Grounded Docs предоставляет вашему AI-ассистенту по программированию индекс документации, соответствующий используемым вами версиям библиотек. Он загружает документацию с сайтов, репозиториев GitHub, npm, PyPI и локальных папок, а также выполняет поиск по протоколу Model Context Protocol (MCP), командной строке и веб-интерфейсу. Ваш помощник отвечает из этой документации, а не из того, что помнит.

Это открытая альтернатива Context7, Nia и Ref.Tools.

Особенности

• Индексирует веб-сайты, репозитории GitHub, пакеты npm и PyPI, локальные папки и архивы (ZIP, TAR).
• Читает HTML, Markdown, PDF, файлы Office и OpenDocument, EPUB, блокноты Jupyter, исходный код и многое другое. См. поддерживаемые форматы.
• Каждая версия библиотеки хранит отдельно, поэтому поиск ориентируется на версию, которую использует ваш проект.
• Сочетает полнотекстовый поиск с опциональным векторным поиском через OpenAI, Ollama, Gemini, Vertex AI, AWS Bedrock, Azure OpenAI или любой сервер, совместимый с OpenAI.
• Запускается на вашей машине и хранит свой индекс в локальной базе данных SQLite. Текст документа отправляется только к настраиваемому вами провайдеру эмбеддинга; с локальным провайдером, таким как Ollama, он остаётся на вашей машине.

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"
    }
  }
}