Discover Awesome MCP Servers

Extend your agent with 84,517 capabilities via MCP servers.

All84,517
CodeSavant

CodeSavant

Proporciona capacidades de manipulación, ejecución y control de versiones de código. Permite a los asistentes de IA leer, escribir y ejecutar código, manteniendo un historial de cambios.

Local
Python
Claude Server MCP

Claude Server MCP

Proporciona una gestión sofisticada del contexto para Claude, permitiendo un contexto persistente entre sesiones, una organización específica del proyecto y la continuidad de la conversación.

Local
JavaScript
MCP Server

MCP Server

El servidor MCP integra APIs de Youtube-Summarizer como herramientas dentro del protocolo MCP, lo que permite la interacción local de aplicaciones de IA y la utilización de herramientas a través de consultas en lenguaje natural.

Local
Python
MCP Git Repo Browser

MCP Git Repo Browser

Un servidor Node.js que permite explorar repositorios Git a través de MCP, proporcionando herramientas para ver estructuras de directorios y leer archivos importantes de los repositorios.

Local
JavaScript
Face Generator MCP Server

Face Generator MCP Server

Genera imágenes realistas de rostros humanos que no representan a personas reales, ofreciendo varias formas de salida, dimensiones configurables y capacidades de generación por lotes.

Local
JavaScript
Cursor A11y MCP

Cursor A11y MCP

Proporciona capacidades de pruebas de accesibilidad a través de la CLI, ayudando a identificar problemas de accesibilidad en aplicaciones web utilizando axe-core y Puppeteer.

Local
JavaScript
MCP Server Make

MCP Server Make

Un servidor de Protocolo de Contexto de Modelo que permite a los LLM ejecutar de forma segura objetivos "make" desde un Makefile, permitiendo a los asistentes de IA ejecutar pruebas, formatear código y automatizar diversas tareas de desarrollo a través de la interacción en lenguaje natural.

Local
Python
MCP-AppleMusic

MCP-AppleMusic

Facilita el control de Apple Music en macOS a través de AppleScript mediante comandos MCP, lo que permite a los usuarios gestionar la reproducción, buscar pistas y crear listas de reproducción.

Local
Python
mcp-k8s-go

mcp-k8s-go

Este proyecto está concebido como un servidor MCP que se conecta a Kubernetes y como una biblioteca para construir más servidores para cualquier recurso personalizado en Kubernetes.

Local
Go
Git File Forensics MCP

Git File Forensics MCP

Proporciona herramientas forenses profundas a nivel de archivo Git para analizar historiales detallados de archivos, cambios y patrones dentro de repositorios Git, centrándose en el análisis de archivos individuales en lugar de operaciones en todo el repositorio.

Local
JavaScript
MCP Notmuch Sendmail

MCP Notmuch Sendmail

Un servidor asistente de correo electrónico que conecta Claude Desktop a bases de datos de correo electrónico notmuch, permitiendo a los usuarios buscar correos electrónicos, ver hilos, redactar mensajes nuevos y responder a conversaciones con formato markdown.

Local
Python
Anki MCP Server

Anki MCP Server

Un servidor basado en TypeScript que se integra con Anki a través del plugin AnkiConnect, permitiéndote gestionar mazos de tarjetas, modelos de notas y crear notas de Anki utilizando lenguaje natural.

Local
JavaScript
Code Sandbox MCP

Code Sandbox MCP

Un servidor MCP para crear un entorno sandbox de código seguro para ejecutar código dentro de contenedores Docker.

Local
Go
Github-Oauth MCP Server

Github-Oauth MCP Server

Facilita la autenticación con GitHub utilizando el protocolo OAuth, permitiendo un acceso seguro e interacción con los repositorios y servicios de GitHub.

Local
Python
claude-code-mcp

claude-code-mcp

Este proyecto tiene como objetivo construir un servidor Claude Code MCP e implementar sus herramientas asociadas (explain\_code, review\_code, fix\_code, edit\_code, test\_code, simulate\_command, your\_own\_query). El servidor se implementa utilizando Node.js y el SDK de MCP. Recibe solicitudes de herramientas de los clientes a través de Stdio, dinámicamente.

Local
JavaScript
Super Windows CLI MCP Server

Super Windows CLI MCP Server

Un servidor MCP mejorado para la CLI de Windows que proporciona capacidades de acceso irrestricto al sistema, diseñado para entornos de confianza con requisitos de acceso total al sistema.

Local
TypeScript
Notion MCP Server

Notion MCP Server

Un servidor de Protocolo de Contexto de Modelo que conecta a Claude y otros asistentes de IA con tu espacio de trabajo de Notion, permitiendo que las IA interactúen con bases de datos, páginas y bloques.

Local
JavaScript
Cargo Doc MCP Server

Cargo Doc MCP Server

Un servidor para gestionar la documentación de Rust que permite a los usuarios verificar, construir y buscar documentación de Rust localmente a través de comandos de cargo doc.

Local
TypeScript
Moondream MCP Server

Moondream MCP Server

Un servidor potente que integra el modelo de visión Moondream para permitir el análisis avanzado de imágenes, incluyendo la generación de subtítulos, la detección de objetos y el sistema de preguntas y respuestas visuales, a través del Protocolo de Contexto de Modelos, compatible con asistentes de IA como Claude y Cline.

Local
JavaScript
Cursor MCP Server

Cursor MCP Server

Facilita la integración con el editor de código Cursor al habilitar la indexación de código en tiempo real, el análisis y la comunicación bidireccional con Claude, admitiendo sesiones concurrentes y la reconexión automática.

Local
TypeScript
MCP Code Analyzer

MCP Code Analyzer

Una herramienta integral de análisis y gestión de código que se integra con Claude Desktop para analizar el código a nivel de proyecto y de archivo, ayudando a adaptar los cambios a los proyectos de forma inteligente.

Local
Python
Argus

Argus

Una herramienta de Protocolo de Contexto de Modelo para analizar repositorios de código, realizar escaneos de seguridad y evaluar la calidad del código en múltiples lenguajes de programación.

Local
Python
MCP Tools for Obsidian

MCP Tools for Obsidian

Un servidor MCP local que permite que aplicaciones de IA como Claude Desktop accedan y trabajen de forma segura con bóvedas de Obsidian, proporcionando capacidades para leer notas, ejecutar plantillas y realizar búsquedas semánticas.

Local
TypeScript
MCP Variance Log

MCP Variance Log

Herramienta agentiva que busca variaciones estadísticas en la estructura de la conversación y registra eventos inusuales en una base de datos SQLite. Construido utilizando el Protocolo de Contexto del Modelo (MCP), este sistema está diseñado para ser utilizado con Claude Desktop u otros clientes compatibles con MCP.

Local
Python
MCP Postgres Server

MCP Postgres Server

Un servidor que implementa el Protocolo de Contexto del Modelo (MCP) para Cursor, que permite usar una base de datos PostgreSQL como almacenamiento para los contextos del modelo, habilitando la exploración y consulta segura de la base de datos.

Local
JavaScript
MCP File Preview Server

MCP File Preview Server

Proporciona capacidades de vista previa y análisis de archivos HTML. Este servidor permite capturar capturas de pantalla de página completa de archivos HTML locales y analizar su estructura.

Local
JavaScript
Explorium AgentSource MCP Server

Explorium AgentSource MCP Server

¡El servidor MCP Explorium AgentSource permite que cada agente se convierta en un agente especializado en Go-To-Market impulsado por la IA! Con más de 20 puntos finales especializados diseñados para la prospección, las ventas y la generación de leads, los agentes pueden generar y enriquecer cuentas y prospectos sin esfuerzo, acceder a información empresarial profunda, y...

Local
Python
Notion MCP Server

Notion MCP Server

Un servidor de Protocolo de Contexto de Modelo que permite a Claude y otros LLMs interactuar con espacios de trabajo de Notion, proporcionando capacidades como buscar, recuperar, crear y actualizar páginas, así como gestionar bases de datos.

Local
TypeScript
Cline Personas MCP Server

Cline Personas MCP Server

Un servidor MCP para gestionar y activar plantillas y componentes de persona escribiendo en archivos .clinerules, que admite el seguimiento de versiones y el almacenamiento basado en archivos.

Local
TypeScript
Azure OpenAI

Azure OpenAI

Aquí tienes una implementación mínima de una aplicación servidor/cliente que utiliza el Protocolo de Contexto de Modelo (MCP) y Azure OpenAI: **Consideraciones:** * **Simplicidad:** Este es un ejemplo simplificado para ilustrar los conceptos básicos. En una aplicación real, necesitarás manejar errores, autenticación, autorización, y otras consideraciones de producción. * **Entorno:** Asumo que tienes configurado un entorno de desarrollo con Python, las bibliotecas necesarias (ver abajo) y acceso a Azure OpenAI. * **Azure OpenAI:** Necesitarás una instancia de Azure OpenAI desplegada y configurada, con un modelo desplegado. Necesitarás la clave API y el endpoint. * **MCP:** El Protocolo de Contexto de Modelo (MCP) es un concepto, no una biblioteca específica. Aquí, lo implementamos directamente con llamadas HTTP. En el futuro, podrían existir bibliotecas que faciliten esto. **Requisitos (Python):** ```bash pip install flask requests ``` **1. Servidor (server.py):** ```python from flask import Flask, request, jsonify import requests import os app = Flask(__name__) # Configuración de Azure OpenAI (reemplaza con tus valores) AZURE_OPENAI_ENDPOINT = os.environ.get("AZURE_OPENAI_ENDPOINT") # Ejemplo: "https://your-resource-name.openai.azure.com/" AZURE_OPENAI_API_KEY = os.environ.get("AZURE_OPENAI_API_KEY") AZURE_OPENAI_DEPLOYMENT_NAME = os.environ.get("AZURE_OPENAI_DEPLOYMENT_NAME") # Ejemplo: "your-deployment-name" AZURE_OPENAI_API_VERSION = "2023-05-15" # Asegúrate de usar una versión compatible @app.route('/mcp/query', methods=['POST']) def mcp_query(): """ Endpoint que recibe una consulta (prompt) y la envía a Azure OpenAI. Implementa el concepto de MCP (aunque de forma muy básica). """ try: data = request.get_json() prompt = data.get('prompt') if not prompt: return jsonify({'error': 'Prompt is required'}), 400 # Construye la solicitud a Azure OpenAI api_url = f"{AZURE_OPENAI_ENDPOINT}openai/deployments/{AZURE_OPENAI_DEPLOYMENT_NAME}/completions?api-version={AZURE_OPENAI_API_VERSION}" headers = { "Content-Type": "application/json", "api-key": AZURE_OPENAI_API_KEY } payload = { "prompt": prompt, "max_tokens": 150, # Ajusta según sea necesario "n": 1, "stop": None, "temperature": 0.7, } # Envía la solicitud a Azure OpenAI response = requests.post(api_url, headers=headers, json=payload) response.raise_for_status() # Lanza una excepción si hay un error HTTP # Procesa la respuesta de Azure OpenAI response_data = response.json() completion = response_data['choices'][0]['text'] # Devuelve la respuesta al cliente return jsonify({'completion': completion}) except Exception as e: print(f"Error: {e}") return jsonify({'error': str(e)}), 500 if __name__ == '__main__': app.run(debug=True, port=5000) ``` **2. Cliente (client.py):** ```python import requests import json SERVER_URL = "http://localhost:5000/mcp/query" # Ajusta si el servidor está en otra dirección def send_query(prompt): """ Envía una consulta al servidor MCP. """ try: headers = {'Content-Type': 'application/json'} payload = {'prompt': prompt} response = requests.post(SERVER_URL, headers=headers, data=json.dumps(payload)) response.raise_for_status() # Lanza una excepción si hay un error HTTP data = response.json() return data.get('completion') except requests.exceptions.RequestException as e: print(f"Error al conectar con el servidor: {e}") return None except Exception as e: print(f"Error al procesar la respuesta: {e}") return None if __name__ == '__main__': query = "Escribe un breve poema sobre la lluvia." completion = send_query(query) if completion: print(f"Consulta: {query}") print(f"Respuesta: {completion}") else: print("No se pudo obtener una respuesta.") ``` **Cómo ejecutar:** 1. **Configura las variables de entorno:** Antes de ejecutar el servidor, asegúrate de configurar las variables de entorno `AZURE_OPENAI_ENDPOINT`, `AZURE_OPENAI_API_KEY` y `AZURE_OPENAI_DEPLOYMENT_NAME`. Puedes hacerlo en tu terminal antes de ejecutar el script: ```bash export AZURE_OPENAI_ENDPOINT="https://your-resource-name.openai.azure.com/" export AZURE_OPENAI_API_KEY="tu_clave_api" export AZURE_OPENAI_DEPLOYMENT_NAME="your-deployment-name" ``` Reemplaza los valores con los tuyos. También puedes usar un archivo `.env` y una biblioteca como `python-dotenv` para cargar las variables. 2. **Ejecuta el servidor:** ```bash python server.py ``` 3. **Ejecuta el cliente:** ```bash python client.py ``` **Explicación:** * **Servidor (server.py):** * Utiliza Flask para crear un servidor web simple. * Define un endpoint `/mcp/query` que acepta solicitudes POST con un `prompt` en formato JSON. * Toma el `prompt` del cuerpo de la solicitud. * Construye una solicitud a la API de Azure OpenAI. **Importante:** Reemplaza los valores de `AZURE_OPENAI_ENDPOINT`, `AZURE_OPENAI_API_KEY` y `AZURE_OPENAI_DEPLOYMENT_NAME` con tus credenciales y el nombre de tu despliegue. * Envía la solicitud a Azure OpenAI usando la biblioteca `requests`. * Procesa la respuesta de Azure OpenAI y extrae la `completion`. * Devuelve la `completion` al cliente en formato JSON. * Maneja errores y devuelve códigos de estado HTTP apropiados. * **Cliente (client.py):** * Define la URL del servidor. * Define una función `send_query` que envía una solicitud POST al servidor con el `prompt` en formato JSON. * Recibe la respuesta del servidor y extrae la `completion`. * Imprime la consulta y la respuesta. * Maneja errores de conexión y procesamiento de la respuesta. **Concepto de MCP (Protocolo de Contexto de Modelo):** En este ejemplo, el concepto de MCP se implementa de la siguiente manera: * El servidor actúa como un intermediario entre el cliente y el modelo de lenguaje (Azure OpenAI). * El cliente envía una consulta (prompt) al servidor. * El servidor se encarga de: * Formatear la consulta para que sea compatible con el modelo de lenguaje. * Enviar la consulta al modelo de lenguaje. * Procesar la respuesta del modelo de lenguaje. * Devolver la respuesta al cliente en un formato consistente. En una implementación más compleja de MCP, el servidor podría también: * Gestionar el contexto de la conversación (historial de mensajes). * Aplicar reglas de seguridad y privacidad. * Realizar preprocesamiento y postprocesamiento de la consulta y la respuesta. * Seleccionar el modelo de lenguaje más adecuado para la consulta. **Mejoras:** * **Manejo de errores robusto:** Implementa un manejo de errores más completo en ambos lados (servidor y cliente). * **Autenticación y autorización:** Agrega autenticación y autorización para proteger el endpoint del servidor. * **Logging:** Implementa logging para rastrear las solicitudes y respuestas. * **Contexto de conversación:** Implementa la gestión del contexto de la conversación para permitir interacciones más complejas. * **Configuración:** Utiliza un archivo de configuración para almacenar la configuración del servidor y del cliente. * **Asincronía:** Considera usar `asyncio` para manejar las solicitudes de forma asíncrona, especialmente si esperas un alto volumen de tráfico. * **Validación de datos:** Valida los datos de entrada (prompt) en el servidor para prevenir ataques. * **Implementación de un esquema MCP más completo:** Define un esquema JSON para las solicitudes y respuestas MCP para garantizar la interoperabilidad. Este ejemplo proporciona un punto de partida para construir una aplicación más completa que utiliza el Protocolo de Contexto de Modelo y Azure OpenAI. Recuerda adaptar el código a tus necesidades específicas.

Local
Python