Каталог MCP
cyberchitta
cyberchitta/llm-context.py

cyberchitta/llm-context.py

LLM Context - MCP-сервер для умного управления контекстом при работе с ИИ. Использует правила для автоматического подбора и передачи нужных файлов проекта, экономя токены. Полезен разработчикам и A...

README

5 инструментов

Установить сервер

LLM Context

Smart context management for LLM development workflows. Share relevant project files instantly through intelligent selection and rule-based filtering.

The Problem

Getting the right context into LLM conversations is friction-heavy:

Manually finding and copying relevant files wastes time
Too much context hits token limits, too little misses important details
AI requests for additional files require manual fetching
Hard to track what changed during development sessions

The Solution

llm-context provides focused, task-specific project context through composable rules.

For humans using chat interfaces:

lc-select   # Smart file selection
lc-context  # Copy formatted context to clipboard
# Paste and work - AI can access additional files via MCP

For AI agents with CLI access:

lc-preview tmp-prm-auth    # Validate rule selects right files
lc-context tmp-prm-auth    # Get focused context for sub-agent

For AI agents in chat (MCP tools):

lc_outlines - Generate excerpted context from current rule
lc_preview - Validate rule effectiveness before use
lc_missing - Fetch specific files/implementations on demand

lc_changed

Возвращает список файлов, изменённых после указанной отметки времени. Аргументы: root_path: Путь к корневой директории (например, '/home/user/projects/myproject') timestamp: Unix timestamp, с которой проверять изменения

Параметры

root_pathstringобязательный
timestampnumberобязательный

lc_missing

Единый инструмент для получения отсутствующего контекста (файлов, реализаций или исключённых разделов). Args: root_path: Корневой путь к каталогу (например, '/home/user/projects/myproject') param_type: Тип данных — 'f' для файлов, 'i' для реализаций, 'e' для исключённых разделов data: Строка JSON, содержащая данные (пути к файлам в формате /{project-name}/ или запросы реализаций) timestamp: Временная метка создания контекста

Параметры

root_pathstringобязательный
param_typestringобязательный
datastringобязательный
timestampnumberобязательный

lc_outlines

Возвращает извлечённое содержимое с выделением важных разделов во всех поддерживаемых файлах. Аргументы: root_path: Путь к корневому каталогу rule_name: Правило для выбора файлов

Параметры

root_pathstringобязательный
rule_namestringобязательный

lc_preview

Предварительно просматривает, какие файлы выбирает правило и их размеры. Аргументы: root_path: Путь к корневому каталогу (например, '/home/user/projects/myproject') rule_name: Имя правила для предварительного просмотра (например, 'prm-code', 'tmp-prm-auth-jwt')

Параметры

root_pathstringобязательный
rule_namestringобязательный

lc_rule_instructions

Предоставляет пошаговые инструкции для создания пользовательских правил. Args: root_path: Путь корневого каталога

Параметры

root_pathstringобязательный

Github Сайт сервера

Конфиг для установки сервера

{
  "command": "uvx",
  "args": [
    "--from",
    "llm-context",
    "lc-mcp"
  ]
}

Также cyberchitta/llm-context.py можно установить в Cursor по ссылке автоматически.

FAQ

Для чего этот сервер?

Этот MCP-сервер избавляет от ручного копирования файлов в AI-диалоги. Вместо того чтобы каждый раз собирать куски кода вручную, сервер даёт агенту инструменты для запроса нужных файлов и описания структуры проекта по правилам. Разработчик описывает, какие файлы нужны для задачи, а AI сам добирает детали через MCP-инструменты. Экономит время, не даёт контексту разрастись до лимита и не упускает важное.

Что он умеет?

Просматривает, какие файлы и какого размера выберет заданное правило (lc_preview). Извлекает ключевые разделы из файлов по правилу (lc_outlines). Подгружает по запросу недостающие файлы, реализации или исключенные секции (lc_missing). Показывает файлы, изменённые с указанного времени (lc_changed). Даёт пошаговые инструкции по созданию собственных правил (lc_rule_instructions).

Информация о сервере

Номер в рейтинге: #145
Звезд на Github: 306
Форков на Github: 23
Язык реализации: Python
Лицензия: Apache-2.0
Официальный сервер: Нет
Дата обновления данных: 19.07 в 08:59
Идентификатор: SGBxvV69r-FgK908
Категории: RAG-системы, Агенты, Знания и память, ИИ и машинное обучение, Инструменты для разработчиков

Другие проверенные MCP-сервера

firebase/genkit

Genkit - open-source инструмент от Firebase для full-stack AI-приложений. Unified API для моделей Google, OpenAI, Anthropic, Ollama. Поддерживает JS/TS, Go, Python, Dart. Упрощает разработку чат-ботов, автоматизаций, RAG. Включает CLI, UI и мониторинг.

hashicorp/terraform-mcp-server

официальный

MCP-сервер для интеграции с Terraform Registry и HCP Terraform, автоматизирующий управление workspace, переменными и запусками в Infrastructure as Code (IaC) через ИИ-ассистенты.

Perplexity MCP

официальный

Официальный MCP-сервер Perplexity: веб-поиск, ответы на вопросы, ресёрч и рассуждения через модели Sonar и Search API.

Grafana MCP

официальный

MCP сервер для интеграции с Grafana: управляйте дашбордами, выполняйте запросы к Prometheus, Loki, CloudWatch и другим источникам через MCP. Упрощает мониторинг, анализ метрик и логов — полезен для инженеров и DevOps.

steipete/peekaboo

MCP сервер для macOS с захватом экрана, AI-анализом и автоматизацией GUI: клики, ввод, скроллинг, горячие клавиши. Требует разрешений на запись экрана и доступность. Полезен разработчикам и тестировщикам.

tinyfish-io/agentql-mcp

официальный

Сервер AgentQL для MCP извлекает структурированные данные с любой веб-страницы по описанию на естественном языке. Разработчику достаточно указать URL и перечислить нужные поля – MCP инструмент сам соберет информацию для AI-агентов.