公众号关注 「奇妙的 Linux 世界」
设为「星标」，每天带你玩转 Linux ！
作为一名开发者，你是否经常遇到这样的困扰？AI 编程助手虽然强大，但仍然存在严重的代码幻觉，经常编造根本不存在的 API 接口。此外，目前主流的大语言模型（如 OpenAI，Claude，DeepSeek）的训练数据往往滞后于技术的更新，导致生成的代码常常基于已经废弃的旧版 API。结果就是，虽然 AI 可以快速生成代码，但调试和排错却耗费了大量时间，反而拖慢了开发进度。
Context7 的优点
Context7 的出现正是为了解决上面的痛点，Context7 充当了编程提示与实时软件文档之间的桥梁。每当被调用时，Context7 会从官方源头获取最新的、版本特定的文档和相关代码示例，提供给 AI 编程助手，将这些信息注入到 LLM 的上下文中，从而有效提高 LLM 生成代码的质量。Context7 的优点包括：
✅ 最新、最准确的代码：获取反映最新库版本和最佳实践的建议。
✅ 减少调试时间：减少因过时的 AI 知识导致的错误修复时间。
✅ 拒绝代码幻觉：依赖于已记录的、存在的函数。
✅ 精准版本：能根据你用的特定库版本给答案。
✅ 无缝的工作流程：直接集成到你现有的 AI 编程助手中（如 Cursor、带有 MCP 扩展的 VS Code 等），无需频繁切换到文档网站。
先试试直接让 AI 乱写代码
口说无凭，我们来实际对比下使用 Context7 前后的效果。首先，我们测试一下在没有 Context7 的情况下，AI 是否能够写出 Bug free 的代码。需求非常简单：使用 elasticsearch-rs 库，通过编写 Rust 代码与 Elasticsearch 进行交互，先创建一个索引，然后写入几条文档。
AI 接到指令以后，就开始洋洋洒洒地生成代码了，不到 1 分钟就已经写完了。
但是吧。。。 生成的代码显然无法正常运行，甚至连编译都通过不了，因为肉眼可见就已经能看到有 4 个报错的红线。。。
使用 cargo run 运行程序后，报错信息也清楚地显示出来，主要问题是调用函数时传入的参数类型不正确。
error[E0308]: mismatched types
--> src/main.rs:133:44
|
133 | .refresh(IndicesCreateParts::Index(&[index_name]))
| ------------------------- ^^^^^^^^^^^^^ expected `&str`, found `&[&str; 1]`
| |
| arguments to this enum variant are incorrect
|
= note: expected reference `&str`
found reference `&[&str; 1]`
note: tuple variant defined here
--> /Users/seven/.cargo/registry/src/index.crates.io-1949cf8c6b5b557f/elasticsearch-8.5.0-alpha.1/src/indices.rs:1022:5
|
1022 | Index(&'b str),
| ^^^^^
error[E0308]: mismatched types
--> src/main.rs:133:18
|
133 | .refresh(IndicesCreateParts::Index(&[index_name]))
| ------- ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ expected `IndicesRefreshParts<'_>`, found `IndicesCreateParts<'_>`
| |
| arguments to this method are incorrect
|
note: method defined here
--> /Users/seven/.cargo/registry/src/index.crates.io-1949cf8c6b5b557f/elasticsearch-8.5.0-alpha.1/src/indices.rs:9654:12
|
9654 | pub fn refresh<'b>(&'a self, parts: IndicesRefreshParts<'b>) -> IndicesRefresh<'a, 'b, ()> {
| ^^^^^^^
error[E0308]: mismatched types
--> src/main.rs:48:51
|
48 | let conn_pool = SingleNodeConnectionPool::new(addr);
| ----------------------------- ^^^^ expected `Url`, found `SocketAddr`
| |
| arguments to this function are incorrect
|安装 Context7 MCP Server
接下来，让我们试试使用 Context7，看看它是否能提升 LLM 生成的代码质量。关于 Context7 MCP Server 的安装方式，可以参考：https://github.com/upstash/context7
目前，常见的 AI 编程助手（如 Cursor、Windsurf、Augment Code 等）都支持配置 MCP Server。以我使用的 Augment Code 为例，只需要添加 Context7 MCP Server 的安装命令即可。
如果你想使用的库在 Context7 网站中还没有被索引，你可以手动添加。在本文中，我手动添加了 elasticsearch-rs 库。以后如果需要使用该库，就无需再手动添加了。
使用 Context7 提升 AI 代码质量
安装完成后，我们让 AI 编程助手重新尝试完成相同的任务，只不过这次我们让 AI 编程助手在开始之前先使用 Context7 查阅代码文档。提示词如下：
先使用 context7 mcp server 查询 elasticsearch-rs 的代码文档，
然后使用 elasticsearch-rs 编写代码和 Elasticsearch 进行交互，
首先创建一个索引，然后写入几条文档，再查询这几条文档从下图可以看到，Augment Code 首先调用了 Context7 MCP Server，获取了基于 elasticsearch-rs 库整理的提示词，然后根据最新的代码进行编程。
生成的代码如下所示：
use elasticsearch::{
Elasticsearch,
indices::IndicesCreateParts,
SearchParts,
IndexParts,
http::transport::Transport,
};
use serde::{Deserialize, Serialize};
use serde_json::{json, Value};
#[derive(Debug, Serialize, Deserialize)]
struct Document {
id: u32,
title: String,
content: String,
}
#[tokio::main]
asyncfn main() -> Result<(), Box<dyn std::error::Error>> {
println!("Connecting to Elasticsearch...");
println!("Note: This example requires Elasticsearch to be running on http://localhost:9200");
println!("If Elasticsearch is not running, you will see connection errors.");
// Create a client connected to localhost using HTTP
let transport = Transport::single_node("http://localhost:9200")?;
let client = Elasticsearch::new(transport);
// Index name
let index_name = "test_index";
// Create an index with mapping
println!("Creating index '{}'...", index_name);
let _response = client
.indices()
.create(IndicesCreateParts::Index(index_name))
.body(json!({
"mappings": {
"properties": {
"id": { "type": "integer" },
"title": { "type": "text" },
"content": { "type": "text" }
}
}
}))
.send()
.await?;
println!("Index creation successful!");
// Create some documents
let documents = vec![
Document {
id: 1,
title: "First document".to_string(),
content: "This is the content of the first document".to_string(),
},
Document {
id: 2,
title: "Second document".to_string(),
content: "This is the content of the second document".to_string(),
},
Document {
id: 3,
title: "Third document".to_string(),
content: "This is the content of the third document".to_string(),
},
];
// Index the documents
println!("Indexing documents...");
for doc in &documents {
// Create document ID
let doc_id = doc.id.to_string();
// Index with document ID in the URL path
let _response = client
.index(IndexParts::IndexId(index_name, &doc_id))
.body(doc)
.send()
.await?;
println!("Document indexed with ID: {}", doc.id);
}
// Refresh the index to make the documents searchable immediately
client
.indices()
.refresh(elasticsearch::indices::IndicesRefreshParts::Index(&[index_name]))
.send()
.await?;
// Search for documents
println!("Searching for documents...");
let search_response = client
.search(SearchParts::Index(&[index_name]))
.body(json!({
"query": {
"match_all": {}
}
}))
.send()
.await?;
// Process the search response
let search_body = search_response.json::<Value>().await?;
let hits = search_body["hits"]["hits"].as_array().unwrap();
println!("Found {} documents:", hits.len());
for hit in hits {
println!("ID: {}, Source: {}",
hit["_id"].as_str().unwrap(),
hit["_source"]
);
}
// Search for specific content
println!("\nSearching for documents with 'first' in content...");
let search_response = client
.search(SearchParts::Index(&[index_name]))
.body(json!({
"query": {
"match": {
"content": "first"
}
}
}))
.send()
.await?;
// Process the search response
let search_body = search_response.json::<Value>().await?;
let hits = search_body["hits"]["hits"].as_array().unwrap();
println!("Found {} documents with 'first' in content:", hits.len());
for hit in hits {
println!("ID: {}, Source: {}",
hit["_id"].as_str().unwrap(),
hit["_source"]
);
}
println!("Done!");
Ok(())
}让我们尝试运行代码，可以到成功创建了索引，并写入了文档。借助 Context7，AI 编程助手一次就完成了 Bug free 的代码。
cargo run
Finished `dev` profile [unoptimized + debuginfo] target(s) in 3.70s
Running `target/debug/elasticsearch-example`
Connecting to Elasticsearch...
Note: This example requires Elasticsearch to be running on http://localhost:9200
If Elasticsearch is not running, you will see connection errors.
Creating index 'test_index'...
Index creation successful!
Indexing documents...
Document indexed with ID: 1
Document indexed with ID: 2
Document indexed with ID: 3
Searching for documents...
Found 3 documents:
ID: 1, Source: {"content":"This is the content of the first document","id":1,"title":"First document"}
ID: 2, Source: {"content":"This is the content of the second document","id":2,"title":"Second document"}
ID: 3, Source: {"content":"This is the content of the third document","id":3,"title":"Third document"}
Searching for documents with 'first'in content...
Found 1 documents with 'first'in content:
ID: 1, Source: {"content":"This is the content of the first document","id":1,"title":"First document"}
Done!总结
本文通过实际案例演示了如何利用 Context7 MCP Server 解决 AI 编程助手中的代码幻觉问题和使用过时 API 的问题。借助 Context7 获取最新、最准确的代码建议，显著提升了 AI 生成的代码质量，从而有效提高了开发效率。
参考资料
Context7: https://context7.com/
upstash/context7: https://github.com/upstash/context7
How to Install Context7 MCP Server: https://huggingface.co/blog/lynn-mikami/context7-mcp-server
Get Accurate, Up-to-Date Code with the Context7 MCP Server: Your Setup and Usage Guide: https://sebastian-petrus.medium.com/context7-mcp-server-8609aa20add9
备注
本文的相关代码可以在 Github 上找到：https://github.com/cr7258/hands-on-lab/tree/main/ai/mcp/context7/elasticsearch
你可以使用 docker-compose up -d 命令来启动一个单节点的 Elasticsearch 集群。通过 http://localhost:9200 进行访问，没有设置用户名和密码。
最近，我们建立了一个技术交流微信群。目前群里已加入了不少行业内的大神，有兴趣的同学可以加入和我们一起交流技术，在 「奇妙的 Linux 世界」 公众号直接回复 「加群」 邀请你入群。
你可能还喜欢
点击下方图片即可阅读
点击上方图片，『美团|饿了么』外卖红包天天免费领
更多有趣的互联网新鲜事，关注「奇妙的互联网」视频号全了解！
扫一扫
124
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
