Grounded Docsは、あなたのAIコーディングアシスタントに、あなたが使っているライブラリのバージョンに合致するドキュメントインデックスを提供します。ウェブサイト、GitHubリポジトリ、npm、PyPI、ローカルフォルダからドキュメントを取得し、Model Context Protocol(MCP)、コマンドライン、ウェブUIを通じて検索を提供します。アシスタントは記憶したものではなく、そのドキュメントから回答します。

これはContext7、Nia、Ref.Toolsのオープンソース代替手段です。

特徴

• ウェブサイト、GitHubリポジトリ、npmおよびPyPIパッケージ、ローカルフォルダ、アーカイブ(ZIP、TAR)をインデックス化します。
• HTML、Markdown、PDF、OfficeおよびOpenDocumentファイル、EPUB、Jupyterノートブック、ソースコードなどを読み込みます。サポートフォーマットを参照してください。
• 各ライブラリのバージョンを別々に保存するため、検索はプロジェクトが使用するバージョンをターゲットにします。
• OpenAI、Ollama、Gemini、Vertex AI、AWS Bedrock、Azure OpenAI、または任意のOpenAI互換サーバーを使った全文検索とオプションのベクター検索を組み合わせます。
• あなたのマシン上で動作し、そのインデックスはローカルのSQLiteデータベースに保持されます。ドキュメントテキストは設定した埋め込みプロバイダーにのみ送信されます。Ollamaのようなローカルプロバイダーでは、あなたのマシンに残ります。

Grounded Docs MCP Server

Grounded Docs gives your AI coding assistant a documentation index that matches the library versions you use. It fetches documentation from websites, GitHub repositories, npm, PyPI and local folders, and serves search over the Model Context Protocol (MCP), a command line and a web UI. Your assistant answers from that documentation instead of from what it remembers.

It is an open-source alternative to Context7, Nia and Ref.Tools.

Features

• Indexes websites, GitHub repositories, npm and PyPI packages, local folders and archives (ZIP, TAR).
• Reads HTML, Markdown, PDF, Office and OpenDocument files, EPUB, Jupyter notebooks, source code and more. See Supported Formats.
• Stores each library version separately, so a search targets the version your project uses.
• Combines full-text search with optional vector search through OpenAI, Ollama, Gemini, Vertex AI, AWS Bedrock, Azure OpenAI or any OpenAI-compatible server.
• Runs on your machine and keeps its index in a local SQLite database. Document text goes only to the embedding provider you configure; with a local one, such as Ollama, it stays on your machine. Usage telemetry is on by default; Telemetry lists what it sends and how to turn it off.
• Works with any MCP client, over stdio or Streamable HTTP.

Quick Start

You need Node.js 22 or later, or Docker. Installation covers both in detail, along with Docker Compose and running the server inside your AI client.

1. Start the server

npx @arabold/docs-mcp-server@latest

Or with Docker:

docker run --rm \
  -v docs-mcp-data:/data \
  -v docs-mcp-config:/config \
  -p 6280:6280 \
  ghcr.io/arabold/docs-mcp-server:latest

2. Turn on vector search (optional)

Without an embedding model, search uses full-text matching. Vector search also finds passages by meaning. To use OpenAI, start the server with OPENAI_API_KEY set:

OPENAI_API_KEY="sk-proj-..." npx @arabold/docs-mcp-server@latest

With Docker, add -e OPENAI_API_KEY="sk-proj-...". Embedding Models covers Ollama, Gemini, Azure OpenAI and other providers.

Do this before you add documentation. Embeddings are computed when a page is indexed, so documentation indexed without a model gets no vectors until you scrape it again with --replace.

3. Add documentation

Open the web UI at http://localhost:6280 and choose Add library.

4. Connect your AI client

Add the server’s MCP endpoint, http://localhost:6280/mcp, to your client. Most clients accept an entry like this:

{
  "mcpServers": {
    "docs-mcp-server": {
      "url": "http://localhost:6280/mcp"
    }
  }
}