Discover Awesome MCP Servers

X Algorithm Toolkit

Tweet scoring using X's actual algorithm weights - 22 signals, 18 filters, 11 tools

strudel-mcp

Enables LLMs to interact with Strudel, a JavaScript live coding music environment, by executing patterns, retrieving states, and accessing documentation.

appfigures

Exposes Appfigures CLI commands as MCP tools for querying app metrics, reviews, and store data directly from MCP clients like Claude Desktop and Cursor.

MCP Python Interpreter

Un servidor de Protocolo de Contexto de Modelo que permite a los LLM interactuar con entornos de Python, ejecutar código y administrar archivos dentro de un directorio de trabajo especificado.

Browserbase MCP Server

Enables cloud browser automation using Browserbase and Stagehand to interact with web pages, extract data, take screenshots, and perform automated actions with AI-powered natural language commands.

ATLAS Governance Gateway

A secure middleware that intercepts AI agent tool calls to evaluate risks and manage human-in-the-loop approvals via durable Inngest workflows. It ensures compliance with standards like the EU AI Act by pausing high-risk actions until authorized by a human reviewer.

godot-mcp

MCP bridge between an AI assistant and the Godot editor, enabling control via 6 tools (call methods, run GDScript, screenshots, etc.) over WebSocket.

tube-bridge

A YouTube MCP server that enables AI agents to search videos, fetch transcripts, comments, and channel info, with optional API key for extra features and local semantic search via corpora.

vidlens-mcp

YouTube intelligence layer for AI agents. 41 tools across 10 modules ; search, explore, transcripts, comments, visual search, analytics, and more. Zero config.

Infographic MCP Server

A Python-based MCP server that enables AI assistants to search for infographics and data visualizations using the Serper API. It provides specialized tools for finding statistical graphics with optimized filters for size, aspect ratio, and specific curated sources.

Multi-Agent Council Review

Orchestrates multiple LLM agents to perform parallel code review, then synthesizes and votes on suggestions to rank improvements by consensus.

agora-mnemo

mnemo — an MCP server for agent memory with a first-class correction & erasure channel (revert, lineage-aware retraction, tamper-evident deletion receipts). Zero dependencies, 12 tools over stdio

MCP Server Template 🚀

Aquí tienes una plantilla para construir servidores MCP (Protocolo de Contexto del Modelo) para Claude y otros asistentes de IA: **Título: Plantilla para Servidor MCP (Protocolo de Contexto del Modelo)** **Introducción:** Esta plantilla proporciona una estructura básica para construir un servidor MCP que permita a Claude (u otros asistentes de IA) acceder y utilizar información contextual externa. El Protocolo de Contexto del Modelo (MCP) define una interfaz estandarizada para que los modelos de lenguaje interactúen con fuentes de datos externas, mejorando su capacidad para responder preguntas, generar contenido y realizar tareas con mayor precisión y relevancia. **Componentes Clave:** 1. **API del Servidor MCP:** * **Punto Final Principal:** `/mcp/query` (o similar) * **Método:** `POST` * **Formato de Solicitud (JSON):** ```json { "query": "Pregunta o solicitud del modelo de lenguaje", "context_keys": ["lista", "de", "claves", "opcionales", "para", "filtrar", "el", "contexto"], "model_id": "identificador_del_modelo_de_lenguaje" // Opcional: para manejar diferentes modelos } ``` * **Formato de Respuesta (JSON):** ```json { "context": [ { "key": "clave_identificadora_del_contexto", "content": "Contenido relevante para la consulta", "source": "Fuente del contexto (e.g., base de datos, archivo)", "relevance_score": 0.85 // Opcional: puntuación de relevancia }, { "key": "otra_clave", "content": "Más contenido contextual", "source": "Otra fuente", "relevance_score": 0.92 } ], "metadata": { "processing_time": 0.123, // Opcional: tiempo de procesamiento en segundos "num_results": 2 // Opcional: número de resultados devueltos } } ``` 2. **Gestión de Datos de Contexto:** * **Almacenamiento:** Decide dónde almacenar los datos de contexto. Opciones comunes incluyen: * Bases de datos (SQL, NoSQL) * Almacenamiento de archivos (JSON, CSV, texto) * Bases de datos vectoriales (para búsqueda semántica) * **Indexación:** Implementa un sistema de indexación eficiente para buscar rápidamente el contexto relevante. * **Actualización:** Define un proceso para actualizar y mantener los datos de contexto al día. 3. **Lógica de Búsqueda de Contexto:** * **Algoritmos de Búsqueda:** Implementa algoritmos para encontrar el contexto más relevante para la consulta. Considera: * Búsqueda de palabras clave * Búsqueda semántica (usando incrustaciones de palabras o frases) * Filtrado basado en `context_keys` * **Puntuación de Relevancia:** Asigna una puntuación de relevancia a cada pieza de contexto para ayudar al modelo de lenguaje a priorizar la información más importante. 4. **Autenticación y Autorización (Opcional):** * Implementa mecanismos de autenticación y autorización para controlar el acceso al servidor MCP y a los datos de contexto. 5. **Registro y Monitorización:** * Registra las solicitudes, las respuestas y los errores para monitorizar el rendimiento del servidor MCP y diagnosticar problemas. **Implementación (Ejemplo en Python con Flask):** ```python from flask import Flask, request, jsonify import json app = Flask(__name__) # Simulación de una base de datos de contexto context_data = { "empresa_descripcion": { "content": "Somos una empresa líder en tecnología...", "source": "Base de datos interna" }, "producto_caracteristicas": { "content": "Nuestro producto ofrece características innovadoras...", "source": "Documentación del producto" } } @app.route('/mcp/query', methods=['POST']) def handle_query(): data = request.get_json() query = data.get('query', '') context_keys = data.get('context_keys', []) model_id = data.get('model_id', 'default') # Ejemplo de uso de model_id print(f"Consulta recibida del modelo {model_id}: {query}") # Lógica de búsqueda de contexto (simplificada) relevant_context = [] for key, value in context_data.items(): if not context_keys or key in context_keys: # Filtra por context_keys si se proporcionan relevant_context.append({ "key": key, "content": value["content"], "source": value["source"], "relevance_score": 0.9 # Puntuación fija para este ejemplo }) response = { "context": relevant_context, "metadata": { "processing_time": 0.05, "num_results": len(relevant_context) } } return jsonify(response) if __name__ == '__main__': app.run(debug=True) ``` **Consideraciones Adicionales:** * **Escalabilidad:** Diseña el servidor MCP para que pueda escalar horizontalmente para manejar un gran volumen de solicitudes. * **Seguridad:** Implementa medidas de seguridad para proteger los datos de contexto y el servidor MCP de accesos no autorizados. * **Pruebas:** Escribe pruebas unitarias y de integración para garantizar la calidad y la fiabilidad del servidor MCP. * **Documentación:** Documenta la API del servidor MCP y su configuración para facilitar su uso y mantenimiento. * **Integración con Claude (u otros modelos):** Asegúrate de que el formato de la solicitud y la respuesta del servidor MCP sean compatibles con la API del modelo de lenguaje que estás utilizando. En el caso de Claude, consulta la documentación oficial de Anthropic para conocer los detalles de la integración. **Ejemplo de Uso con Claude (Conceptual):** 1. Claude recibe una pregunta del usuario: "¿Cuál es la descripción de la empresa?" 2. Claude formatea la pregunta y la envía al servidor MCP como una solicitud POST a `/mcp/query`. 3. El servidor MCP busca en su base de datos de contexto y encuentra la descripción de la empresa. 4. El servidor MCP devuelve la descripción de la empresa a Claude en formato JSON. 5. Claude utiliza la descripción de la empresa para generar una respuesta para el usuario. **Conclusión:** Esta plantilla proporciona un punto de partida para construir un servidor MCP robusto y escalable para Claude y otros asistentes de IA. Recuerda adaptar la plantilla a tus necesidades específicas y seguir las mejores prácticas de desarrollo de software. La clave es diseñar un sistema que proporcione información contextual relevante de manera eficiente y segura para mejorar el rendimiento de los modelos de lenguaje.

HWPX Excel QGIS MCP

Local MCP server enabling Codex to inspect and edit HWPX documents, Excel spreadsheets, and QGIS QGS/QGZ projects on Windows with safety and fidelity.

RoyceCo Victorian Property Data MCP

Enables live access to free, open Victorian government spatial data for property due diligence, covering site screening, planning controls, parcels, contamination, heritage, and flood checks without API keys.

worldbank-documents-reports-mcp

Enables searching, retrieving, and exploring World Bank documents and reports through natural language queries with advanced filtering options.

Character Counter MCP Server

Provides a tool to count occurrences of specific characters in text, serving as a simple example of building MCP servers with FastMCP and Python.

TrendRadar

A real-time news and hot spot aggregation server that monitors multiple platforms like Weibo, Zhihu, and Bilibili. It enables AI assistants to fetch, filter, and analyze trending topics through the Model Context Protocol for personalized information tracking.

MCP Server UniFi

Una implementación de servidor que permite interacciones en lenguaje natural con dispositivos de red UniFi al encapsular la API de red UniFi para agentes de IA como Goose y Claude.

Notion Workflow MCP

Enables personal workflow management by turning Notion into a task and knowledge system via slash commands and 19 integrated MCP tools. It supports project-based task tracking, subtask management, and automated note summarization directly through the Claude interface.

JustOneAPI MCP Server

Exposes JustOneAPI endpoints as MCP tools, returning raw upstream JSON without field parsing for maximum data fidelity.

OntoRamp Decision Intelligence

Enables AI agents to log, evaluate, and ground consequential decisions against an organization's authority graph, creating a traceable audit trail for governance.

@cyanheads/noaa-spaceweather-mcp-server

Query NOAA SWPC space weather data including geomagnetic storm scales, Kp index, aurora forecasts, solar wind, solar activity, and alerts via MCP. Supports STDIO and Streamable HTTP transports.

Remote MCP Server Authless

Deploy a remote MCP server on Cloudflare Workers without authentication, enabling integration with AI Playground and Claude Desktop.

secondbrain-mcp

Enables Claude clients to search, read, and write to a Markdown second brain vault via GitHub, with tools for retrieval, capture, and knowledge graph consistency.

OrderOps MCP

Enables AI assistants to investigate and safely resolve commerce order exceptions, such as expired inventory reservations, by providing a workflow across synthetic order, payment, inventory, and fulfillment systems.

recruiting-jobs-mcp

Enables AI agents to pull live job listings from major ATS platforms (Greenhouse, Lever, Ashby, Workable), Hacker News hiring threads, and detect hiring signals on company career pages.

JWT AI MCP

JWT AI - MCP server providing AI-powered tools and automation by MEOK AI Labs

Amazing Marvin MCP

Connects your Amazing Marvin productivity system with AI assistants like Claude for intelligent task management, enabling personalized productivity advice and seamless task operations.