Самостоятельный MCP-сервер для документации. Индексируйте документацию из разных источников и обслуживайте ее через протокол Model Context Protocol (MCP) и REST API.

Быстрый старт

Что такое ContextMCP?

ContextMCP создает базу знаний для поиска из вашей документации, которую помощники ИИ могут запросить через протокол Model Context Protocol (MCP).

Поддерживаемые типы контента

| Парсер | Типы контента | Примеры |

| mdx | Документация MDX/JSX | Mintlify, Fumadocs, Docusaurus | | markdown | Файлы простого разметки | ЧИТАНИЯ, МЕНЯНИЯ | | openapi | OpenAPI/Swaggerspecs | API reference docs |

###Как это работает

1. Парс - Извлекайте контент из ваших документов, API и README
2. Chunk - Разделение на семантические куски, оптимизированные для поиска
3. Embed - Генерировать встраивания с использованием OpenAI или Gemini
4. Store - Загрузить в векторную базу данных Pinecone
5. Search - Запрос через MCP от помощников ИИ

Экосистема

Добавить чат с помощью ContextChat

ContextMCP служит для поиска; соедините его с ContextChat, чтобы дать вашим документам встраиваемый виджет «Ask AI».

ContextMCP

Self-hosted MCP server for your documentation. Index your documentation from across the sources and serve it via the Model Context Protocol (MCP) and REST API.

Quick Start

# Scaffold a new project
npx contextmcp init my-docs-mcp

# Follow the prompts, then:
cd my-docs-mcp
npm install

# Configure your API keys
cp .env.example .env
# Edit .env with your PINECONE_API_KEY and an embedding provider key
# (OPENAI_API_KEY for provider: openai, or GEMINI_API_KEY for provider: gemini)

# Configure your documentation sources
# Edit config.yaml

# Index your documentation
npm run reindex

# Edit the cloudflare-worker
# Deploy the MCP server
cd cloudflare-worker
npm install
npm run deploy

What is ContextMCP?

ContextMCP creates a searchable knowledge base from your documentation that AI assistants can query via the Model Context Protocol (MCP).

Supported Content Types

How It Works

1. Parse - Extract content from your docs, APIs, and READMEs
2. Chunk - Split into semantic chunks optimized for search
3. Embed - Generate embeddings using OpenAI or Gemini
4. Store - Upload to Pinecone vector database
5. Search - Query via MCP from AI assistants

Ecosystem

Add a chat UI with ContextChat

ContextMCP serves retrieval; pair it with ContextChat to give your docs a drop-in, embeddable “Ask AI” widget. ContextChat is a single Cloudflare Worker that queries your ContextMCP /search endpoint and streams answers with inline citations — add it to any site or docs page with one `` tag.

Repository Structure

contextmcp/
├── packages/
│   ├── cli/              # npx contextmcp (npm package)
│   ├── template/         # Project template (scaffolded to users)
│   └── website/          # contextmcp.ai documentation site
└── deployments/
    └── dodopayments/     # Dodo Payments specific deployment

Packages