Context7
Up-to-date docs for AI agents
Beschreibung vom Entwickler (englisches Original)
Self-maintaining knowledge vault: figure-level search, auto-wikilinks, and memory compression.
Diese drei werden nie zu einer Punktzahl zusammengefasst: Meinungen, Messungen und Beliebtheit sind verschiedene Dinge.
Für diesen Server haben wir noch keine Zusammenfassung in einfacher Sprache geschrieben. Unten stehen die Fakten, die wir aus der Registry gelesen haben.
Wähle die KI-App, die du nutzt, und kopiere die Einstellungen.
Du brauchst
Welche App nutzt du?
Wähle oben deine App. Wir merken sie uns, damit der Button beim nächsten Mal „In … installieren“ anzeigt.
Öffne Claude Desktop → Settings → Developer → Edit Config und füge dies in claude_desktop_config.json ein
{
"mcpServers": {
"second-brain": {
"command": "uvx",
"args": [
"mcp-second-brain"
]
}
}
}Führe das in deinem Terminal aus
claude mcp add second-brain -- uvx mcp-second-brainIn .cursor/mcp.json in deinem Projekt oder in ~/.cursor/mcp.json einfügen
{
"mcpServers": {
"second-brain": {
"command": "uvx",
"args": [
"mcp-second-brain"
]
}
}
}Dein Browser fragt, ob er die App öffnen darf, dann zeigt die App die Einstellungen und bittet dich um Bestätigung. Schlüsselwerte bleiben leer, damit du sie selbst einträgst.
In .vscode/mcp.json in deinem Projekt einfügen
{
"servers": {
"second-brain": {
"type": "stdio",
"command": "uvx",
"args": [
"mcp-second-brain"
]
}
}
}Dein Browser fragt, ob er die App öffnen darf, dann zeigt die App die Einstellungen und bittet dich um Bestätigung. Schlüsselwerte bleiben leer, damit du sie selbst einträgst.
Dieser Server läuft auf deinem Computer, und ChatGPT kann sich nur mit Servern im Internet verbinden. Wähle eine andere App.
Deine Auswahl bleibt in einem Cookie auf diesem Gerät; kein Konto nötig.
Diese Einstellungen werden aus dem Registry-Eintrag des Entwicklers erzeugt. Wenn in der README etwas anderes steht, folge der README.
Läuft auf deinem Computer; die Tool-Liste erscheint nach der Installation in deiner KI-App.
Wir prüfen Informationen, die jeder sehen kann; den Code haben wir nicht gelesen. Checks, die nicht zutreffen, werden nicht mitgezählt. · Geprüft am 7. Nov. 2026
Der Registry-Name wurde mit dem GitHub-Konto ddmanyes bestätigt, dem das Repo gehört
Dieses Repo haben wir noch nicht von GitHub gelesen
Dieses Repo haben wir noch nicht von GitHub gelesen
Dieser Server läuft auf deinem Computer; es gibt keinen Endpunkt im Internet
Läuft auf deinem Computer und nutzt stattdessen lokale Einstellungen
Läuft auf deinem Computer; Tool-Listen können wir nur von Endpunkten im Internet lesen
Verglichen mit allen aktiven Servern dieser Kategorie in der Registry. Sterne zählen nur, wenn dem Herausgeber das Repo gehört.
Er hat 1 von 1 zutreffenden Basischecks bestanden. Den Code haben wir nicht gelesen. Bevor du einen Schlüssel oder Token hinzufügst, sieh nach, welche Zugriffe der Server verlangt, und nutze einen Schlüssel, der nur die Berechtigungen hat, die du brauchst.
Die Registry nennt keinen erforderlichen Schlüssel, manche Server bitten dich aber bei der ersten Nutzung, dich anzumelden.
Er läuft auf deinem Computer. Deine KI-App startet ihn bei Bedarf, und die Daten laufen nicht über die Server des Entwicklers (außer der Server ruft selbst einen Onlinedienst auf).
Das GitHub-Repo wurde zuletzt – geändert, und die neueste Version (0.1.0) kam vor 5 Monaten in die Registry.
Apps, die MCP unterstützen, etwa Claude Desktop, Claude Code, Cursor und VS Code. Außerdem brauchst du Python (uv) auf deinem Computer.
In derselben Kategorie: Context7, Codebase Memory, Exa
Server derselben Kategorie von anderen Entwicklern, sortiert nach Sternen.
So liest du eine Karte:★ GitHub-SterneiDrei Säulen: Bewertungen · Checks · NutzungiAktualisiert = neueste Version in der Registry veröffentlichti
Up-to-date docs for AI agents
Codebase knowledge graph for AI agents — 162 languages, sub-ms queries, 99% fewer tokens.
Connect AI agents to Exa for web search, content fetching, and multi-step research.
Unverändert aus dem Repo des Entwicklers übernommen. PopNx MCP hat den Inhalt weder geprüft noch empfiehlt es ihn. HTML, Bilder und Skripte wurden entfernt. Links führen von dieser Website weg.
A self-maintaining personal knowledge base for AI agents — a plain-Markdown vault, powered by MCP.
📖 English · 繁體中文
A local knowledge base your AI agent can read, write, and maintain on its own. Save a paper or note with one command — second-brain converts it to Markdown, OCRs every figure, embeds it for semantic search, and auto-links it to related notes. Notes you stop reading compress themselves over time, so recall stays cheap as the vault grows.
Everything is plain Markdown — sync via Google Drive / iCloud / git, switch agents anytime, zero lock-in.
save_article(url_or_pdf) fetches, converts to Markdown, OCRs figures (Claude Vision), embeds, and auto-links.search_figures("UMAP melanocyte") returns the exact panel across your whole library.get_context() reloads goals + top notes + rules at the start of every session.pip install mcp-second-brain
playwright install chromium
claude mcp add --scope user second-brain \ --env SECOND_BRAIN_PATH=~/second-brain \ -- python -m mcp_second_brain
The vault directory and templates are created on first run. Then tell your agent init_vault to verify.
⚠️ PyPI currently lags the source tree. For the newest build — plus Claude Desktop, Windows, and multi-machine / central-server setups — see [NEW_MACHINE_SETUP.md](NEW_MACHINE_SETUP.md).
| Tool | What it does |
|---|---|
auth_context | Read the authenticated caller's canonical UUID, role, and RBAC state |
get_context | Session start — goals + top-ranked notes + auto-rules |
save_article | URL / PDF → Markdown + figures + embeddings |
search_notes / search_figures | Hybrid BM25 + semantic search (note text / figure content) |
search_articles | Structured author, ORCID, DOI/PMID/PMCID and year search for papers |
audit_article_records | Bounded, read-only article housekeeping and social-source freshness report |
new_note / update_note / append_to_note | Create & edit notes (auto-filed, auto-indexed, auto-linked) |
vault_sleep | Compress old, low-activity notes |
get_agent_instructions | Serve the full filing SOP (AGENTS.md) to remote agents |
Full tool reference (46 tools) lives in [AGENTS.md](AGENTS.md).
Use search_notes when you need content, health_check when the server or index may be unhealthy, and audit_article_records when you need a housekeeping report. Audit results never merge, archive, or delete notes automatically.
Any source (paper · PDF · web · note)
│ save_article · new_note ▼ Markdown vault ──► index (DuckDB, or Postgres + pgvector) 00-inbox/ • BM25 + semantic search 10-projects/ • figure OCR + vision descriptions 20-areas/ • auto-wikilinks between related notes 30-resources/ • Ebbinghaus ranking → weekly auto-compression decisions/ memory/ │ ▼ Your AI agent queries it — search_notes · search_figures · get_context
The vault is the source of truth; the index is rebuildable anytime (sync_index). Filing conventions live in one operating manual — AGENTS.md — served to any agent via get_agent_instructions(), so every agent files things the same way without being re-taught.
vault/
├── 00-inbox/ Unprocessed captures ├── 10-projects/ Active projects ├── 20-areas/ Ongoing research / coding domains ├── 30-resources/ Papers & articles (save_article writes here) ├── 40-archive/ Auto-compressed originals ├── decisions/ Architecture Decision Records ├── memory/ goals.md · rules.md (injected every session) └── templates/ Note templates
search_articles reads structured frontmatter, so older article notes without authors are not guessed from body text or references. A bounded two-phase CLI can prepare those notes safely: first create and review a manifest, then apply it separately.
python -m mcp_second_brain.author_backfill \
--vault " " --limit 20 --out /tmp/author-backfill.json python -m mcp_second_brain.author_backfill \ --vault " " --apply --manifest /tmp/author-backfill.json
Apply on the central writer host only. Each entry requires an exact DOI/PMID/PMCID or title match and unchanged content/body hashes; successful writes are reindexed.
Inspired by biological memory: the Ebbinghaus forgetting curve (access_count / ln(age_days)) for ranking, and sleep-dependent consolidation (weekly LLM compression of low-access notes). Built with MarkItDown · DuckDB · pgvector · FastMCP · Playwright · Claude API.
MIT © 2026 Chan Chi Ru. See LICENSE.