LLM Context MCP Server

Was macht der “LLM Context” MCP Server?

Der LLM Context MCP Server ist ein Tool, das KI-Assistenten nahtlos mit externen Code- und Textprojekten verbindet und so den Entwicklungs-Workflow über das Model Context Protocol (MCP) optimiert. Durch die Nutzung von .gitignore-Mustern zur intelligenten Dateiauswahl können Entwickler besonders relevante Inhalte direkt in LLM-Chat-Oberflächen einspielen oder einen effizienten Clipboard-Workflow verwenden. So werden Aufgaben wie Code-Review, Dokumentationsgenerierung und Projekterkundung kontextbewusst und mit KI-Unterstützung effizient durchgeführt. LLM Context ist sowohl für Code-Repositories als auch für Sammlungen von Textdokumenten besonders effektiv und bildet damit eine vielseitige Brücke zwischen Projektdaten und KI-gestützten Workflows.

Liste der Prompts

Im Repository wurden keine Informationen zu definierten Prompt-Vorlagen gefunden.

Liste der Ressourcen

In den bereitgestellten Dateien oder der Dokumentation werden keine expliziten Ressourcen erwähnt.

Liste der Tools

Im sichtbaren Repository ist keine server.py oder vergleichbare Datei mit Tool-Definitionen vorhanden. Es konnten keine Informationen zu verfügbaren Tools gefunden werden.

Anwendungsfälle dieses MCP Servers

• Code-Review-Automatisierung: Integriert relevante Code-Segmente in LLM-Oberflächen zur Unterstützung automatisierter oder begleiteter Code-Reviews.
• Dokumentationsgenerierung: Ermöglicht KI den Zugriff auf und die Zusammenfassung von Dokumentation direkt aus Projektdateien.
• Projekterkundung: Unterstützt Entwickler und KI-Agenten dabei, große Codebasen oder Textprojekte schnell zu erfassen, indem Schlüsseldateien und Übersichten hervorgehoben werden.
• Clipboard-Workflow: Ermöglicht das Kopieren von Inhalten in die Zwischenablage und zurück für schnelles Teilen mit LLMs und steigert die Produktivität in chatbasierten Workflows.

Einrichtung

Windsurf

1. Stellen Sie sicher, dass Node.js und Windsurf installiert sind.
2. Suchen Sie die Windsurf-Konfigurationsdatei (z. B. windsurf.config.json).
3. Fügen Sie den LLM Context MCP Server mit folgendem JSON-Snippet hinzu:

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

4. Speichern Sie die Konfiguration und starten Sie Windsurf neu.
5. Überprüfen Sie, ob der MCP-Server in Windsurf angezeigt wird.

Claude

1. Installieren Sie Node.js und stellen Sie sicher, dass Claude die MCP-Integration unterstützt.
2. Bearbeiten Sie die Claude-Konfigurationsdatei, um den MCP-Server einzubinden:

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

3. Speichern Sie die Datei und starten Sie Claude neu.
4. Bestätigen Sie, dass der Server in den MCP-Einstellungen von Claude verfügbar ist.

Cursor

1. Installieren Sie alle Voraussetzungen für den Editor Cursor.
2. Öffnen Sie die MCP-Konfigurationsdatei von Cursor.
3. Fügen Sie den LLM Context MCP Server hinzu:

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

4. Änderungen speichern und Cursor neu starten.
5. Überprüfen Sie, ob der MCP-Server betriebsbereit ist.

Cline

1. Installieren Sie Node.js und Cline.
2. Bearbeiten Sie die Cline-Konfiguration, um den MCP-Server einzurichten:

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

3. Speichern und Cline neu starten.
4. Prüfen Sie, ob der MCP-Server jetzt erreichbar ist.

API Keys absichern

Setzen Sie Umgebungsvariablen, um API-Keys und Geheimnisse zu schützen. Beispielkonfiguration:

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

Wie Sie diesen MCP in Flows nutzen

Nutzung von MCP in FlowHunt

Um MCP-Server in Ihren FlowHunt-Workflow zu integrieren, fügen Sie zunächst die MCP-Komponente zu Ihrem Flow hinzu und verbinden Sie sie mit Ihrem KI-Agenten:

Klicken Sie auf die MCP-Komponente, um das Konfigurationspanel zu öffnen. Fügen Sie im Bereich System-MCP-Konfiguration Ihre MCP-Serverdaten mit folgendem JSON-Format ein:

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

Nach der Konfiguration kann der KI-Agent diesen MCP als Tool mit Zugriff auf alle Funktionen und Möglichkeiten nutzen. Denken Sie daran, “llm-context” durch den tatsächlichen Namen Ihres MCP-Servers zu ersetzen und die URL auf Ihren eigenen MCP-Server anzupassen.

Übersicht

Basierend auf den beiden Tabellen bietet dieser MCP-Server einen guten Überblick und Best Practices zur Sicherheit, fehlt aber an klarer Dokumentation zu Prompts, Ressourcen und Tools. Er eignet sich daher vor allem für grundlegende Kontext-Workflows und benötigt weitere Dokumentation, um das volle Potenzial der erweiterten MCP-Funktionen auszuschöpfen.

MCP Score