Context7 MCP 简明教程

直到最近，我的“提示工程工作流”看起来像是一场永无止境的复制粘贴马拉松。每当 Copilot 幻觉出一个不存在的方法或调用已弃用的 API 时，我就会打开官方文档，复制一大段文本，并希望这些额外的上下文能修正建议。有时它有效，但往往无效，而且每次这样的偏离都会打断我的专注。

Context7 从根源上解决了这种疲劳。该服务自动拉取正确的代码片段（按库和版本过滤），而不是我手动向模型灌输文档，并将其提供给助手。这一单一的改变意味着我可以留在编辑器中，Copilot 能够使用与我的依赖项相同的语言，而且它生成的代码通常第一次就能编译通过。

1、MCP 带来了什么

这里的“神奇粘合剂”是模型上下文协议 (MCP)。可以将 MCP 想象成一个标准插座，任何支持 LLM 的工具都可以在生成时向其请求外部服务（如 Context7）以获取额外知识。Upstash 提供了一个现成的 MCP 服务器来封装 Context7，因此 Copilot、Cursor 或 Windsurf 可以在没有定制插件的情况下进行集成。

2、在 GitHub Copilot 中设置

安装过程出奇地简单。以下是我的设置步骤：

打开 VSCode 设置：导航到您的 VSCode 设置
搜索 MCP：在搜索栏中输入 "mcp"
编辑 settings.json：点击第一个结果中的“在 settings.json 中编辑”
添加配置：包含以下 JSON 代码片段：

{
  "mcpServers": {
    "context7": {
      "command": "npx",
      "args": ["-y", "@upstash/context7-mcp"]
    }
  }
}

您的最终 settings.json 应如下所示：

{
  "mcp": {
    "servers": {
      "context7": {
        "command": "npx",
        "args": ["-y", "@upstash/context7-mcp"]
      }
    }
  }
}

5. 重启 Copilot：重启 Copilot 后，MCP 即可使用 🙂

3、测试差异

我想展示这个 MCP 为项目带来的切实价值。因此，我使用 OpenAI 的 GPT-4 模型，在有和没有 MCP 的情况下测试了 Copilot 在“代理”模式下的输出。

测试提示：

帮助我使用 OpenAI Agents SDK 在此模块中创建一个包含多个代理的管道：1. WebSearch 代理：使用 OpenAI 的 WebSearch 工具执行互联网搜索
2. 内容生成代理：三个并行代理，生成不同风格的散文草稿变体
3. 评判代理：评估三个草稿并根据定义的标准选择最佳草稿
该管道应编排代理并处理它们之间的数据流。

让我们看看 Copilot 如何处理 OpenAI Agents SDK！

没有 MCP 的结果：

"""
使用 OpenAI Agents SDK 的管道：
1. WebSearch 代理：执行互联网搜索。
2. 三个内容生成代理：并行生成散文草稿。
3. 评判代理：选择最佳草稿。
"""

from openai import agents

# 1. WebSearch 代理
def websearch_agent(query):
    """使用 OpenAI 的 WebSearch 工具收集信息。"""
    # 替换为实际的 OpenAI Agents SDK 调用
    response = agents.WebSearch.run(query=query)
    return response['results']

# 2. 内容生成代理（3 个变体）
def content_generation_agent(info, style=None):
    """从信息生成散文草稿。可选地改变风格。"""
    prompt = f"根据以下信息撰写一篇详细、引人入胜的散文草稿：{info}\n"
    if style:
        prompt += f"使用以下风格：{style}\n"
    # 替换为实际的 OpenAI Agents SDK 调用
    return agents.Completion.run(prompt=prompt)['text']

# 3. 评判代理
def judge_agent(drafts):
    """评估草稿并选择最佳草稿。"""
    prompt = (
        "你是一个评判者。给定这三个草稿，根据清晰度、连贯性、创造力和事实准确性选择最佳草稿。\n"
        f"草稿 1：{drafts[0]}\n"
        f"草稿 2：{drafts[1]}\n"
        f"草稿 3：{drafts[2]}\n"
        "回复最佳草稿的编号（1、2 或 3）以及简短的理由。"
    )
    # 替换为实际的 OpenAI Agents SDK 调用
    return agents.Completion.run(prompt=prompt)['text']

# 管道编排
def run_pipeline(query):
    # 步骤 1：WebSearch
    info = websearch_agent(query)
    # 步骤 2：内容生成（并行）
    styles = [None, "更具创意", "更简洁"]
    drafts = [content_generation_agent(info, style=s) for s in styles]
    # 步骤 3：评判
    result = judge_agent(drafts)
    return result

if __name__ == "__main__":
    user_query = "喝绿茶对健康有什么好处？"
    best_draft = run_pipeline(user_query)
    print("管道结果：\n", best_draft)

不要费心阅读代码，只需看导入语句。说它“幻觉”都太抬举它了 🤣

import asyncio
from agents import Agent, Runner, WebSearchTool
from dotenv import load_dotenv

load_dotenv()

# 1. WebSearch 代理
def create_websearch_agent():
    return Agent(
        name="WebSearch Agent",
        instructions="你使用 WebSearch 工具为任何查询收集相关信息。",
        tools=[WebSearchTool()],
    )

# 2. 内容生成代理（3 个变体）
def create_content_agent(style: str):
    return Agent(
        name=f"内容生成器 ({style})",
        instructions=f"你是一位创意作家。使用提供的信息，以 {style} 风格撰写散文草稿。要求清晰、引人入胜且准确。",
    )

# 3. 评判代理
def create_judge_agent():
    return Agent(
        name="评判代理",
        instructions=(
            "你是一位专业的评估者。你将收到三份散文草稿。"
            "根据清晰度、连贯性、创造力和事实准确性选择最佳草稿。"
            "只返回最佳草稿，并解释你的推理。"
        ),
    )

async def pipeline(query: str):
    websearch_agent = create_websearch_agent()

    # 步骤 1：网络搜索
    websearch_result = await Runner.run(websearch_agent, query)
    info = websearch_result.final_output

    # 步骤 2：并行生成 3 个草稿
    styles = ["简洁", "叙述性", "分析性"]
    content_agents = [create_content_agent(style) for style in styles]
    tasks = [Runner.run(agent, info) for agent in content_agents]
    drafts = await asyncio.gather(*tasks)
    prose_drafts = [draft.final_output for draft in drafts]

    # 步骤 3：评判代理选择最佳草稿
    judge_agent = create_judge_agent()
    judge_prompt = (
        "以下是基于相同信息的三份散文草稿。\n"
        f"草稿 1：\n{prose_drafts[0]}\n\n草稿 2：\n{prose_drafts[1]}\n\n草稿 3：\n{prose_drafts[2]}\n\n"
        "选择最佳草稿并解释你的推理。"
    )
    judge_result = await Runner.run(judge_agent, judge_prompt)
    return judge_result.final_output

if __name__ == "__main__":
    import sys
    user_query = sys.argv[1] if len(sys.argv) > 1 else "喝绿茶对健康有什么好处？"
    result = asyncio.run(pipeline(user_query))
    print(result)

差异是天壤之别。MCP 增强版本使用了正确的导入、正确的异步模式，并且实际上实现了一个工作的管道结构。

4、结束语

Context7 感觉像是一个提升生活质量的开发者工具，而不仅仅是另一个 AI 创新。集成只需五分钟，就会消失在编辑器的后台，并默默提升每个涉及外部库的 Copilot 建议。

如果您尝试这个工作流，我很乐意听到它如何改变您的编码会话。Upstash 团队正在快速推出功能——对私有包和语言过滤器的支持已经在路线图上。我们越早分享反馈，我们的 AI 助手就会变得越准确。

原文链接：How Context7 MCP by Upstash Transformed My VSCode and Copilot Workflow

汇智网翻译整理，转载请标明出处