容 | |-------|----------|-----|-----------------| | 布鲁斯音乐 | 《The Thrill Is Gone》（B.B. King） | b 小调 | 小调布鲁斯形式、呼应式，在节拍之后演奏 | | 古典音乐 | 《致爱丽丝》（贝多芬） | a 小调 | 回旋曲形式、触键差异、踏板技巧 | | 电影配乐 | 《另一个夏天的圆舞曲》（蒂尔森） | e 小调 | 琶音织体，动态的架构但没有和声变化 | | 民谣 | 《绿袖子》 | e 小调 | 3/4 华尔兹节奏，调式混合，文艺复兴时期的声乐风格 | | 爵士乐 | 《秋叶》（科斯马） | g 小调 | ii-V-I 级进行、引导音、摇摆八分音符、无根音和弦 | | 拉丁音乐 | 《伊帕内玛的女孩》（若比姆） | F 大调 | 波萨诺瓦节奏，半音转调，声乐克制 | | 新世纪音乐 | 《河流流淌》（Yiruma） | A 大调 | I-V-vi-IV 识别，流畅的琶音，自由节奏 | | 流行音乐 | 《想象》（列侬） | C 大调 | 琶音伴奏、克制、真诚的声乐 | | 拉格泰姆 | 《娱乐者》（乔普林） | C 大调 | “咚-啪”低音，切分音，多段式结构，节奏控制 | | R&B 音乐 | 《迷信》（史蒂夫·旺达） | Eb 小调 | 十六分音符放克，打击乐键盘，幽灵音符 | | 摇滚乐 | 《你的歌》（埃尔顿·约翰） | Eb 大调 | 钢琴叙事曲的声部进行、转位、对话式的演唱 | | 灵魂乐 | 《依靠我》（比尔·威瑟斯） | C 大调 | 音阶旋律，福音伴奏，呼应式 |

歌曲的进度从原始（仅 MIDI）→注释→准备就绪（完全可播放，具有音乐语言）。人工智能通过研究歌曲并使用 annotate_song 编写注释来推广歌曲。

声音引擎

六个引擎，以及一个分层组合器，可以同时运行任意两个：

| 引擎 | 类型 | 它的声音如何 | |--------|------|---------------------| | Oscillator Piano | 加法合成 | 具有锤击噪音、非谐性、48 声部复音和立体声效果的多重谐波钢琴。没有依赖项。 | | Sample Piano | WAV 播放 | Salamander Grand Piano — 480 个采样，16 个力度层级，88 个琴键。真正的声音。仅程序化 API：不提供采样（您需要提供 Salamander 下载）；尚未连接到 CLI/MCP 引擎列表。 | | Vocal (Sample) | 音高偏移的采样 | 具有滑音和连奏模式的持续元音音色。 | | Vocal Tract | 物理模型 | 粉红长号 — 通过 44 个单元数字波导传递的低频声门波形。四个预设：女高音、中音、男高音、男低音。 | | Vocal Synth | 加法合成 | 15 个 Kokoro 声音预设，具有音色塑形、气息感和颤音。确定性（基于种子随机数生成器）。 | | Guitar | 加法合成 | 物理建模的拨弦乐器 — 4 个预设（钢制原声吉他、尼龙古典吉他、爵士拱顶吉他、十二弦吉他），8 种调音，17 个可调节参数。 | | Layered | 组合器 | 将两个引擎封装起来，并将每个 MIDI 事件都发送到这两个引擎——钢琴+合成器、人声+合成器等。 |

键盘音色

六个可调节的钢琴音色，每个音色的参数都可以单独调整（亮度、衰减、锤击力度、失谐度、立体声宽度等）：

| 音色 | 特性 | |-------|-----------| | 音乐会大钢琴 | 丰富、饱满、古典 | | 立式钢琴 | 温暖、亲切、民谣风格 | | 电钢琴 | 丝滑、爵士乐，具有 Fender Rhodes 的感觉 | | 酒吧钢琴 | 失谐、拉格泰姆、沙龙风格 | | 音乐盒 | 水晶般清澈、空灵 | | 明亮的大钢琴 | 锐利、现代、流行 |

吉他音色

四个吉他音色预设，具有物理建模的弦合成，每个音色都有 17 个可调节参数（亮度、箱体共振、拨弦位置、弦阻尼等）：

| 音色 | 特性 | |-------|-----------| | 钢制原声吉他 | 明亮、平衡、经典的音色 | | 尼龙古典吉他 | 温暖、柔和、圆润 | | 爵士拱顶吉他 | 柔和、木质、干净 | | 十二弦吉他 | 闪烁、双音，类似合唱的效果 |

练习日志

每次会话结束后，服务器都会记录发生的事情——哪首歌曲、速度如何、演奏了多少小节、持续时间多长。人工智能还会添加自己的想法：它注意到了什么、识别出了哪些模式、下一步应该尝试什么。

---
### 14:32 — Autumn Leaves
**jazz** | intermediate | G minor | 69 BPM × 0.7 | 32/32 measures | 45s

The ii-V-I in bars 5-8 (Cm7-F7-BbMaj7) is the same gravity as the V-i
in The Thrill Is Gone, just in major. Blues and jazz share more than the
genre labels suggest.

Next: try at full speed. Compare the Ipanema bridge modulation with this.
---

每天一个 Markdown 文件，存储在 ~/.ai-jam-sessions/journal/ 中。人类可读，仅追加。下一次会话时，人工智能会读取其日志并从上次停止的地方继续。

训练数据集

jam-actions-v0 — 一个公共数据集，包含基于真实的古典钢琴 MIDI 的多轮 MCP 工具使用轨迹。该数据集是从服务器使用的库中构建的，它教会大型语言模型如何对符号音乐进行有根据的工具使用——而不仅仅是文本生成。

每个记录都将一个包含 4 个小节的乐句片段与一个带注释的教学目标和一个“目标轨迹”配对——这是一个逐回合的会话，其中助手使用上述 MCP 工具（get_events_in_measure、get_events_in_hand、count_distinct_pitch_classes 以及其余 9 个 MIDI 分析工具）来阅读、分析和讨论该乐句。

| | | |---|---| | DOI | 10.5281/zenodo.20279919 — Zenodo，发布于 2026-05-19 | | 记录 | 115（公共子集） | | 基准标准 | 经过修复后的 E3，共 16 条记录 | | 乐曲 | 来自 6 位作曲家的 8 首古典钢琴作品（巴赫、贝多芬、肖邦、德彪西、莫扎特、舒曼） | | MIDI 源文件 | piano-midi.de — Bernd Krueger 的改编版本 | | 许可协议 | CC-BY-SA-3.0-DE（针对公共领域的乐曲的改编版本） | | 版本 | 0.4.3 (2026-05-19) | | 模式 | release-gate-assessment/2.0.0 |

质量保证——7 轴发布门控。 该数据集包含一个发布门控，用于区分基于证据的有效结果和达到上限的无效结果。轴 1-6 是阻碍因素（绝对下限、边际复合值、工具使用率、工具使用后的正确性、错误解释次数、分层下限）；轴 7 是丰富与非丰富的报告之间的对比。轴 2 和 6 允许存在一个“达到上限的有效结果”类别，因此在仅文本/工具检查/随机 MIDI 条件下得分达到 1.000 的记录不会降低更难的分层数据的质量。Slice 22 基准测试通过了修订后的门控。Slice 19 基准测试仍然未能通过——保留作为回归诊断，以确保门控具有一定的约束力。

可重复性。 任何平台上的新贡献者（Windows 原生、macOS、Linux、WSL）都可以验证该软件包并在一分钟内重现基准测试的有效结果：

git clone https://github.com/mcp-tool-shop-org/ai-jam-sessions.git
cd ai-jam-sessions && pnpm install
pnpm exec tsx scripts/verify-public-package-checksums.ts        # 274 entries, ~2s
pnpm exec tsx scripts/check-release-gate.ts \
  datasets/jam-actions-v0-public/evals/slice21-fair-e3-baseline-results.json
# → "Aggregate: PASS" (exit 0)

.gitattributes 为 *.sha256 和公共数据集树固定了 LF 行尾，因此校验和验证器可以在所有平台上工作。发布门控 CLI 具有严格的位置参数（拒绝未知的/多个位置参数），因此初次使用的贡献者无法无意中错误地调用它。

在哪里可以找到它。 已发布的 Zenodo 记录位于 https://zenodo.org/records/20279919（DOI：10.5281/zenodo.20279919），该数据集在 Hugging Face 上进行了镜像，地址为 mcp-tool-shop/jam-actions-v0，供 load_dataset() 用户使用。完整的 datasets card 位于 datasets/jam-actions-v0-public/README.md。Zenodo 的元数据存储在 zenodo-metadata.json 中，引用元数据存储在 CITATION.cff 中，出版收据存储在 publication-receipt.json 中，发布说明存储在 RELEASE_NOTES.md 中。从初始语料库草案到一次性修复、舒曼的改进、RC 门控修订、单独操作员审计以及最终出版，这 25 个切片的构建过程都存储在 docs/ 中。

引用它。 mcp-tool-shop-org & Krueger, B. (2026). AI Jam Sessions — Tool-Use Traces v0 (Public Subset). Zenodo. https://doi.org/10.5281/zenodo.20279919

它是否真的可以训练任何东西？——微调结果。 该数据集的声明以一种严格的方式进行测试：预先注册的微调模型与它自己的密封基准进行比较，并且在任何训练之前就冻结了诚实规则。v0（仅包含 78 个 jam 轨迹）返回了一个诚实的否定结果——基于工具的 QA 从 0.661 下降到 0.601（报告）。v1（添加了 494 个示例数据，这些数据经过执行验证，并且具有基于证据的轨迹）将相同的指标从 0.661 提高到 0.863（+0.202，置换 p = 0.0043，所有五个种子都高于基准，其中一首未见过的歌曲提高了 +0.433），但仍然以“方向上更好，但效果不佳”的形式发布，因为 16 个配对中的 12 个未能达到预先注册的 ≥13/16 的胜利标准（报告）。没有从接近成功的模型中发布适配器。这两个过程、锁、修订以及每个种子的结果都存储在 experiments/ 中——重点在于这种纪律性。

MIDI 乐曲改编由 Bernd Krueger (piano-midi.de) 提供，许可协议为 CC-BY-SA-3.0-DE。注释、轨迹和评估工件由 AI Jam Sessions 团队提供，并以相同的许可协议发布，因此可以保证从头到尾的共享一致性。**许可边界：**仓库的 MIT 许可涵盖代码；datasets/ 下的所有内容都采用 CC-BY-SA-3.0-DE 许可。在 datasets/jam-actions-v0/ 中的工作语料库还包含两首作品（萨蒂《吉姆诺佩迪》第一号、《德彪西阿拉伯舞曲》第一号），这些作品不包括在已发布的子集中，因为无法验证其改编版本的来源——请参阅 datasets/jam-actions-v0/PROVENANCE-NOTE.md。

安装

npm install -g @mcptoolshop/ai-jam-sessions

需要 Node.js 22+（v2.0.0 将最低版本提高到 node-web-audio-api 2.0）。不需要 MIDI 驱动程序、虚拟端口或外部软件。

Claude Desktop / Claude Code

{
  "mcpServers": {
    "ai_jam_sessions": {
      "command": "npx",
      "args": ["-y", "-p", "@mcptoolshop/ai-jam-sessions", "ai-jam-sessions-mcp"]
    }
  }
}

MCP 工具

46 个工具和 3 个提示模板，分为七个类别：

学习

| 工具 | 它能做什么 | |------|--------------| | list_songs | 按流派、难度或关键字浏览 | | song_info | 完整的音乐分析——结构、关键时刻、教学目标、风格技巧 | | registry_stats | 整个库的统计数据：总歌曲数、流派、难度 | | list_measures | 每个小节的音符、力度和教学说明 | | teaching_note | 深入研究单个小节——指法、力度、上下文 | | suggest_song | 根据流派、难度以及您已演奏过的曲目进行推荐 | | practice_setup | 为一首歌曲推荐速度、模式、音色设置和命令行指令 | | compare_songs | 跨流派的乐谱识别——关键关系、音高/音程相似性、共享结构、教学关联 | | annotation_progress | 评估库中曲目的注释质量——评分、等级和改进建议 | | server_info | 服务器版本、库统计信息、引擎列表、活动会话 |

播放

| 工具 | 它能做什么 | |------|--------------| | play_song | 通过扬声器播放——库中的歌曲或原始 .mid 文件。四种引擎（钢琴、人声、音轨、吉他），任意速度、模式、小节范围——以及一个带有预备和“record”标志的节拍器，用于捕捉会话以进行评分。合成器和分层引擎仅可通过命令行使用。 | | stop_playback | 停止 | | pause_playback | 暂停或恢复 | | set_speed | 在播放过程中更改速度（0.1 倍 – 4.0 倍） | | playback_status | 实时快照：当前小节、节奏、速度、键盘音色、状态 | | view_piano_roll | 以 SVG 格式渲染（手部颜色或音高等级的彩虹色） | | score_performance | 对 MIDI 伴奏进行评分——音高准确性、时值、完整性，并提供分级反馈 | | mute_hand | 在练习期间静音或取消静音左/右手——一次隔离一只手 | | detect_chord | 从当前播放的 MIDI 音符集中识别和弦（例如：[60,64,67] → C） | | preview_teaching_cues | 在开始播放之前查看所有教学笔记和关键时刻 |

练习

| 工具 | 它能做什么 | |------|--------------| | practice_loop | 一位真正的老师布置的练习：循环播放第 5-8 小节，速度放慢，并且只有在完美完成之后，节奏才会加快（+5%）——每次尝试都会被记录、评分和总结。 | | practice_status | 练习进度：当前尝试次数、速度以及上次演奏的每个小节的诊断信息 | | score_last_take | 对最近录制的演奏进行评分——音高准确性、时值、完整性，以及每个音符的评估结果 | | view_scored_piano_roll | 每位老师都会使用的带标记乐谱：钢琴卷帘叠加了每个音符的评估结果，使用无色盲的安全调色板（实线 = 正确，虚线 = 时值，✕ = 遗漏） |

唱歌

| 工具 | 它能做什么 | |------|--------------| | sing_along | 可演唱的文本——音名、唱名、旋律走向或音节。可以带钢琴伴奏，也可以不带。 | | ai_jam_sessions | 生成即兴演奏简报——和弦进行、旋律轮廓以及用于重新诠释的风格提示 |

吉他

| 工具 | 它能做什么 | |------|--------------| | view_guitar_tab | 以 HTML 格式渲染交互式吉他谱——点击编辑、播放光标、键盘快捷键 | | list_guitar_voices | 可用的吉他音色预设 | | list_guitar_tunings | 可用的吉他调弦系统（标准、降 D 调、开放 G 调、DADGAD 等） | | tune_guitar | 调整任何吉他音色的任何参数。设置将保留在会话之间。 | | get_guitar_config | 当前吉他音色配置与工厂默认值对比 | | reset_guitar | 重置吉他音色为工厂默认值 |

构建

| 工具 | 它能做什么 | |------|--------------| | add_song | 以 JSON 格式添加一首新歌曲 | | import_midi | 导入带有元数据的 .mid 文件 | | annotate_song | 编写原始歌曲的音乐语言，并将其提升为可用的状态 | | save_practice_note | 日记条目，其中包含自动捕获的会话数据 | | read_practice_journal | 加载最近的条目以提供上下文 | | list_keyboards | 可用的键盘音色 | | tune_keyboard | 调整任何键盘音色的任何参数。设置将保留在会话之间。 | | get_keyboard_config | 当前配置与工厂默认值对比 | | reset_keyboard | 重置键盘音色为工厂默认值 | | score_annotation | 评估库中曲目的注释质量，包括五个维度——完整性、深度、具体性、教学价值和词汇量 | | validate_song_entry | 在添加歌曲之前，验证歌曲 JSON 是否符合模式 | | transpose_song | 将一首歌曲向上或向下半音转调——新的调号、新的音符 | | list_sections | 查看歌曲的结构部分（引子、主歌、副歌等） | | add_section | 向歌曲添加一个章节标记，以便进行结构导航 |

MCP 提示

三个用于构建结构化教学流程的提示模板：

| 提示 | 它能做什么 | |--------|--------------| | annotate_song | 引导式注释工作流程——研究一个范例，为原始歌曲编写音乐语言 | | practice_plan | 根据流派、难度和目标构建结构化的练习计划 | | performance_review | 回顾已完成的会话——哪些方面做得好，下一步应该关注什么 |

命令行界面 (CLI)

ai-jam-sessions list [--genre <genre>] [--difficulty <level>]
ai-jam-sessions play <song-id> [--speed <mult>] [--mode <mode>] [--engine <piano|vocal|tract|synth|guitar|piano+synth|guitar+synth>] [--metronome] [--count-in <bars>] [--record]
ai-jam-sessions practice <song-id> --measures <start-end> [--start-speed <pct>] [--target <pct>] [--step <pct>]
ai-jam-sessions sing <song-id> [--with-piano] [--engine <engine>]
ai-jam-sessions view <song-id> [--measures <start-end>] [--out <file.svg>]
ai-jam-sessions view-guitar <song-id> [--measures <start-end>] [--tuning <tuning>]
ai-jam-sessions info <song-id>
ai-jam-sessions tune <keyboard-id> [--param value ...] [--reset] [--show]
ai-jam-sessions tune-guitar <voice-id> [--param value ...] [--reset] [--show]
ai-jam-sessions keyboards
ai-jam-sessions guitars
ai-jam-sessions stats
ai-jam-sessions library
ai-jam-sessions ports
ai-jam-sessions help
ai-jam-sessions --version

状态

v2.0.0 ——这是数据集证明其有效性的版本（参见 CHANGELOG）。重大更新：Node.js 的最低版本现在是 22 (node-web-audio-api 2.0）；工具本身没有变化——六个声音引擎、46 个 MCP 工具、3 个提示模板以及一个完全注释的库：12 个流派中的 120/120 首歌曲（本版本中，12 个关键字段已更正为基于内容检测的调号）。教学循环从端到端完成：带有预备的节拍器 → 实时录制 → 每个音符的评分 → 带标记的钢琴卷帘 → 练习循环，只有在完美完成之后才会加快节奏。浏览器界面是一个真正的作曲工具——精确到节拍的传输，带循环区域、录音激活捕获、完整的撤销/重做、多选和剪贴板、触控支持——在线演示。

同时发布了 jam-actions-v0，这是一个包含 115 条记录的训练数据集，用于多轮对话式音乐创作工具的使用，数据涵盖古典钢琴曲。该数据集具有 7 轴发布门控、冷启动可重复性以及完整的 Zenodo + CITATION.cff 元数据（CC-BY-SA-3.0-DE），并已镜像到 Hugging Face。此外，它还包含了经过验证的微调结果，分别对应于正向和负向的结果：一个诚实且表现不佳的版本 (v0)，以及一个受到预注册约束、但未能达到预期目标的版本 (v1)——请参阅 微调记录。本次发布还修复了原始数据中的巴赫乐谱（工作集修订版 r001/r002，包含更正），因为 v1 流水线在执行时发现已发布的窗口超出了 BWV 846 的实际 62 小节。MCP 服务器、控制台、数据集打包器、评估工具以及发布门控验证器均通过了 2506 次测试。所有 MIDI 文件都包含其中，每首歌曲都可以用于教学，并且该学习语料库也一同提供。

安全与隐私

涉及的数据： 乐曲库（JSON + MIDI）、用户乐曲目录 (~/.ai-jam-sessions/songs/)、吉他调音配置、练习日志条目、本地音频输出设备。

未涉及的数据（默认路径）： MCP 服务器和命令行界面不会进行任何网络调用，也不会读取任何凭据，也不会访问用户乐曲目录之外的任何系统文件。不会收集或发送任何遥测数据。以相同软件包形式提供的可选数据集/评估工具 (scripts/run-llm-eval.ts、来源验证器) 是唯一的例外：当您明确调用它时，它可以调用 LLM API（从您的环境中读取 ANTHROPIC_API_KEY，但绝不会存储），并获取来源 URL。它永远不会作为服务器、命令行界面或安装程序的一部分运行。

权限： MCP 服务器仅使用 stdio 传输（不使用 HTTP）。命令行界面访问本地文件系统和音频设备。有关完整策略，请参阅 SECURITY.md。

许可协议

MIT