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

Версии

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

Инструменты были проиндексированы: 11.09.2026

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

datastringобязательный
param_typestringобязательный
root_pathstringобязательный
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"
  ]
}

Нужен uvx

Сервер запускается через uvx
Без него ничего работать не будет.

Как установить uvx

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?

Сервер собирает контекст проекта для LLM: по правилам выбирает нужные файлы и генерирует из них выжимку. Через lc_preview показывает, какие файлы попали в выборку и сколько они весят, lc_outlines достаёт из кода ключевые секции, lc_missing дотягивает недостающие файлы и реализации, lc_changed перечисляет изменённые после заданной даты файлы. Правила делятся на пять категорий и комбинируются, lc_rule_instructions объясняет, как создавать свои.

Информация о сервере

Номер в рейтинге: #158
Звезд на Github: 306
Форков на Github: 22
Загрузок: 4 492
Язык реализации: Python
Лицензия: Apache-2.0
Официальный сервер: Нет
Дата обновления данных: 10.09 в 23:20
Идентификатор: SGBxvV69r-FgK908
Категории: RAG-системы, Агенты, Знания и память, ИИ и машинное обучение, Инструменты для разработчиков

Похожие MCP-сервера

leesgit/claude-session-continuity-mcp

Автоматически сохраняет контекст между сессиями Claude Code — больше не нужно повторять настройки. Использует семантический поиск, захват ошибок и решений, делает работу непрерывной. Для разработчи...

Goldentrii/AgentRecall

AgentRecall — MCP сервер, который запоминает каждое исправление агента и учится на ошибках. Пять слоев памяти (коррекции, эпизоды, навыки) хранятся локально в markdown. Инструмент полезен разработчикам ИИ-агентов: он автоматически анализирует повторные недочеты и повышает точность работы, не треб...

gingugu/gingugu

Локальный MCP-сервер Gingugu дает AI-ассистентам постоянную память на SQLite: контекст между сессиями, проектами и репозиториями. Гибридный поиск, хронология, связи, уровни доверия. Один файл, без ...

fulcradynamics/fulcra-context-mcp

MCP-сервер для работы с контекстными данными Fulcra через Fulcra API. Дает ИИ-агентам доступ к данным Fulcra Context. Поддерживает локальный и удаленный режимы с OAuth2, подходит разработчикам.

mrjoshuak/godoc-mcp

MCP-сервер для быстрого доступа к документации Go-пакетов. Он помогает LLM понимать код без чтения целых файлов, экономя токены. Полезен Go-разработчикам, использующим ИИ-ассистентов.

sgx-labs/statelessagent

MCP сервер SAME даёт AI-агентам кодинга постоянную память: индексирует markdown-заметки, автоматически подбирает контекст после перезапуска и фиксирует решения. Работает локально с Claude Code, Cursor, Windsurf и другими. Без облаков и телеметрии.