Grounded Docs는 AI 코딩 어시스턴트에게 사용하는 라이브러리 버전과 일치하는 문서 인덱스를 제공합니다. 웹사이트, GitHub 저장소, npm, PyPI, 로컬 폴더에서 문서를 가져오고, 모델 컨텍스트 프로토콜(MCP), 명령줄, 웹 UI를 통해 검색을 제공합니다. 어시스턴트는 기억하는 내용이 아니라 그 문서에서 답변합니다.

Context7, Nia, Ref.Tools의 오픈 소스 대안입니다.

특징

• 웹사이트, GitHub 저장소, npm 및 PyPI 패키지, 로컬 폴더 및 아카이브(ZIP, TAR)를 색인화합니다.
• HTML, 마크다운, PDF, Office 및 OpenDocument 파일, EPUB, Jupyter 노트북, 소스 코드 등 다양한 파일을 읽을 수 있습니다. 지원되는 형식을 참조하세요.
• 각 라이브러리 버전을 별도로 저장하여 검색이 프로젝트가 사용하는 버전을 목표로 합니다.
• OpenAI, Ollama, Gemini, Vertex AI, AWS Bedrock, Azure OpenAI 또는 모든 OpenAI 호환 서버를 통한 벡터 검색과 전체 텍스트 검색을 결합합니다.
• 사용자의 컴퓨터에서 실행되며 인덱스를 로컬 SQLite 데이터베이스에 보관합니다. 문서 텍스트는 구성한 임베딩 제공자로만 전송됩니다; Ollama와 같은 로컬 제공자는 컴퓨터에 머무릅니다.

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"
    }
  }
}