AI 乱写代码怎么破？使用 Context7 MCP Server 让 AI 写出靠谱代码!

Se7en2582025-04-28 14:10

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。

bash 复制代码 
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：github.com/upstash/con...

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：

vbscript 复制代码 
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：

rs 复制代码 
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]
async fn 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。

bash 复制代码 
 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

备注

本文的相关代码可以在 Github 上找到：github.com/cr7258/hand...

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。

欢迎关注

相关推荐
进来有惊喜8 分钟前
循环神经网络RNN---LSTM
人工智能·rnn·深度学习
Chrome深度玩家9 分钟前
如何下载Google Chrome适用于AI语音交互的特制版
前端·人工智能·chrome
Xiaoxiaoxiao02099 分钟前
GAEA情感坐标背后的技术原理
人工智能·web3·区块链
崔高杰17 分钟前
On the Biology of a Large Language Model——Claude团队的模型理解文章【论文阅读笔记】其一CLT与LLM知识推理
论文阅读·人工智能·笔记·语言模型·自然语言处理
ICT_SOLIDWORKS40 分钟前
智诚科技苏州SOLIDWORKS授权代理商的卓越之选
大数据·人工智能·科技·软件工程
新知图书1 小时前
OpenCV彩色图像分割
人工智能·opencv·计算机视觉
多巴胺与内啡肽.1 小时前
OpenCV进阶操作：图像金字塔
人工智能·opencv·计算机视觉
小oo呆1 小时前
【自然语言处理与大模型】大模型参数规模与部署配置调查2025第一季度
人工智能·自然语言处理
Jamence1 小时前
多模态大语言模型arxiv论文略读（四十四）
人工智能·语言模型·自然语言处理
艾醒(AiXing-w)1 小时前
探索大语言模型（LLM）：自监督学习——从数据内在规律中解锁AI的“自学”密码
人工智能·学习·语言模型
热门推荐
01西电B测-计算机网络综合实验(含验收问题)02KGG转MP3工具|非KGM文件|解密音频03从零安装 LLaMA-Factory 微调 Qwen 大模型成功及所有的坑04YOLOv5改进 | 添加CA注意力机制 + 增加预测层 + 更换损失函数之GIoU05yolov8，yolo11，yolo12 服务器训练到部署全流程 笔记06我决定放弃搞 Java 了07Coze扣子平台完整体验和实践（附国内和国际版对比）08YOLOv8入门 | 重要性能衡量指标、训练结果评价及分析及影响mAP的因素【发论文关注的指标】09DeepSeek各版本说明与优缺点分析10yolov8实战第五天——yolov8+ffmpg实时视频流检测并进行实时推流——（推流，保姆教学）