Context

GitHub
786 31 非常简单 1 次阅读 2天前MIT开发框架插件
AI 解读 由 AI 自动生成,仅供参考

Context 是一款专为 macOS 打造的原生应用,旨在帮助开发者轻松测试和调试基于模型上下文协议(MCP)的服务器。在 MCP 生态开发中,验证工具调用、资源预览及日志监控往往缺乏直观的界面,而 Context 通过精美的图形化接口解决了这一痛点,让复杂的协议交互变得清晰可见。

这款工具特别适合正在构建或集成 MCP 服务的软件开发人员使用。它支持同时连接多个服务器,并能自动导入来自 Cursor、Claude Desktop、VS Code 等主流编辑器的配置,极大简化了环境搭建流程。其核心亮点在于能根据 JSON Schema 自动生成工具调用界面,提供带语法高亮的资源预览,以及支持实时过滤的结构化日志流。此外,Context 还全面兼容 OAuth 2.1 认证标准,并支持 stdio 与 Streamable HTTP 等多种传输协议。

作为由 Swift 和 SwiftUI 构建的原生应用,Context 不仅运行流畅,更将原本枯燥的协议调试工作转化为可视化的直观体验,是 MCP 开发者不可或缺的得力助手。

使用场景

资深后端工程师李明正在开发一个连接内部数据库与 AI 助手的自定义 MCP 服务器,急需验证工具调用逻辑与资源返回格式的正确性。

没有 Context 时

  • 调试过程依赖终端打印杂乱无章的 JSON 日志,难以快速定位工具参数解析错误。
  • 每次测试不同功能都需手动编写复杂的 cURL 命令或临时脚本,效率极低且容易出错。
  • 无法直观预览 MCP 返回的资源文件(如代码片段或配置文件),必须复制内容到外部编辑器查看。
  • 多服务并行开发时,切换不同配置文件重启进程繁琐,缺乏统一的可视化管理界面。
  • 遇到 OAuth 认证失败时,只能靠猜测排查元数据发现或动态注册流程,缺乏实时交互反馈。

使用 Context 后

  • 通过内置的实时日志流与结构化视图,李明能瞬间过滤噪音,精准捕获工具调用的异常堆栈。
  • Context 根据 JSON Schema 自动生成可视化操作面板,点击按钮即可触发工具并查看结果,无需编写任何测试代码。
  • 直接在应用内利用 QuickLook 预览资源内容,支持语法高亮,大幅缩短了数据校验的闭环时间。
  • 一键自动导入来自 Cursor 或 VS Code 的配置,同时维持多个 MCP 服务器连接,自由切换调试上下文。
  • 图形化界面完整展示 OAuth 2.1 认证流程,动态客户端注册状态一目了然,快速解决了鉴权难题。

Context 将原本碎片化、黑盒化的 MCP 调试工作流转变为直观、高效的可视化体验,让开发者专注于核心逻辑而非连接细节。

运行环境要求

操作系统
  • macOS
GPU

未说明

内存

未说明

依赖
notes这是一个原生的 macOS 应用程序,使用 Swift 和 SwiftUI 构建。系统要求为 macOS 15.0 或更高版本。无需 Python 环境、GPU 或特定内存配置即可运行基础功能。支持通过 stdio 和 Streamable HTTP 传输协议连接 MCP 服务器。
python不适用 (原生 Swift 应用)
Swift
SwiftUI
Context hero image

快速开始

上下文

一款美观、完全原生的 macOS 客户端,用于 Model Context 协议 (MCP),使开发者能够与他们的 MCP 服务器交互并进行调试。

Context Hero

概述

Context 是一款原生 macOS 应用程序,可轻松测试和调试 MCP 服务器。它提供了一个可视化界面,用于调用工具、预览资源以及实时监控日志。该应用专为 MCP 服务器开发者打造,支持同时建立多个连接,并在开发过程中为您提供所需的调试可见性。

尽管当前的功能集已涵盖核心需求,但 Context 正在积极开发成为一个全面的 MCP 调试套件。未来的版本将包括对 MCP 规范更完整的支持、高级调试工具(如跟踪和代理),以及一个集成的聊天客户端,该客户端可以访问 MCP 服务器公开的所有功能。

功能

  • 使用 Swift 和 SwiftUI 构建的原生 macOS 应用程序
  • 可同时连接到多个 MCP 服务器
  • 自动从 Cursor、Claude Code、Claude Desktop、Windsurf 和 VS Code 导入 MCP 服务器
  • 基于 JSON Schema 自动生成工具调用界面
  • 使用模板化参数动态生成提示
  • 内置资源预览,支持语法高亮和 QuickLook
  • 实时日志流,支持过滤和结构化日志查看
  • 对 MCP 规范的全面支持(正在进行中)
  • OAuth 支持动态客户端注册和元数据发现
  • 支持 stdio 和 Streamable HTTP 传输协议(包括 HTTP+SSE 向后兼容)

截图

工具界面 提示界面
资源界面 日志界面

MCP 功能支持

支持的 MCP 协议版本: 2025-03-26

对 2025-06-18 版本的支持仍在开发中

功能 状态
传输协议
stdio ✅ 已支持
Streamable HTTP ✅ 已支持
HTTP+SSE ✅ 已支持
认证
OAuth 2.1 (IETF 草案) ✅ 已支持
OAuth 2.0 认证服务器元数据 ✅ 已支持
OAuth 2.0 动态客户端注册 ✅ 已支持
OAuth 2.0 受保护资源元数据 ✅ 已支持
核心功能
Ping ✅ 已支持
提示 ✅ 已支持
资源 ✅ 已支持
工具 ✅ 已支持
日志记录 ✅ 已支持
高级功能
根节点 ✅ 已支持
抽样 ❌ 尚未支持
引导式对话 ❌ 尚未支持
补全 ✅ 已支持
分页 ✅ 已支持
进度报告 ❌ 尚未支持

项目结构

  • Context/ - macOS 应用程序源代码
  • ContextCore/ - 实现 MCP 客户端的 Swift 库,包括 stdio 和 Streamable HTTP 传输协议

安装

请从 GitHub 发布页面 下载最新版本。

系统要求: macOS 15.0 或更高版本

隐私与遥测

Context 使用 Sentry 进行崩溃报告和用户反馈收集,以帮助改进应用程序。如果您希望禁用遥测:

  • 使用 SENTRY_DISABLED 预处理器标志编译应用程序
  • GitHub 上的预编译版本默认启用 Sentry

贡献

我们热烈欢迎您的贡献和反馈!您可以:

  • 🐛 在 GitHub 问题页面 提交关于 bug 或功能请求的问题
  • 💬 通过应用内的 “提供反馈” 功能直接发送私人反馈
  • 🔧 提交拉取请求以改进 Context

许可证

本项目采用 MIT 许可证。详情请参阅 LICENSE 文件。

开发者

Indragie Karunaratne 创建

版本历史

v1.0.102025/07/19
v1.0.92025/07/11
v1.0.82025/07/11
v1.0.72025/07/08
v1.0.62025/07/03
v1.0.52025/07/02
v1.0.42025/06/27
v1.0.32025/06/26
v1.0.22025/06/26
v1.0.12025/06/26

常见问题

相似工具推荐

openclaw

OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你

349.3k|★★★☆☆|昨天
Agent开发框架图像

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。

162.1k|★★★☆☆|2天前
开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上

142.7k|★★☆☆☆|今天
开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。

107.9k|★★☆☆☆|昨天
开发框架图像Agent

markitdown

MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具,专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片(含 OCR)、音频(含语音转录)、HTML 乃至 YouTube 链接等多种格式的解析,能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天,大语言模型(LLM)虽擅长处理文本,却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点,它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式,成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外,它还提供了 MCP(模型上下文协议)服务器,可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用,尤其是那些需要构建文档检索增强生成(RAG)系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性,但其核心优势在于为机器

93.4k|★★☆☆☆|今天
插件开发框架

LLMs-from-scratch

LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目,旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型(LLM)。它不仅是同名技术著作的官方代码库,更提供了一套完整的实践方案,涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型,却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码,用户能够透彻掌握 Transformer 架构、注意力机制等关键原理,从而真正理解大模型是如何“思考”的。此外,项目还包含了加载大型预训练权重进行微调的代码,帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API,而是渴望探究模型构建细节的技术人员而言,这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计:将复杂的系统工程拆解为清晰的步骤,配合详细的图表与示例,让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础,还是为未来研发更大规模的模型做准备

90.1k|★★★☆☆|昨天
语言模型图像Agent