Discover Awesome MCP Servers

MCP Reddit Server

Un servidor de Protocolo de Contexto de Modelo que permite a asistentes de IA como Claude navegar y analizar contenido de Reddit, incluyendo la búsqueda en subreddits, la recuperación de detalles de publicaciones con comentarios y la visualización de publicaciones populares.

Redash MCP Server

Servidor de Protocolo de Contexto del Modelo (MCP) que integra Redash con asistentes de IA como Claude, permitiéndoles consultar datos, gestionar visualizaciones e interactuar con paneles de control a través del lenguaje natural.

MCP Image Recognition Server

Ofrece capacidades de reconocimiento de imágenes utilizando las API de Anthropic Claude Vision y OpenAI GPT-4 Vision, admitiendo múltiples formatos de imagen y ofreciendo extracción de texto opcional a través de Tesseract OCR.

FastMCP

FastMCP es un servidor MCP integral que permite la exposición segura y estandarizada de datos y funcionalidades a aplicaciones LLM, ofreciendo recursos, herramientas y gestión de prompts para interacciones eficientes con LLM.

MCP Atlassian

Un servidor MCP que permite a agentes de IA interactuar con productos de Atlassian (Confluence y Jira) para la gestión de contenido, el seguimiento de incidencias y la gestión de proyectos a través de una interfaz estandarizada.

MCP Google Workspace Server

Permite la interacción con Gmail y Google Calendar utilizando el protocolo MCP, admitiendo múltiples cuentas de Google, la gestión de correo electrónico y las operaciones de calendario a través del lenguaje natural.

supabase-mcp

Un servidor MCP que proporciona herramientas para interactuar con bases de datos, almacenamiento y funciones Edge de Supabase.

Coinmarket

Integración de la API de CoinMarketCap para obtener listados y cotizaciones de criptomonedas.

protonmail-mcp

This MCP server provides email sending functionality using Protonmail's SMTP service. It allows both Claude Desktop and Cline VSCode extension to send emails on your behalf using your Protonmail credentials.

Confluence Communication Server

Permite consultar y recuperar contenido de Confluence a través de búsquedas CQL y la obtención del contenido de las páginas, lo que permite a Claude acceder sin problemas a la información almacenada en los espacios de trabajo de Confluence.

Gmail MCP Server

Proporciona una integración completa con Gmail y capacidades de procesamiento de LLM, lo que permite a los usuarios leer, buscar, filtrar correos electrónicos y gestionar archivos adjuntos a través del Protocolo de Contexto del Modelo.

Steel Puppeteer

Un servidor de Protocolo de Contexto de Modelo que permite a los LLM automatizar navegadores web utilizando Puppeteer, permitiendo la navegación, la toma de capturas de pantalla, el llenado de formularios y la ejecución de JavaScript en un entorno de navegador real.

Twitter MCP Server

Un servidor MCP que permite a Claude interactuar con Twitter, permitiéndole publicar tuits y buscar contenido en Twitter.

Crew AI MCP Server

Habilita el agente de IA y la gestión de tareas utilizando el framework CrewAI, permitiendo a los usuarios crear y ejecutar agentes y tareas en un entorno de flujo de trabajo automatizado.

Linear MCP Server

Un servidor de Protocolo de Contexto de Modelo que permite a Claude interactuar con la API de Linear para gestionar equipos, incidencias, proyectos y ciclos.

MCP Documentation Server

Un servidor de documentación inteligente que proporciona mejora de código asistida por IA y gestión de documentación a través de la integración con Claude Desktop.

WeCom Bot MCP Server

Un servidor para enviar mensajes a través de bots de WeCom usando FastMCP, que admite comunicación asíncrona y seguimiento de mensajes mediante webhooks.

Release Notes MCP Server

Generates notas de lanzamiento completas y formateadas desde repositorios de GitHub, organizando eficientemente los commits por tipo e incluyendo estadísticas detalladas utilizando un uso inteligente de la API.

Dataset Viewer MCP Server

Permite la interacción con la API del visor de conjuntos de datos de Hugging Face, lo que permite a los usuarios explorar, buscar, filtrar y analizar los conjuntos de datos alojados en Hugging Face Hub.

salesforce-mcp-server

Una implementación de servidor del Protocolo de Contexto de Modelo para interactuar con Salesforce a través de su API REST.

Geoapify MCP Server

Convierte direcciones a coordenadas GPS y crea visualizaciones de mapas utilizando la API de Geoapify, permitiendo a los usuarios de Claude generar datos GeoJSON e imágenes de mapas a partir de listas de ubicaciones.

MCP Development Framework

Un potente marco de Protocolo de Contexto de Modelo que extiende Cursor IDE con herramientas para la recuperación de contenido web, el procesamiento de PDF y el análisis de documentos de Word.

Snyk MCP Server

Un servidor independiente que permite el análisis de seguridad de Snyk a través del Protocolo de Contexto del Modelo, con soporte para análisis de repositorios y proyectos, verificación de tokens e integración con la CLI.

DevDocs MCP

Una implementación de Protocolo de Contexto de Modelo que permite el acceso a recursos de documentación impulsado por IA, con navegación basada en URI, coincidencia de plantillas y gestión estructurada de la documentación.

MCP Zotero

Permite que la IA interactúe con tu biblioteca de Zotero.

Manifold Markets MCP Server

Proporciona acceso integral a la plataforma de predicciones Manifold Markets a través de una interfaz MCP clara, permitiendo a los usuarios crear mercados, realizar apuestas, gestionar la liquidez y utilizar funciones sociales a través del lenguaje natural.

Alchemy MCP Plugin

Este plugin permite la interacción con datos de blockchain y NFTs a través del SDK de Alchemy, permitiendo operaciones como recuperar metadatos de NFTs, obtener NFTs para direcciones de billetera y obtener el número de bloque más reciente.

FastAPI MCP SSE

Aquí tienes una implementación de Server-Sent Events (SSE) usando el framework FastAPI que integra el Protocolo de Contexto de Modelo (MCP), permitiendo a los modelos de IA acceder a herramientas externas y fuentes de datos como información meteorológica: ```python from fastapi import FastAPI, Depends, HTTPException, Request from fastapi.responses import StreamingResponse from sse_starlette.sse import EventSourceResponse from typing import AsyncGenerator, Dict, Any import asyncio import aiohttp # Para peticiones asíncronas a la API meteorológica import json app = FastAPI() # --- Definición del Protocolo de Contexto de Modelo (MCP) --- # (Esto es un ejemplo simplificado, en una implementación real sería más robusto) async def get_weather(city: str) -> Dict[str, Any]: """ Obtiene información meteorológica para una ciudad dada. Simulación: En una implementación real, esto llamaría a una API meteorológica. """ # Reemplaza esto con tu clave de API meteorológica real API_KEY = "YOUR_WEATHER_API_KEY" WEATHER_API_URL = f"https://api.weatherapi.com/v1/current.json?key={API_KEY}&q={city}&aqi=no" async with aiohttp.ClientSession() as session: try: async with session.get(WEATHER_API_URL) as response: response.raise_for_status() # Lanza una excepción para errores HTTP data = await response.json() # Extrae la información relevante del JSON de respuesta weather_info = { "city": data["location"]["name"], "temperature_celsius": data["current"]["temp_c"], "condition": data["current"]["condition"]["text"], "humidity": data["current"]["humidity"] } return weather_info except aiohttp.ClientError as e: print(f"Error al obtener información meteorológica: {e}") raise HTTPException(status_code=500, detail=f"Error al obtener información meteorológica: {e}") except KeyError as e: print(f"Error al parsear la respuesta de la API meteorológica: {e}") raise HTTPException(status_code=500, detail=f"Error al parsear la respuesta de la API meteorológica: Error al parsear la respuesta. Asegúrate de que la API devuelve los campos esperados.") async def execute_tool(tool_name: str, arguments: Dict[str, Any]) -> Dict[str, Any]: """ Ejecuta una herramienta basada en el nombre y los argumentos. """ if tool_name == "get_weather": return await get_weather(arguments["city"]) else: raise ValueError(f"Herramienta desconocida: {tool_name}") async def process_user_query(query: str) -> AsyncGenerator[str, None]: """ Simula el procesamiento de la consulta del usuario por un modelo de IA. Integra el MCP para acceder a herramientas externas. """ yield "Procesando consulta...\n" # Simulación de la detección de la necesidad de usar una herramienta if "tiempo" in query.lower() or "clima" in query.lower(): yield "Detectada necesidad de información meteorológica.\n" try: # Simulación de la extracción de argumentos para la herramienta city = query.lower().split("en")[-1].strip() # Extrae la ciudad de la consulta yield f"Extrayendo ciudad: {city}\n" # Llamada al MCP para ejecutar la herramienta weather_info = await execute_tool("get_weather", {"city": city}) yield "Información meteorológica obtenida.\n" # Formateo de la respuesta para el usuario response = f"El tiempo en {weather_info['city']} es {weather_info['temperature_celsius']}°C y {weather_info['condition']}. Humedad: {weather_info['humidity']}%\n" yield f"Respuesta: {response}\n" yield response # Respuesta final para el usuario except Exception as e: yield f"Error al obtener información meteorológica: {e}\n" yield "Lo siento, no pude obtener la información meteorológica.\n" else: yield "No se requiere ninguna herramienta externa.\n" yield "Respuesta: No estoy seguro de cómo responder a eso.\n" # --- Endpoint SSE --- async def sse_stream(query: str) -> AsyncGenerator[Dict[str, Any], None]: """ Genera eventos SSE a partir del procesamiento de la consulta del usuario. """ async for message in process_user_query(query): yield {"data": message} @app.get("/stream") async def stream(query: str): """ Endpoint para el stream de eventos SSE. """ return EventSourceResponse(sse_stream(query)) # --- Endpoint de prueba --- @app.get("/") async def read_root(): return {"message": "Bienvenido! Usa /stream?query=<tu_consulta> para obtener un stream de eventos SSE."} if __name__ == "__main__": import uvicorn uvicorn.run(app, host="0.0.0.0", port=8000) ``` **Explicación del código:** 1. **Importaciones:** Importa las bibliotecas necesarias, incluyendo `FastAPI`, `StreamingResponse`, `EventSourceResponse` (de `sse_starlette`), `asyncio`, `aiohttp` (para peticiones asíncronas) y `typing`. 2. **Definición del Protocolo de Contexto de Modelo (MCP):** * `get_weather(city: str)`: Esta función simula la llamada a una API meteorológica. **Debes reemplazar la URL y la clave de API con las tuyas reales.** Utiliza `aiohttp` para realizar la petición asíncrona. Maneja excepciones para errores HTTP y errores al parsear la respuesta JSON. * `execute_tool(tool_name: str, arguments: Dict[str, Any])`: Esta función actúa como un enrutador para diferentes herramientas. Recibe el nombre de la herramienta y sus argumentos, y llama a la función correspondiente. * `process_user_query(query: str)`: Esta función simula el procesamiento de la consulta del usuario por un modelo de IA. **Este es el núcleo de la integración del MCP.** Detecta si la consulta requiere información meteorológica, extrae la ciudad, llama a `execute_tool` para obtener la información, y formatea la respuesta para el usuario. Utiliza `yield` para generar mensajes progresivos que se enviarán como eventos SSE. 3. **Endpoint SSE:** * `sse_stream(query: str)`: Esta función es un generador asíncrono que llama a `process_user_query` y formatea cada mensaje como un evento SSE (un diccionario con la clave "data"). * `@app.get("/stream")`: Este endpoint define la ruta `/stream` que devuelve un `EventSourceResponse`. Recibe la consulta del usuario como un parámetro `query` y la pasa a `sse_stream`. 4. **Endpoint de prueba:** * `@app.get("/")`: Un endpoint simple para verificar que la aplicación está funcionando. 5. **Ejecución:** * El bloque `if __name__ == "__main__":` ejecuta la aplicación usando `uvicorn`. **Cómo ejecutar el código:** 1. **Instala las dependencias:** ```bash pip install fastapi uvicorn sse_starlette aiohttp ``` 2. **Reemplaza `YOUR_WEATHER_API_KEY` con tu clave de API meteorológica real.** Puedes obtener una clave gratuita en sitios como [https://www.weatherapi.com/](https://www.weatherapi.com/). 3. **Guarda el código como un archivo Python (por ejemplo, `main.py`).** 4. **Ejecuta la aplicación:** ```bash python main.py ``` 5. **Abre un navegador y ve a `http://localhost:8000/stream?query=tiempo en Londres`.** Verás un stream de eventos SSE que muestran el procesamiento de la consulta y la respuesta final. **Puntos importantes:** * **MCP Simplificado:** El MCP en este ejemplo es muy simplificado. En una implementación real, necesitarías un mecanismo más robusto para la detección de herramientas, la extracción de argumentos y el manejo de errores. Considera usar una biblioteca como LangChain o LlamaIndex para una implementación más completa del MCP. * **API Meteorológica:** Asegúrate de usar una API meteorológica real y manejar las excepciones correctamente. La API de ejemplo requiere una clave. * **Manejo de Errores:** El manejo de errores es crucial. Asegúrate de capturar excepciones y enviar mensajes de error informativos al cliente. * **Seguridad:** Si vas a usar este código en un entorno de producción, considera implementar medidas de seguridad como la autenticación y la autorización. * **Escalabilidad:** Para una aplicación de producción, considera usar un servidor ASGI más robusto como Gunicorn o Uvicorn con múltiples workers. * **Formato SSE:** El formato de los eventos SSE es `data: <data>\n\n`. La biblioteca `sse_starlette` se encarga de formatear los datos correctamente. * **Cliente SSE:** Para consumir los eventos SSE en el frontend, puedes usar la API `EventSource` de JavaScript. Este ejemplo proporciona una base sólida para construir una aplicación SSE con FastAPI que integra el MCP. Puedes expandir este código para agregar más herramientas, mejorar el manejo de errores y optimizar el rendimiento.

Google OR-Tools server

MCP-ORTools integra el solucionador de programación de restricciones OR-Tools de Google con Modelos de Lenguaje Grandes a través del MCP, permitiendo que los modelos de IA puedan: Enviar y validar modelos de restricciones Establecer parámetros del modelo Resolver problemas de satisfacción y optimización de restricciones Recuperar y analizar soluciones

MCP JIRA Server

Permite que las aplicaciones de IA gestionen incidencias, flujos de trabajo y tareas de JIRA a través de una interfaz MCP estandarizada, facilitando actualizaciones en tiempo real e interacción fluida con la API de JIRA.