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

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：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：

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]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。

 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:9200If Elasticsearch is not running, you will see connection errors.Creating index 'test_index'...Index creation successful!Indexing documents...Document indexed with ID: 1Document indexed with ID: 2Document indexed with ID: 3Searching 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!