jDocMunch MCP Skill 技能

jDocMunch MCP 是一款专为 AI 编程助手打造的文档精准检索 MCP 服务器，帮助大语言模型在处理海量技术文档时实现「按段落精确获取」而非「整文件塞入上下文」。

核心价值

jDocMunch 的核心理念是将检索粒度从「文件级」降为「段落级」。它将文档库按标题层级解析为树形段落结构，存储每个段落在原始文件中的字节偏移量。AI 代理查询时，只需获取任务真正需要的那个章节标题子树或单段落内容，彻底告别「为了查一个配置项把整本文档都塞进去」的高额 token 消耗。

核心功能

段落级精准检索：按标题层级（H1/H2/H3…）切分文档，保留原始字节偏移，检索结果精确到段落而非文件。

零 token 浪费的懒加载：文档集只索引一次，后续查询按需提取指定章节，完整内容按需拉取，token 成本接近查询结果本身。

稳定的段落 ID 机制：只要文件的路径、标题文本、标题层级不变，段落 ID 跨索引重建保持稳定，AI 上下文无需因文档更新而重建。

Benchmark 数据：

• Kubernetes 文档（1,569 个 .md 文件，4,355 个段落，16 MB）：单次节点亲和性查询节省 27,285 tokens，延迟仅 100 ms
• SciPy 文档（10,402 个段落）：100% 精准段落检索

工作原理

1. 索引阶段：解析文档集的标题层级结构，建立段落树，记录每个段落的字节偏移量
2. 查询阶段：AI 代理发出「如何配置身份验证」等需求，服务器定位对应章节子树，提取精确内容返回
3. 结果：仅返回相关段落，上下文窗口不堆积无关内容

适用场景

• 需要查阅框架 / 库官方文档的 AI 编程代理（Cursor、Claude Desktop 等）
• 长时间运行的多轮代码生成任务（上下文窗口紧张时尤其有效）
• 技术文档检索类 Agent（替代传统的向量数据库全文检索方案）

基础信息

• GitHub：github.com/jgravelle/jdocmunch-mcp（203★）
• PyPI：pypi.org/project/jdocmunch-mcp/
• 协议：双许可（个人免费，商业付费）
• 认证方式：MCP（Model Context Protocol）
• 本地优先：所有索引存储在本地，不依赖云端