我要投稿

AI 写代码总是翻车？Upstash 创始人怒推 Context7：给 LLM 喂上最新鲜的官方文档。

发布日期：2025-04-27 00:00:43 浏览次数： 1820 作者：AI进修生

Upstash 联合创始人 Enes Akar 亲自下场安利自家新工具 Context7。

他吐槽说，过去一年用 AI 编程助手写代码，感觉就像开盲盒——碰上模型训练截止日期前的老库还行，一用到新东西，AI 就开始瞎编 API、生成一堆跑不起来的破代码。

就算你把新库的文档复制给 AI，效果也一般：文档太臃肿，容易超 Token 限制，还得一页页喂，AI 根本抓不住重点。

比如 Claude 3.5 可能根本不懂最新的 Next.js 15，给的 CDN 链接也可能是过时的，你让它修它也懵圈，因为它压根就没学过新的写法。

解决方案：Context7 闪亮登场。这玩意儿就是给你的 AI 编程助手 (任何 LLM 或 AI 代码编辑器都行) 提供的官方文档上下文。

他们把市面上超多库 (现在已经索引了 3500 多个) 的官方文档都扒下来，整理好，结构化了。

简单理解，就是搞了个专门搜文档的 RAG。你问问题，它就从这些文档里捞相关的片段给你，还能限制返回多少字 (token)。

这是一个能让你的 AI 编程能力更上一层楼的MCP服务器。

AI编码的一个痛点：模型知识库更新不及时，尤其在前端这种“月抛型”技术栈里特别难受。虽然 Cursor 自带文档索引功能，但效果差点意思，还得手动提醒它用。

Context7 的核心武器：

社区有许多人在制作有关 Context7 的视频。

▼ 解决AI编码的最大问题之一：Context7 MCP 使你的 AI 能够访问当前文档，而不是过时的训练。

不想用 Context7 MCP？去他们网站：context7.com，也能手动搜每个框架最新的文档。

这个网站提供了各种技术栈的 LLM.txt 格式文档，专为面向 AI 阅读而建立。

覆盖了所有主流库，比如 Next.js, Clerk, MongoDB, Upstash, Fast API 等等，不光是 Web 开发，只要有代码文档就能加。

1. Sequential Thinking MCP（序列性思考 MCP） —— 用于规划每一个步骤，并确保我们在执行过程中彻底而最大化地完成这一流程。

2. Context7 MCP —— 在进行研究期间，以及在实施任何新的第三方 API或修改项目结构或进行任何变更之前，

你必须首先阅读关于该事项的最新官方文档。

这一点极其重要，绝对不可以忽视。

无论何时，你都必须始终查阅最新文档，因为自从你接受训练以来，某些内容可能已经发生了变化。”

Context7 确保使用的框架和api是最新的正确的。

写个例子。用Claude 3.5 ，这模型肯定不知道最新的 Next.js 更新。

就算明确在 Prompt 里要求用

官方例子：获取错误或过时的代码示例

要求 claude-3.7-sonnet（最新、功能最强大的 AI 编码助手之一）编写一个可能尚未经过训练的 @upstash/redis 命令。即使在明确提及 linter 错误之后，该模型也无法生成正确的代码。

从 Context7 复制文档

我们选择 Upstash Redis 作为我们想要搜索的库（选择您喜欢的任何库 — 例如 Next.js、React 等），输入 stream trim 作为我们的搜索词，然后复制链接。

怎么工作的？

底层原理类似。

1、Windows 的 Cursor

以前许多文章都说过。公众号后台回复“windows”。

Windows下MCP报错的救星来了，1分钟教你完美解决Cursor配置问题。

2、Windows 的 Cline

大多数人遇到的情况应该是直接点击。安装会失败。

所以你先把Windows Cursor中安装好，然后把mcp.json文件一股脑复制到Cline中即可

Cline 配置文件在这：C:\Users\Aitrainee\AppData\Roaming\Cursor\User\globalStorage\saoudrizwan.claude-dev\settings\cline_mcp_settings.json

这样就能正常了：

Mac Cursor，看 https://github.com/upstash/context7?tab=readme-ov-file，Cusor中这样配置即可

{  "mcpServers": {    "context7": {      "command": "npx",      "args": ["-y", "@upstash/context7-mcp@latest"]    }  }}

Mac Cline：

Upstash 是一个Serverless 数据平台，提供了开箱即用的Redis 和Kafka 数据服务，让用户能够方便地在云环境中集成使用。

以上。

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费场景POC验证，效果验证后签署服务协议。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2025-05-12

通用RAG：通过路由模块对多源异构知识库检索生成问答思路

2025-05-12

DeepChat+RAGFlow 强强联合！配置知识库实现智能问答效率提升 300%

2025-05-12

两年了，你的RAG知识库落地了吗？一场价值数百万的AI智商税实验

2025-05-11

探讨如何构建具有可扩展长时记忆AI Agents相关的技术实现

2025-05-11

建议收藏！重温RAG的5种分块策略

2025-05-11

关于人工智能应用场景中前期数据处理的业务场景和技术分析——包括结构化数据和非结构化数据

2025-05-11

一文读懂RAG：AI的“外部知识库”如何让回答更精准？

2025-05-10

拆解智能体系统的能力和构成，我们需要的是可靠的AI系统，而不是Agents

了解更多

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

全网最全国内Agent平台深度测评：扣子、Dify、FastGPT，谁是你的Agent开发首选？

2024-10-27

一文彻底搞懂大模型 - RAG（检索、增强、生成）

2024-09-04

RAGFlow：基于OCR和文档解析的下一代 RAG 引擎

2024-05-05

GraphRAG+Ollama 本地部署，保姆教程，踩坑无数，闭坑大法

2024-07-18

RAG框架，都在这了!

2024-06-20

RAG 高效应用指南：Embedding 模型的选择和微调

2024-06-13

深入解析 Graph RAG：提升语言模型问答能力的创新策略

2024-07-09

微软开源的GraphRAG解读

2024-07-09

基于Llama 3 构建RAG语音助手：将本地 RAG 与 Qdrant、Whisper 和 LangChain 集成

2024-05-19

Prompt工程师必备：复旦重磅 | 最佳RAG实践长什么样的？

2024-07-07

大家都在问

一文读懂RAG：AI的“外部知识库”如何让回答更精准？

2025-05-11

25种RAG架构大揭秘：AI项目如何选型？

2025-05-08

RAG系统中的偏见问题：如何让AI更公平？

2025-05-05

如何用大模型+RAG给宠物做一个AI健康助手（干货分享）？

2025-04-30

RAG开发框架LangChain与LlamaIndex对比解析：谁更适合你的AI应用？

2025-04-29

做好 AI Agent 最重要的是什么？

2025-04-29

RAG比之MCP或长上下文LLM，要没落了吗？

2025-04-26

HR AI小科普——什么是MCP？

2025-04-25

热门标签

内容创作大模型技术个人提效 langchain llamaindex 多模态技术 RAG技术智能客服知识图谱模型微调 RAGFlow coze Dify Fastgpt Bisheng Qanything AI+汽车 AI+金融 AI+工业 AI+培训 AI+SaaS 提示词框架提示词技巧 AI+电商 AI面试数字员工 ChatBI 知识管理开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB