Сервер ModelContextProtocol, который предоставляет вашему AI-инструменту или агенту доступ к документации по API, сервисам, библиотекам и т. д. Это ваш универсальный сервис, чтобы ваш агент был в курсе документации быстро и эффективно по токенам.

Подробнее см. на ref.tools

Агентный поиск точно нужного контекста

Инструменты Ref разработаны так, чтобы соответствовать поиску моделей, используя как можно меньше контекста для снижения разложения контекста. Цель — найти именно тот контекст, который нужен вашему программирующему агенту для успешного работы с минимальным количеством токенов.

В зависимости от сложности запроса, агенты по программированию LLM, такие как Claude Code, обычно выполняют один или несколько поисков, а затем выбирают несколько ресурсов для более глубокого изучения.

Для простого запроса о API Comment REST от Figma он выполнит несколько вызовов, чтобы получить именно то, что нужно:

В более сложных ситуациях LLM пытается уточнить свой запрос по мере чтения результатов. Например:

Ref использует MCP-сессии, чтобы отслеживать траекторию поиска и минимизировать использование контекста. Сейчас ещё много идей, но вот что мы реализовали на данный момент.

1. Фильтрация результатов поиска

Ref MCP

A ModelContextProtocol server that gives your AI coding tool or agent access to documentation for APIs, services, libraries etc. It’s your one-stop-shop to keep your agent up-to-date on documentation in a fast and token-efficient way.

For more see info ref.tools

Agentic search for exactly the right context

Ref’s tools are designed to match how models search while using as little context as possible to reduce context rot. The goal is to find exactly the context your coding agent needs to be successful while using minimum tokens.

Depending on the complexity of the prompt, LLM coding agents like Claude Code will typically do one or more searches and then choose a few resources to read in more depth.

For a simple query about Figma’s Comment REST API it will make a couple calls to get exactly what it needs:

SEARCH 'Figma API post comment endpoint documentation' (54 tokens)
READ https://www.figma.com/developers/api#post-comments-endpoint (385 tokens)

For more complex situations, the LLM will try to refine it’s prompt as it reads results. For example:

SEARCH 'n8n merge node vs Code node multiple inputs best practices' (126)
READ https://docs.n8n.io/integrations/builtin/core-nodes/n8n-nodes-base.merge/#merge (4961)
READ https://docs.n8n.io/flow-logic/merging/#merge-data-from-multiple-node-executions (138)
SEARCH 'n8n Code node multiple inputs best practices when to use' (107)
READ https://docs.n8n.io/code/code-node/#usage (80)
SEARCH 'n8n Code node access multiple inputs from different nodes' (370)
SEARCH 'n8n Code node $input access multiple node inputs' (372)
READ https://docs.n8n.io/code/builtin/output-other-nodes/#output-of-other-nodes (2310)

Ref takes advantage of MCP sessions to track search trajectory and minimize context usage. There’s a lot more ideas cooking but here’s what we’ve implemented so far.

1. Filtering search results

For repeated similar searches in a session, Ref will never return repeated results. Traditionally, you dig farther in to search results by paging to the next result but this approach allows the agent to page AND adjust the prompt at the same time.

2. Fetching the part of the page that matters