MCP LLMS-TXT 文档服务器

概述

llms.txt 是 LLM 的网站索引，提供背景信息、指导和指向详细 markdown 文件的链接。像 Cursor 和 Windsurf 这样的 IDE 或像 Claude Code/Desktop 这样的应用程序可以使用 llms.txt 来检索任务的上下文。然而，这些应用程序使用不同的内置工具来读取和处理像 llms.txt 这样的文件。检索过程可能不透明，并且不总是有办法审计工具调用或返回的上下文。

MCP 为开发者提供了一种完全控制这些应用程序使用的工具的方法。在这里，我们创建一个开源 MCP 服务器，为 MCP 主机应用程序（例如，Cursor、Windsurf、Claude Code/Desktop）提供 (1) 用户定义的 llms.txt 文件列表和 (2) 一个简单的 fetch_docs 工具，用于读取任何提供的 llms.txt 文件中的 URL。这允许用户审计每个工具调用以及返回的上下文。

快速开始

安装 uv

• 请参阅 官方 uv 文档 了解其他安装 uv 的方法。

curl -LsSf https://astral.sh/uv/install.sh | sh

选择要使用的 llms.txt 文件。

• 例如，这里 是 LangGraph 的 llms.txt 文件。

(可选) 使用您选择的 llms.txt 文件在本地测试 MCP 服务器：

uvx --from mcpdoc mcpdoc \
    --urls LangGraph:https://langchain-ai.github.io/langgraph/llms.txt \
    --transport sse \
    --port 8082 \
    --host localhost

• 这应该在 http://localhost:8082 运行

• 运行 MCP inspector 并连接到正在运行的服务器：

npx @modelcontextprotocol/inspector

• 在这里，您可以测试 tool 调用。

连接到 Cursor

• 打开 Cursor Settings 和 MCP 选项卡。
• 这将打开 ~/.cursor/mcp.json 文件。

• 将以下内容粘贴到文件中（我们使用 langgraph-docs-mcp 名称并链接到 LangGraph llms.txt）。

{
  "mcpServers": {
    "langgraph-docs-mcp": {
      "command": "uvx",
      "args": [
        "--from",
        "mcpdoc",
        "mcpdoc",
        "--urls",
        "LangGraph:https://langchain-ai.github.io/langgraph/llms.txt",
        "--transport",
        "stdio",
        "--port",
        "8081",
        "--host",
        "localhost"
      ]
    }
  }
}

• 确认服务器在您的 Cursor Settings/MCP 选项卡中运行。
• CMD+L (在 Mac 上) 打开聊天。
• 确保选择了 agent。

然后，尝试一个示例提示，例如：

use the langgraph-docs-mcp server to answer any LangGraph questions -- 
+ call list_doc_sources tool to get the available llms.txt file
+ call fetch_docs tool to read it
+ reflect on the urls in llms.txt 
+ reflect on the input question 
+ call fetch_docs on any urls relevant to the question
+ use this to answer the question

what are types of memory in LangGraph?

连接到 Windsurf

• 使用 CMD+L (在 Mac 上) 打开 Cascade。
• 单击 Configure MCP 以打开配置文件 ~/.codeium/windsurf/mcp_config.json。
• 如上所述，使用 langgraph-docs-mcp 更新。

• CMD+L (在 Mac 上) 打开 Cascade 并刷新 MCP 服务器。
• 将列出可用的 MCP 服务器，显示 langgraph-docs-mcp 已连接。

然后，尝试示例提示：

• 它将执行您的工具调用。

连接到 Claude Desktop

• 打开 Settings/Developer 以更新 ~/Library/Application\ Support/Claude/claude_desktop_config.json。
• 如上所述，使用 langgraph-docs-mcp 更新。
• 重新启动 Claude Desktop 应用程序。

• 您将在聊天输入的右下方看到您的工具。

然后，尝试示例提示：

• 它将要求批准工具调用，因为它会处理您的请求。

连接到 Claude Code

• 在安装 Claude Code 后的终端中，运行此命令以将 MCP 服务器添加到您的项目：

claude mcp add-json langgraph-docs '{"type":"stdio","command":"uvx" ,"args":["--from", "mcpdoc", "mcpdoc", "--urls", "langgraph:https://langchain-ai.github.io/langgraph/llms.txt"]}' -s local

• 您将看到 ~/.claude.json 已更新。
• 通过启动 Claude Code 并运行以查看您的工具进行测试：

$ Claude
$ /mcp 

然后，尝试示例提示：

• 它将要求批准工具调用。

命令行界面

mcpdoc 命令提供了一个简单的 CLI 用于启动文档服务器。

您可以通过三种方式指定文档源，并且可以将它们组合起来：

1. 使用 YAML 配置文件：

• 这将从该存储库中的 sample_config.yaml 文件加载 LangGraph Python 文档。

mcpdoc --yaml sample_config.yaml

2. 使用 JSON 配置文件：

• 这将从该存储库中的 sample_config.json 文件加载 LangGraph Python 文档。

mcpdoc --json sample_config.json

3. 直接指定 llms.txt URL，并带有可选名称：

• 可以将 URL 指定为纯 URL，也可以使用 name:url 格式指定带有可选名称的 URL。
• 这就是我们上面为 MCP 服务器加载 llms.txt 的方式。

mcpdoc --urls LangGraph:https://langchain-ai.github.io/langgraph/llms.txt

您还可以组合这些方法来合并文档源：

mcpdoc --yaml sample_config.yaml --json sample_config.json --urls https://langchain-ai.github.io/langgraph/llms.txt

附加选项

• --follow-redirects: 遵循 HTTP 重定向（默认为 False）
• --timeout SECONDS: HTTP 请求超时（以秒为单位）（默认为 10.0）

带有附加选项的示例：

mcpdoc --yaml sample_config.yaml --follow-redirects --timeout 15

这将加载 LangGraph Python 文档，超时时间为 15 秒，并在必要时遵循任何 HTTP 重定向。

配置格式

YAML 和 JSON 配置文件都应包含文档源列表。

每个源必须包含一个 llms_txt URL，并且可以选择包含一个 name：

YAML 配置示例 (sample_config.yaml)

# Sample configuration for mcp-mcpdoc server
# Each entry must have a llms_txt URL and optionally a name
- name: LangGraph Python
  llms_txt: https://langchain-ai.github.io/langgraph/llms.txt

JSON 配置示例 (sample_config.json)

[
  {
    "name": "LangGraph Python",
    "llms_txt": "https://langchain-ai.github.io/langgraph/llms.txt"
  }
]

程序化使用

from mcpdoc.main import create_server

# Create a server with documentation sources
server = create_server(
    [
        {
            "name": "LangGraph Python",
            "llms_txt": "https://langchain-ai.github.io/langgraph/llms.txt",
        },
        # You can add multiple documentation sources
        # {
        #     "name": "Another Documentation",
        #     "llms_txt": "https://example.com/llms.txt",
        # },
    ],
    follow_redirects=True,
    timeout=15.0,
)

# Run the server
server.run(transport="stdio")