EmDash 文件網站在 https://docs.emdashcms.com/mcp 公開了一個 Model Context Protocol 伺服器。將您的程式設計助理連接到它,助理就可以在您工作時搜尋文件,而不是從可能過時的訓練資料中猜測。
這與您網站的 MCP 伺服器分開(在 AI 工具指南 中介紹)。文件 MCP 只了解 EmDash 的文件——它無法讀取或修改您的內容。大多數開發者需要兩者:文件 MCP 用於查找內容,網站 MCP 用於管理內容。
它的功能
文件 MCP 公開了一個工具:
| 工具 | 用途 |
|---|---|
search_docs | 搜尋 EmDash 文件。返回包含來源 URL 和匹配分數的相關片段。 |
在幕後,它使用 Cloudflare AI Search 對從 docs.emdashcms.com 建構的索引進行搜尋。爬蟲程式使索引與發布的網站保持同步,因此答案反映了您正在閱讀的文件。
連接方法
端點是:
https://docs.emdashcms.com/mcp
無需認證,無需 API 金鑰。它是公開的唯讀服務。
EmDash 範本中的自動發現
如果您從 EmDash 範本(npm create emdash)開始專案,三個組態檔案已經就位並將自動被識別:
| 檔案 | 使用工具 |
|---|---|
.mcp.json | Claude Code |
.cursor/mcp.json | Cursor |
.vscode/mcp.json | VS Code |
只需開啟專案並在首次執行時接受工具顯示的工作區信任提示即可。無需其他操作。
手動設定
如果您沒有使用範本,或者使用不同的工具,可以使用適合您用戶端的程式碼片段一次性新增:
Claude Code
使用 Claude Code CLI 新增伺服器:
claude mcp add --transport http emdash-docs https://docs.emdashcms.com/mcp或在專案根目錄提交 .mcp.json:
{
"mcpServers": {
"emdash-docs": {
"type": "http",
"url": "https://docs.emdashcms.com/mcp"
}
}
} OpenCode
新增到您的 opencode.jsonc:
{
"mcp": {
"emdash-docs": {
"type": "remote",
"url": "https://docs.emdashcms.com/mcp"
}
}
} Cursor
在專案根目錄提交 .cursor/mcp.json,或透過 Cursor Settings -> MCP -> Add new MCP server 新增:
{
"mcpServers": {
"emdash-docs": {
"type": "http",
"url": "https://docs.emdashcms.com/mcp"
}
}
} VS Code
新增到專案中的 .vscode/mcp.json(或您的使用者設定):
{
"servers": {
"emdash-docs": {
"type": "http",
"url": "https://docs.emdashcms.com/mcp"
}
}
} Claude Desktop
Claude Desktop 原生只支援 stdio MCP 伺服器,因此使用 mcp-remote 作為橋接。新增到 claude_desktop_config.json:
{
"mcpServers": {
"emdash-docs": {
"command": "npx",
"args": ["mcp-remote", "https://docs.emdashcms.com/mcp"]
}
}
} 何時使用
- 您正在建構 EmDash 網站,希望 AI 助理從當前文件中查找正確的 API、鉤子名稱或組態選項,而不是從半記憶的訓練資料中查找。
- 您正在編寫外掛,想要找到哪些鉤子以什麼順序觸發。
- 您正在移植 WordPress 主題,想要種子檔案模式的範例。
- 您遇到錯誤,想要搜尋發布說明和概念。
在 AGENTS.md 中推薦它
如果您的專案使用 AGENTS.md(或 CLAUDE.md、.cursorrules 等)來指導 AI 工具,請將它們指向文件 MCP,以便它們優先使用真實文件而不是假設:
## Documentation
Look up EmDash documentation via the `emdash-docs` MCP server when you need to
verify an API, hook, config option, or pattern. Prefer the docs MCP over
assumptions from training data -- the docs reflect the current published
behaviour.
EmDash 入門範本已預先包含此程式碼片段。