Если вы в последнее время посещали сайты с технической документацией, велика вероятность, что поисковая строка, которой вы пользовались, работает на нашем краулере. За последнее десятилетие мы создали и поддерживаем поиск для тысяч видов документации для разработчиков с помощью нашей бесплатной программы DocSearch. Большую часть этого времени мой рабочий процесс был таким же, как у всех: столкнулся с проблемой конфигурации, открыл сайт документации, выполнил поиск, прочитал и применил исправление. Сегодня, однако, я просто спрашиваю своего агента-программиста.
Хотя обращение к AI-агенту-программисту за консультацией по документации кажется простым делом, веб-поиск часто создает скрытые «узкие места». На практике агент часто тратит минуты на переходы по результатам поиска, расходуя тысячи токенов и извлекая ответы из устаревших веток форумов или даже сайтов конкурентов.
DocSearch MCP устраняет этот неэффективный цикл веб-поиска, предоставляя возможность прямых запросов к предварительно созданному и постоянно обновляемому индексу, содержащему более 40 000 (и их число растет) наборов публичной документации. Согласно нашим тестам, медианная задержка запросов составляет 430 мс, а потребление — всего 484 токена, при этом ответы со ссылками на источники поступают непосредственно из официальной документации вендоров. Это бесплатно, работает удаленно и не требует API-ключей или регистрации — одна быстрая команда устанавливает его в Cursor, Claude Code, Codex, OpenCode или Gemini CLI. В этой статье мы рассмотрим, как это работает и как вы можете внедрить это в свой рабочий процесс уже сегодня.
Изначально я представил эту тему на Algolia DevCon 2026. Вы можете посмотреть оригинальную презентацию ниже.
Скрытая стоимость веб-поиска для агентов
Задавать вопрос агенту кажется легким делом, но скрытая работа никуда не исчезает — она просто уходит из поля зрения. Недавно, создавая голосового агента, который постоянно перебивал пользователей на полуслове, я попросил своего агента-программиста в Cursor отладить эту проблему. Хотя в конечном итоге он нашел верное решение, на это потребовалось 7 минут 36 секунд реального времени, 28 веб-поисков, 16 загруженных страниц, около 52 вызовов инструментов и примерно 2 миллиона токенов, обработанных моделью для одного запроса.
Стандартный веб-поиск фундаментально не подходит для LLM-агентов, поскольку он имитирует привычки человека: выполнить поиск, открыть страницу, проанализировать контент, оценить релевантность и повторить. Этот подход по своей сути медленный из-за повторяющихся сетевых запросов, перенаправлений и перегруженных страниц. Он также затратен с точки зрения контекста, так как загрузка целых веб-страниц заставляет модель обрабатывать навигационные меню, футеры и посторонний контент, что увеличивает количество токенов до миллионов. Наконец, он остается ненадежным — агенты часто извлекают устаревшие ответы со Stack Overflow или противоречивые посты в блогах вместо авторитетной документации вендора.
Как DocSearch MCP меняет рабочий процесс
Чтобы устранить эти недостатки, мы разработали DocSearch MCP, опираясь на три базовых критерия: он должен быть достаточно быстрым, чтобы не прерывать поток работы разработчика, полностью бесплатным и без необходимости регистрации, а также строго надежным, предоставляя ответы со ссылками непосредственно из официальной документации. Настройка требует одной команды в Cursor, Claude Code, Codex, OpenCode или Gemini CLI:
Настройка занимает секунды, так как нет API-ключей для управления, индексов для выбора или краулеров для настройки. Вся индексация и структурирование документации происходят непрерывно заранее. Наряду с основным MCP-сервером, установка предоставляет специализированный навык (skill) и фоновое правило. Навык помогает агенту распознавать запросы к документации и структурировать запросы на извлечение, а правило направляет модель отдавать предпочтение проверенным источникам документации, а не общим обучающим данным или «сырому» веб-поиску, без необходимости использования ручных триггерных фраз вроде «use product-name».
При повторном выполнении того же запроса по голосовому агенту с использованием DocSearch MCP, агент проверил доступные навыки, распознал целевую библиотеку (Cartesia), оптимизировал поисковый запрос и извлек точные фрагменты документации. Вся задача была выполнена за 25 секунд без единого веб-поиска, по сравнению с более чем 7 минутами ранее.
«Под капотом»
DocSearch MCP объединяет более 26 000 наборов публичной документации в единые индексы Algolia, предназначенные для машинного поиска. Архитектура полностью разделяет процессы сбора данных и поиска. Сбор данных происходит непрерывно в фоновом режиме: получение документации с официальных сайтов и репозиториев, парсинг контента в извлекаемые фрагменты, сканирование на предмет промпт-инъекций и проверка изменений для предотвращения использования устаревших данных. На стороне запроса, когда агент делает запрос, сервер сопоставляет имя библиотеки с индексом каталога и запрашивает индекс фрагментов документации за один сетевой цикл. Ранжированные результаты возвращаются непосредственно модели вместе с явными URL-адресами источников.
В ходе бенчмарк-тестирования эта архитектура обеспечила медианную задержку ответа в 430 мс и потребление в среднем 484 токена на запрос, при этом 100% ответов были основаны непосредственно на официальной документации вендоров.
Начало работы
Чтобы начать, выполните команду настройки напрямую или укажите флаг вашего редактора (например, --cursor, --claude, --codex, --opencode или --gemini):
Для других клиентов, поддерживающих удаленные HTTP MCP-серверы, подключайтесь напрямую к:
Если ваш агент-программист обращается к библиотеке, которая еще не проиндексирована, вы можете предложить её на сайте DocSearch MCP. Перестаньте позволять вашему агенту тратить время и токены на веб-поиск — выполните одну команду настройки, чтобы дать ему мгновенный доступ к проверенной документации уже сегодня.
Вы можете посмотреть полное выступление на DevCon ниже для более глубокого погружения.
