Context Hub vs Context7: 코딩 에이전트에게 최신 문서를 주는 두 가지 방법

AI 코딩 에이전트를 쓰다 보면 반드시 부딪히는 문제가 있다. 에이전트가 이미 deprecated된 API를 자신 있게 쓰거나, 존재하지 않는 파라미터를 만들어낸다. 학습 데이터에 최신 내용이 없으니 당연한 일이다. 이 문제를 해결하려는 두 가지 도구를 최근 핸즈온해봤다. Andrew Ng 팀이 만든 Context Hub와 Upstash가 만든 Context7이다.

무엇을 해결하려는 도구인가

두 도구 모두 같은 문제를 해결하려 한다. LLM의 학습 데이터 컷오프와 현실 사이의 간극이다.

예를 들어 Claude Sonnet 4.6은 2025년 8월까지 학습됐다. OpenAI API의 최신 responses API, 최신 버전 Anthropic SDK의 변경 사항 같은 건 모를 수 있다. 그래서 에이전트에게 “OpenAI API로 GPT-5 호출 코드 짜줘”라고 하면 낡은 client.chat.completions.create 방식을 쓸 수 있다.

이 공백을 채우는 방식이 두 도구에서 다르다.

Context7 — MCP 서버 방식

Context7은 MCP(Model Context Protocol) 서버다. AI 코딩 에디터(Cursor, Claude Code 등)에 MCP 서버로 등록해두면, 에이전트가 문서가 필요할 때 자동으로 쿼리한다.

설치는 간단하다.

npx ctx7 setup

Claude Code에 연결하려면 ~/.claude/mcp.json에 아래를 추가한다.

{
  "mcpServers": {
    "context7": {
      "command": "npx",
      "args": ["-y", "@upstash/context7-mcp", "--api-key", "YOUR_API_KEY"]
    }
  }
}

프롬프트에 use context7라고 붙이거나, CLAUDE.md 등 에이전트 규칙 파일에 “문서가 필요하면 context7을 사용하라”고 적어두면 에이전트가 알아서 쓴다. 내부에서 두 가지 MCP 툴이 동작한다.

• resolve-library-id: 라이브러리 이름을 Context7 내부 ID로 변환
• query-docs: 해당 ID로 최신 문서 조각을 가져옴

Upstash의 벡터 DB와 Redis를 백엔드로 쓰고 있어서 시맨틱 검색이 빠르다. 48.6k 스타를 받으며 MCP 서버 순위권에 올라와 있을 만큼 커뮤니티 반응이 뜨거웠다.

다만 무료 티어가 월 1,000 요청으로 줄었다(2026년 1월 기준). 적극적으로 쓰다 보면 금방 소진된다. 유료 플랜은 월 $10이다. 클라우드 서비스다 보니 네트워크 없이는 동작하지 않고, 라이브러리 인덱싱 주기에 따라 초최신 버전은 바로 반영되지 않을 수 있다.

Context Hub — CLI 방식

Context Hub는 Andrew Ng과 DeepLearning.AI 팀이 2026년 3월에 공개한 CLI 도구다. chub라는 명령어로 쓴다.

npm install -g @aisuite/chub

기본 흐름은 이렇다.

chub search "openai"           # 사용 가능한 문서 검색
chub get openai/chat --lang py # Python 버전 문서 가져오기
chub search "stripe payments"
chub get stripe/api --lang js  # JS 버전 문서 가져오기

MCP가 아니라 CLI이기 때문에, 에이전트가 직접 셸 명령을 실행해서 문서를 가져온다. Claude Code 같은 에이전트는 이미 셸 명령 실행이 가능하니 잘 맞는다. SKILL.md 파일을 에이전트 스킬 디렉토리에 넣어두면 에이전트가 필요할 때마다 알아서 chub를 쓰도록 할 수 있다.

mkdir -p ~/.claude/skills/get-api-docs
# SKILL.md를 그 안에 배치

Context Hub의 독특한 기능은 **주석(annotation)**이다. 에이전트가 문서에서 갭을 발견했을 때, 그 내용을 로컬에 저장할 수 있다.

chub annotate stripe/api "웹훅 검증에는 raw body가 필요함, parsed body 쓰면 안 됨"

다음에 같은 문서를 가져오면 이 주석이 자동으로 붙어서 나온다. 에이전트가 세션을 넘어서도 같은 실수를 반복하지 않게 된다. 커뮤니티 피드백도 있다.

chub feedback stripe/api up       # 문서 좋음
chub feedback stripe/api down     # 문서에 문제 있음

현재 68개 이상의 API 제공자 문서가 포함돼 있다. 오픈소스 마크다운으로 관리하기 때문에 PR을 통해 직접 기여할 수 있다.

두 도구 비교

가장 큰 차이는 범위 대 깊이다. Context7은 수천 개의 라이브러리를 인덱싱해서 쿼리할 수 있지만, 큐레이션 품질은 라이브러리마다 다를 수 있다. Context Hub는 68개로 규모는 작지만, 각 문서가 “에이전트가 읽기 좋은 형태로” 직접 큐레이션됐다는 점이 강점이다. 마크다운이고 공개돼 있어서 에이전트가 정확히 무엇을 읽는지 사람이 확인할 수도 있다.

또 하나의 차이는 기억이다. Context7은 세션이 끝나면 끝이다. Context Hub는 주석을 통해 에이전트가 발견한 것들을 로컬에 누적할 수 있다.

내 생각

솔직히 두 도구를 써보면서 “이걸 왜 이제야 만들었지?”라는 생각을 했다. 에이전트 코딩을 하면서 가장 많이 시간을 낭비하는 부분 중 하나가 딱 이거다. 에이전트가 자신 있게 틀린 API를 쓰고, 내가 그걸 발견하고 수정하는 사이클.

Context7은 이미 생태계가 크고 사용자가 많다. MCP 방식이라 에이전트 입장에서는 자연스럽게 쓸 수 있다. 다만 무료 한도가 줄어든 게 아쉽다. 개인 프로젝트에서 하루 이것저것 시험해보다 보면 순식간에 한도를 채운다.

Context Hub는 Andrew Ng의 이름값도 있고, 접근 방식이 흥미롭다. CLI를 에이전트가 직접 쓴다는 발상이 단순하면서도 명쾌하다. MCP를 지원 안 하는 환경에서도 쓸 수 있고, 로컬에서만 돌아가니 요청 제한 같은 게 없다. 주석 기능은 에이전트의 “장기 기억” 문제를 건드리는 아이디어인데, 이걸 잘 발전시키면 흥미로운 방향으로 갈 것 같다.

다만 68개 API는 아직 초기 규모다. Stripe, OpenAI, Anthropic 같은 주요 플레이어는 있지만, 내가 쓰는 라이브러리가 없으면 직접 기여해야 한다. Context7처럼 자동 인덱싱 방식이 아니라서 커뮤니티 기여 없이는 규모가 천천히 늘 수밖에 없다.

두 도구가 사실 경쟁 관계라기보다 보완 관계로 보인다. Context7은 광범위한 커버리지를 원할 때, Context Hub는 특정 API를 정확하게 짚어서 쓸 때 각각 유용하다. 실제로 Context Hub가 지원하는 68개 API를 Context7도 대부분 커버할 것이다. 그런 의미에서 현재로서는 Context7을 메인으로 쓰되, 에이전트의 학습 누적이 필요한 시나리오에는 Context Hub의 주석 기능을 따로 활용하는 방식이 합리적으로 보인다.

더 근본적으로는, 이런 도구들이 필요해진 것 자체가 AI 에이전트 코딩이 얼마나 진지한 영역이 됐는지를 보여준다. 에이전트가 “최신 정보”를 갖도록 돕는 메타 도구들이 생태계로 자리잡고 있다는 게 재미있다.

References

• Context Hub GitHub
• Context7 GitHub
• Andrew Ng LinkedIn 발표
• MarkTechPost: Andrew Ng’s Team Releases Context Hub
• Introducing Context7: Up-to-Date Docs for LLMs