خادم LLM Context MCP

ماذا يفعل خادم “LLM Context” MCP؟

خادم LLM Context MCP هو أداة صُممت لربط مساعدي الذكاء الاصطناعي بمشاريع الشيفرة والنصوص الخارجية بسلاسة، مع تعزيز تدفق العمل البرمجي عبر بروتوكول Model Context Protocol (MCP). من خلال الاستفادة من أنماط .gitignore لاختيار الملفات بذكاء، يمكّن المطورين من إدراج محتوى ذي صلة عالية مباشرة في واجهات الدردشة الخاصة بالذكاء الاصطناعي أو استخدام تدفق الحافظة المبسط. يتيح هذا تنفيذ مهام مثل مراجعة الشيفرة، توليد الوثائق، واستكشاف المشاريع بكفاءة مع مساعدة ذكاء اصطناعي مدركة للسياق. يعتبر LLM Context فعالاً بشكل خاص لكل من مستودعات الشيفرة ومجموعات الوثائق النصية، مما يجعله جسراً متعدد الاستخدامات بين بيانات المشروع وتدفقات العمل المعتمدة على الذكاء الاصطناعي.

قائمة الأوامر (Prompts)

لم يتم العثور على معلومات في المستودع حول قوالب أوامر محددة.

قائمة الموارد

لم يتم ذكر موارد صريحة في الملفات أو الوثائق المقدمة.

قائمة الأدوات

لا يوجد ملف server.py أو ملف مكافئ يسرد الأدوات في بنية المستودع الظاهرة. لم يتم العثور على معلومات حول الأدوات المتاحة.

حالات الاستخدام لهذا الخادم MCP

• أتمتة مراجعة الشيفرة: إدراج أجزاء الشيفرة ذات الصلة في واجهات الذكاء الاصطناعي للمساعدة في مراجعات الشيفرة المؤتمتة أو المدعومة.
• توليد الوثائق: تمكين الذكاء الاصطناعي من الوصول إلى الوثائق وتلخيصها مباشرة من ملفات المشروع.
• استكشاف المشاريع: مساعدة المطورين ووكلاء الذكاء الاصطناعي في فهم قواعد شيفرة أو مشاريع نصية كبيرة بسرعة عبر إبراز الملفات الرئيسية والمخططات.
• تدفق الحافظة: تمكين المستخدمين من نسخ المحتوى إلى الحافظة ومن الحافظة للمشاركة السريعة مع الذكاء الاصطناعي، مما يعزز الإنتاجية في بيئات الدردشة.

كيفية الإعداد

Windsurf

1. تأكد من تثبيت Node.js وWindsurf.
2. حدد موقع ملف إعدادات Windsurf (مثل windsurf.config.json).
3. أضف خادم LLM Context MCP باستخدام مقطع JSON التالي:

{
  "mcpServers": {
    "llm-context": {
      "command": "llm-context-mcp",
      "args": []
    }
  }
}

4. احفظ الإعدادات وأعد تشغيل Windsurf.
5. تحقق من الإعداد عبر التأكد من ظهور الخادم في Windsurf.

Claude

1. ثبّت Node.js وتأكد من دعم Claude لتكامل MCP.
2. حرر ملف إعدادات Claude ليشمل خادم MCP:

{
  "mcpServers": {
    "llm-context": {
      "command": "llm-context-mcp",
      "args": []
    }
  }
}

3. احفظ الملف وأعد تشغيل Claude.
4. تأكد من توفر الخادم في إعدادات MCP الخاصة بـ Claude.

Cursor

1. ثبّت المتطلبات الأساسية لمحرر Cursor.
2. افتح ملف إعدادات MCP في Cursor.
3. أضف خادم LLM Context MCP:

{
  "mcpServers": {
    "llm-context": {
      "command": "llm-context-mcp",
      "args": []
    }
  }
}

4. احفظ التغييرات وأعد تشغيل Cursor.
5. تحقق من عمل خادم MCP.

Cline

1. ثبّت Node.js وCline.
2. عدّل إعدادات Cline لتسجيل خادم MCP:

{
  "mcpServers": {
    "llm-context": {
      "command": "llm-context-mcp",
      "args": []
    }
  }
}

3. احفظ وأعد تشغيل Cline.
4. تحقق من أن الخادم MCP أصبح متاحاً.

تأمين مفاتيح API

عيّن متغيرات البيئة لحماية مفاتيح وأسرار API. مثال على الإعداد:

{
  "mcpServers": {
    "llm-context": {
      "command": "llm-context-mcp",
      "args": [],
      "env": {
        "API_KEY": "${LLM_CONTEXT_API_KEY}"
      },
      "inputs": {
        "apiKey": "${LLM_CONTEXT_API_KEY}"
      }
    }
  }
}

كيفية استخدام هذا MCP داخل التدفقات (flows)

استخدام MCP في FlowHunt

لدمج خوادم MCP في تدفق عمل FlowHunt الخاص بك، ابدأ بإضافة مكون MCP إلى التدفق وربطه بوكيل الذكاء الاصطناعي لديك:

انقر على مكون MCP لفتح لوحة الإعدادات. في قسم إعدادات MCP للنظام، أدخل تفاصيل خادم MCP مستخدماً هذا التنسيق في JSON:

{
  "llm-context": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

بعد الإعداد، سيتمكن وكيل الذكاء الاصطناعي الآن من استخدام هذا MCP كأداة مع إمكانية الوصول إلى جميع وظائفه وقدراته. تذكّر تغيير “llm-context” إلى اسم خادم MCP الفعلي الخاص بك واستبدال عنوان URL بعنوان خادم MCP الخاص بك.

نظرة عامة

استناداً إلى الجدولين، يمتاز هذا الخادم MCP بنظرة عامة قوية وأفضل ممارسات الأمان، لكنه يفتقر لوثائق واضحة حول الأوامر والموارد والأدوات. لذلك فهو الأنسب لتدفقات مشاركة السياق الأساسية ويتطلب المزيد من التوثيق للاستفادة الكاملة من الميزات المتقدمة لـ MCP.

تقييم MCP