Discover Awesome MCP Servers

Mcp Api

mcp client and server

MCP Harbor

Una aplicación de Node.js que proporciona un servidor de Protocolo de Contexto de Modelo para interactuar con el registro de contenedores Harbor, que admite operaciones para proyectos, repositorios, etiquetas y gráficos de Helm.

Database MCP Server

Un servidor de Protocolo de Contexto de Modelo que proporciona herramientas para conectarse e interactuar con varios sistemas de bases de datos (SQLite, PostgreSQL, MySQL/MariaDB, SQL Server) a través de una interfaz unificada.

MCP Tools

Mirror of

MCP-Agg: Multi-Channel Platform Aggregator

Servidor agregado MCP

MCP Server: VS Code Extensions Installer

MCP tool for automatically installing VS Code extensions in Cursor

MCP (Model Context Protocol) Research

Okay, here's a translation of your request, followed by information about Model Context Protocol (MCP) servers and implementations, translated into Spanish: **Translation:** * **English:** Research and documentation about Model Context Protocol (MCP) servers and implementations * **Spanish:** Investigación y documentación sobre servidores e implementaciones del Protocolo de Contexto de Modelo (MCP) **Information about Model Context Protocol (MCP) servers and implementations (in Spanish):** El Protocolo de Contexto de Modelo (MCP) es un protocolo que permite a los modelos de aprendizaje automático (ML) acceder a información contextual durante la inferencia. En lugar de depender únicamente de los datos de entrada inmediatos, un modelo habilitado para MCP puede consultar un servidor MCP para obtener datos adicionales relevantes para la predicción. Esto puede mejorar significativamente la precisión y la capacidad de los modelos, especialmente en escenarios donde el contexto es crucial. **Conceptos Clave:** * **Modelo (ML Model):** El modelo de aprendizaje automático que realiza la inferencia. * **Servidor MCP (MCP Server):** Un servicio que almacena y proporciona información contextual. Actúa como una base de datos o un almacén de características para el modelo. * **Contexto (Context):** Información adicional que ayuda al modelo a tomar decisiones más informadas. Esto podría incluir datos históricos, información del usuario, datos geográficos, o cualquier otra información relevante. * **Inferencia (Inference):** El proceso de usar el modelo para hacer predicciones basadas en los datos de entrada y el contexto recuperado del servidor MCP. **Cómo Funciona (Generalmente):** 1. **Solicitud de Inferencia:** El modelo recibe una solicitud de inferencia con los datos de entrada iniciales. 2. **Consulta al Servidor MCP:** El modelo utiliza los datos de entrada para construir una consulta al servidor MCP. Esta consulta especifica qué información contextual necesita el modelo. 3. **Respuesta del Servidor MCP:** El servidor MCP busca la información solicitada y la devuelve al modelo. 4. **Inferencia con Contexto:** El modelo combina los datos de entrada originales con la información contextual recibida del servidor MCP. 5. **Predicción:** El modelo realiza la inferencia y produce una predicción. **Beneficios del MCP:** * **Mayor Precisión:** Al tener acceso a información contextual, los modelos pueden tomar decisiones más precisas. * **Mejor Generalización:** Los modelos pueden generalizar mejor a nuevos datos, ya que pueden tener en cuenta el contexto. * **Flexibilidad:** El MCP permite a los modelos acceder a una amplia gama de información contextual, lo que los hace más flexibles y adaptables. * **Desacoplamiento:** Separa la lógica del modelo de la gestión de datos contextuales, facilitando el mantenimiento y la actualización. **Implementaciones (Ejemplos y Consideraciones):** Debido a que MCP es un concepto relativamente nuevo, no existe un estándar único y ampliamente adoptado. Las implementaciones varían según las necesidades específicas de la aplicación. Aquí hay algunas consideraciones y posibles enfoques: * **Bases de Datos:** Se pueden utilizar bases de datos relacionales (como PostgreSQL) o bases de datos NoSQL (como Cassandra o MongoDB) como servidores MCP. La elección depende del tipo de datos contextuales y los requisitos de rendimiento. * **Almacenes de Características (Feature Stores):** Los almacenes de características, como Feast o Tecton, están diseñados específicamente para servir características a los modelos de ML. Pueden ser una excelente opción para implementar un servidor MCP. * **APIs Personalizadas:** Se pueden crear APIs personalizadas para servir información contextual. Esto permite un control total sobre la lógica de acceso a los datos. * **Protocolos de Comunicación:** Se pueden utilizar protocolos como gRPC o REST para la comunicación entre el modelo y el servidor MCP. * **Escalabilidad y Rendimiento:** Es crucial considerar la escalabilidad y el rendimiento del servidor MCP, especialmente para aplicaciones con alto volumen de tráfico. Se deben utilizar técnicas como el almacenamiento en caché y la distribución de la carga. * **Seguridad:** La seguridad es una consideración importante, especialmente si el servidor MCP contiene información sensible. Se deben implementar medidas de seguridad adecuadas para proteger los datos. **Investigación Adicional:** Para obtener más información sobre el MCP, se recomienda buscar en las siguientes áreas: * **Artículos de Investigación:** Busca artículos académicos sobre el uso de información contextual en modelos de aprendizaje automático. Aunque no siempre se refieran explícitamente al "MCP", los conceptos subyacentes son relevantes. * **Documentación de Almacenes de Características:** Explora la documentación de almacenes de características como Feast y Tecton. Estos sistemas a menudo implementan funcionalidades similares al MCP. * **Estudios de Caso:** Busca estudios de caso de empresas que utilizan información contextual para mejorar el rendimiento de sus modelos de ML. * **Conferencias y Talleres:** Asiste a conferencias y talleres sobre aprendizaje automático y sistemas de ML. Estos eventos a menudo presentan nuevas investigaciones y tecnologías relacionadas con el MCP. **En resumen, el Protocolo de Contexto de Modelo (MCP) es un enfoque prometedor para mejorar la precisión y la capacidad de los modelos de aprendizaje automático al permitirles acceder a información contextual durante la inferencia. Aunque todavía no existe un estándar único, las implementaciones varían según las necesidades específicas de la aplicación. Los almacenes de características y las bases de datos son opciones comunes para implementar servidores MCP.** This provides a good overview of MCP, its benefits, and implementation considerations. Remember to tailor your research to your specific use case and requirements. Good luck!

Gemini Flash MCP - Image Generation for Roo Code

MCP server for Google Gemini 2.0 Flash image generation

LibreChat MCP Servers

Instructions for setting up SuperGateway MCP servers in docker containers for docker deployments of LibreChat

Venice AI Image Generator MCP Server

Probando la funcionalidad del servidor MCP con Venice y Gemini (imágenes).

mcp-excel

MCP server to give client the ability to read Excel files

Deno 2 Playwright Model Context Protocol Server Example

Espejo de

Fillout.io MCP Server

Permite la gestión de formularios, el manejo de respuestas y el análisis a través de la API de Fillout.io para mejorar las interacciones y la información obtenida de los formularios.

Workers MCP Server

Talk to a Cloudflare Worker from Claude Desktop!

mcp-yahoo-finance

There isn't a direct "MCP server" specifically designed for Yahoo Finance. "MCP" likely refers to a **Message Control Protocol** or something similar, implying a system for managing and distributing data. To get data from Yahoo Finance programmatically, you would typically use an **API (Application Programming Interface)**. Here's how you'd approach it, and what might be meant by "MCP" in this context: **1. Using the Yahoo Finance API (or Alternatives):** * **Yahoo Finance API (Unofficial):** Yahoo officially discontinued their public API years ago. However, there are *unofficial* APIs and libraries built by the community that scrape data from the Yahoo Finance website. These are prone to breaking if Yahoo changes its website structure. Examples include: * `yfinance` (Python library): A popular Python library for accessing Yahoo Finance data. It's relatively easy to use. * Other scraping libraries (Beautiful Soup, Scrapy in Python, etc.): You could write your own scraper, but this is more complex and requires constant maintenance. * **Alternative APIs:** Consider using a paid financial data API from providers like: * **Alpha Vantage:** Offers a free tier with limitations and paid plans for more data. * **IEX Cloud:** Another popular option with a free tier and paid plans. * **Financial Modeling Prep:** Provides a wide range of financial data. * **Polygon.io:** Focuses on real-time and historical stock market data. **2. "MCP" in the Context of Data Distribution:** If you're thinking of "MCP" as a way to *manage* and *distribute* the data you get from Yahoo Finance (or another API), then you're talking about building your own data pipeline. Here's how that might work: * **Data Acquisition:** Your script (using `yfinance` or another API) fetches data from Yahoo Finance. * **Data Processing:** You clean, transform, and format the data as needed. * **Data Storage:** You store the data in a database (e.g., MySQL, PostgreSQL, MongoDB) or a data warehouse. * **Data Distribution (the "MCP" part):** You create a system to make the data available to other applications or users. This could involve: * **A custom API:** You build your own API that clients can query to get the data. This is the most common approach. * **Message Queue (e.g., RabbitMQ, Kafka):** You publish data to a message queue, and other applications subscribe to the queue to receive updates. This is good for real-time or near-real-time data. * **Shared Database:** Other applications can directly query the database where you store the data. This is simpler but can create performance issues if many applications are accessing the database at the same time. * **File-based distribution (e.g., CSV, JSON):** You periodically generate files containing the data and make them available for download. **Example (Python with `yfinance` and a simple API):** ```python import yfinance as yf from flask import Flask, jsonify app = Flask(__name__) @app.route('/stock/<ticker>') def get_stock_data(ticker): try: data = yf.Ticker(ticker).history(period="1d") # Get 1 day of data if data.empty: return jsonify({"error": "No data found for ticker"}), 404 return jsonify(data.to_dict(orient="records")) except Exception as e: return jsonify({"error": str(e)}), 500 if __name__ == '__main__': app.run(debug=True) ``` **Explanation of the Python Example:** 1. **`yfinance`:** Fetches data from Yahoo Finance. 2. **`Flask`:** Creates a simple web API. 3. **`/stock/<ticker>`:** An API endpoint that takes a stock ticker symbol as input. 4. **`yf.Ticker(ticker).history(period="1d")`:** Gets the historical data for the specified ticker for the last day. 5. **`jsonify()`:** Converts the data to JSON format. **To summarize:** * There's no pre-built "MCP server" for Yahoo Finance. * You'll likely use an API (unofficial Yahoo Finance API or a paid alternative) to get the data. * If you need to manage and distribute the data, you'll need to build your own data pipeline, which might involve a custom API, message queue, or other distribution mechanism. **Translation to Spanish:** No existe un "servidor MCP" directamente diseñado para Yahoo Finance. "MCP" probablemente se refiere a un "Protocolo de Control de Mensajes" o algo similar, lo que implica un sistema para administrar y distribuir datos. Para obtener datos de Yahoo Finance programáticamente, normalmente usarías una **API (Interfaz de Programación de Aplicaciones)**. Así es como lo abordarías, y lo que podría significar "MCP" en este contexto: **1. Usando la API de Yahoo Finance (o alternativas):** * **API de Yahoo Finance (no oficial):** Yahoo descontinuó oficialmente su API pública hace años. Sin embargo, existen APIs *no oficiales* y bibliotecas creadas por la comunidad que extraen datos del sitio web de Yahoo Finance. Estas son propensas a fallar si Yahoo cambia la estructura de su sitio web. Los ejemplos incluyen: * `yfinance` (biblioteca de Python): Una biblioteca popular de Python para acceder a los datos de Yahoo Finance. Es relativamente fácil de usar. * Otras bibliotecas de scraping (Beautiful Soup, Scrapy en Python, etc.): Podrías escribir tu propio scraper, pero esto es más complejo y requiere mantenimiento constante. * **APIs alternativas:** Considera usar una API de datos financieros de pago de proveedores como: * **Alpha Vantage:** Ofrece un nivel gratuito con limitaciones y planes de pago para obtener más datos. * **IEX Cloud:** Otra opción popular con un nivel gratuito y planes de pago. * **Financial Modeling Prep:** Proporciona una amplia gama de datos financieros. * **Polygon.io:** Se centra en datos del mercado de valores en tiempo real e históricos. **2. "MCP" en el contexto de la distribución de datos:** Si estás pensando en "MCP" como una forma de *administrar* y *distribuir* los datos que obtienes de Yahoo Finance (u otra API), entonces estás hablando de construir tu propio pipeline de datos. Así es como podría funcionar: * **Adquisición de datos:** Tu script (usando `yfinance` u otra API) obtiene datos de Yahoo Finance. * **Procesamiento de datos:** Limpias, transformas y formateas los datos según sea necesario. * **Almacenamiento de datos:** Almacenas los datos en una base de datos (por ejemplo, MySQL, PostgreSQL, MongoDB) o en un almacén de datos. * **Distribución de datos (la parte "MCP"):** Creas un sistema para que los datos estén disponibles para otras aplicaciones o usuarios. Esto podría implicar: * **Una API personalizada:** Construyes tu propia API que los clientes pueden consultar para obtener los datos. Este es el enfoque más común. * **Cola de mensajes (por ejemplo, RabbitMQ, Kafka):** Publicas datos en una cola de mensajes y otras aplicaciones se suscriben a la cola para recibir actualizaciones. Esto es bueno para datos en tiempo real o casi en tiempo real. * **Base de datos compartida:** Otras aplicaciones pueden consultar directamente la base de datos donde almacenas los datos. Esto es más simple, pero puede crear problemas de rendimiento si muchas aplicaciones acceden a la base de datos al mismo tiempo. * **Distribución basada en archivos (por ejemplo, CSV, JSON):** Generas periódicamente archivos que contienen los datos y los pones a disposición para su descarga. **Ejemplo (Python con `yfinance` y una API simple):** ```python import yfinance as yf from flask import Flask, jsonify app = Flask(__name__) @app.route('/stock/<ticker>') def get_stock_data(ticker): try: data = yf.Ticker(ticker).history(period="1d") # Obtener 1 día de datos if data.empty: return jsonify({"error": "No se encontraron datos para el ticker"}), 404 return jsonify(data.to_dict(orient="records")) except Exception as e: return jsonify({"error": str(e)}), 500 if __name__ == '__main__': app.run(debug=True) ``` **Explicación del ejemplo de Python:** 1. **`yfinance`:** Obtiene datos de Yahoo Finance. 2. **`Flask`:** Crea una API web simple. 3. **`/stock/<ticker>`:** Un punto final de la API que toma un símbolo de cotización de acciones como entrada. 4. **`yf.Ticker(ticker).history(period="1d")`:** Obtiene los datos históricos para el ticker especificado durante el último día. 5. **`jsonify()`:** Convierte los datos al formato JSON. **En resumen:** * No existe un "servidor MCP" preconstruido para Yahoo Finance. * Es probable que uses una API (API no oficial de Yahoo Finance o una alternativa de pago) para obtener los datos. * Si necesitas administrar y distribuir los datos, deberás construir tu propio pipeline de datos, lo que podría implicar una API personalizada, una cola de mensajes u otro mecanismo de distribución.

mcp-server-bluesky

MCP server for interacting with Bluesky

YouTube MCP Server

Permite que los modelos de lenguaje de IA interactúen con el contenido de YouTube a través de una interfaz estandarizada, proporcionando herramientas para recuperar información de videos, transcripciones, análisis de canales y análisis de tendencias.

Baidu Map

百度地图核心API现已全面兼容MCP协议，是国内首家兼容MCP协议的地图服务商。

BioMed-MCP-Server

Un servidor MCP para una base de datos de literatura biomédica.

MySQL MCP Server

Un servidor potente que permite a los agentes de IA interactuar con bases de datos MySQL, ejecutar consultas SQL y administrar el contenido de la base de datos a través de una interfaz sencilla.

Terminal MCP Server

Un servidor MCP que permite a los modelos de IA ejecutar comandos del sistema en máquinas locales o hosts remotos a través de SSH, admitiendo sesiones persistentes y variables de entorno.

IDA Pro MCP

Servidor MCP para ingeniería inversa automatizada con IDA Pro.

Google Calendar

Un servidor de Protocolo de Contexto de Modelo que integra Google Calendar con Claude Desktop, permitiendo a los usuarios gestionar eventos del calendario (ver, crear, actualizar, eliminar) a través del lenguaje natural.

MCPE Server Proxy

Mirror of

Weights & Biases MCP Server

A collection of MCP (Model Context Protocol) tools and examples for wandb and weave

tinysa-mcp

This is experimental MCP server for operating tinySA.