Discover Awesome MCP Servers

Thunder Client License Manager MCP Server

Provides tools for managing Thunder Client licenses through their API, enabling users to add, retrieve, and remove licenses with simple commands.

Azure Usage MCP Server

Enables natural language analysis of Azure usage data from CSV files, providing cost summaries, visualizations, and insights about service and regional spending patterns.

Google Cloud DNS MCP Server

Enables AI assistants to manage Google Cloud DNS zones and records, supporting full CRUD operations for various record types and DNSSEC management. It provides secure service account authentication to interact directly with Google Cloud's global DNS infrastructure.

mcp-twitterio

Allows AI assistants to query Twitter data including user info, tweets, trends, and more via twitterapi.io API.

knowledgeplane

MCP server that gives AI agents and teams persistent, shared memory using a knowledge graph with vector embeddings, automatic consolidation of related facts, and hybrid search.

MCP Server Starter (TypeScript)

A minimal, production-ready TypeScript template for building Model Context Protocol servers with auto-loading architecture for tools, resources, and prompts, supporting both stdio and HTTP transports.

Dropbox MCP Server

A local MCP server that enables Claude to manage Dropbox accounts through tools for file manipulation, searching, and sharing. It supports operations such as listing folders, moving files, creating shared links, and monitoring storage usage via natural language commands.

sora-mcp-server

Enables AI assistants to generate, manage, and download AI-generated videos using OpenAI's Sora models, supporting text prompts, image-to-video, remixing, and more.

cyberday-mcp

Enables AI agents to read and manage your organization's data systems registry in Cyberday.

Coda Universal MCP Server

Provides a standardized interface for interacting with Coda's tools and services through a unified API, following the MCP specification.

Symphony of One MCP

A multi-agent orchestration system that enables multiple Claude instances to collaborate through a centralized hub with a shared workspace and real-time communication. It features integrated task management, role assignment, and persistent memory to facilitate complex, synchronized agent workflows.

Remote MCP Server (Authless)

A remote MCP server template for Cloudflare Workers without authentication, supporting SSE connections and customizable tools.

@manansiingh/figma-react-mcp-server

Converts Figma designs into production-ready React components with design token extraction, widget registry integration, and micro-frontend module generation.

R2 Log Analyzer MCP Server

A remote MCP server that lets you analyze HTTP request logs and WAF/Firewall event logs stored in Cloudflare R2 using natural language via MCP clients such as Claude Desktop.

CurrencyTransfer MCP Server

Enables AI assistants to trade FX, manage beneficiaries, check balances, request quotes, and configure rate alerts and market orders via the CurrencyTransfer API.

mac_forensics-mcp

MCP server for macOS Digital Forensics and Incident Response, providing structured forensic analysis tools for triage collections including log parsing, timestamp normalization, and cross-artifact correlation.

PyTorch Lightning MCP Server

A minimal integration layer exposing PyTorch Lightning via a structured, machine-readable API for tools, agents, and orchestration systems.

US Regulations MCP Server

Enables querying US compliance regulations including HIPAA, CCPA, SOX, and more directly from AI assistants and MCP-compatible clients.

MCP Jira

Enables AI assistants to interact with Jira Cloud and Server/Data Center deployments for issue management, project tracking, and workflow automation. Supports multiple authentication methods including API tokens, OAuth 2.0, and personal access tokens.

ExpenseTracker MCP Server

Enables AI assistants to manage personal finances by storing, analyzing, and exporting expense data using a persistent PostgreSQL database. Supports adding/editing expenses, generating spending summaries, detecting top categories, and creating monthly reports.

Godot MCP Server

AI-powered development assistant that bridges AI assistants with Godot game projects, enabling intelligent project analysis, smart code generation, debugging, and performance optimization.

Google Jules MCP Server

Enables interaction with Google Jules API to automate software development tasks, such as managing sources, sessions, and activities for AI-powered coding assistance.

estudIA-MCP

RAG-enabled MCP server that uses Google Gemini for embeddings and Supabase for vector storage, enabling semantic search and document similarity matching through natural language queries.

ERPNext MCP Server

A comprehensive MCP server for ERPNext providing generic, doctype-agnostic access to any ERPNext document type with robust permission controls, audit logging, and enterprise-grade security.

gotham-browser

Enables Claude Code to control a real browser using AI for web scraping, competitive intelligence, and UX auditing through the MCP protocol.

Qdrant MCP Server

Provides semantic memory capabilities using Qdrant vector database with configurable embedding providers, allowing storage and retrieval of information using vector similarity.

Clarity MCP Server

Enables AI assistants to call web APIs extracted from HAR files, turning browser traffic into MCP tools.

Securities prices MCP server sample

Aquí tienes un ejemplo de un servidor MCP (Market Connectivity Platform) para precios de valores, información histórica, etc.: **Disclaimer:** Este es un ejemplo simplificado y requerirá una implementación más robusta para un uso en producción. Considera que la implementación real de un MCP es compleja y depende de los requisitos específicos. **Conceptos Clave:** * **MCP (Market Connectivity Platform):** Una plataforma que facilita la conexión a múltiples fuentes de datos del mercado (bolsas, proveedores de datos, etc.), normaliza los datos y los distribuye a los clientes. * **Proveedores de Datos:** Fuentes de datos del mercado (ej. Bloomberg, Refinitiv, IEX). * **Clientes:** Aplicaciones o usuarios que consumen los datos del mercado. * **Normalización de Datos:** El proceso de convertir datos de diferentes fuentes a un formato consistente. * **API (Application Programming Interface):** La interfaz que los clientes usan para interactuar con el servidor MCP. **Arquitectura Simplificada:** 1. **Conectores de Datos:** Módulos que se conectan a diferentes proveedores de datos. Cada conector es responsable de autenticarse, solicitar datos y convertir los datos al formato interno del MCP. 2. **Motor de Normalización:** Convierte los datos de los conectores a un formato común. Esto incluye mapear campos, convertir tipos de datos y manejar diferencias en la nomenclatura. 3. **Almacenamiento de Datos:** Almacena los datos normalizados. Esto puede ser una base de datos relacional, una base de datos de series temporales o un sistema de caché en memoria. 4. **API:** Proporciona una interfaz para que los clientes soliciten datos. Esto puede ser una API REST, una API WebSocket o una API basada en mensajes (ej. FIX). 5. **Distribución de Datos:** Envía los datos solicitados a los clientes. Esto puede ser en tiempo real (ej. para precios de mercado) o bajo demanda (ej. para datos históricos). **Ejemplo Simplificado (Pseudocódigo):** ```python # Pseudocódigo - NO FUNCIONA DIRECTAMENTE # Ilustra la lógica general class ConectorProveedorDatos: def __init__(self, proveedor): self.proveedor = proveedor # Inicializar la conexión al proveedor def obtener_precio(self, simbolo): # Lógica para conectarse al proveedor y obtener el precio precio_raw = self.proveedor.obtener_precio_raw(simbolo) precio_normalizado = self.normalizar_precio(precio_raw) return precio_normalizado def normalizar_precio(self, precio_raw): # Lógica para convertir el precio al formato interno # (ej. mapear nombres de campos, convertir tipos de datos) return precio_normalizado class MotorNormalizacion: def normalizar_datos(self, datos_raw, proveedor): # Lógica para normalizar datos de diferentes proveedores # (ej. mapear campos, convertir tipos de datos) return datos_normalizados class AlmacenamientoDatos: def __init__(self, tipo_almacenamiento="memoria"): self.tipo_almacenamiento = tipo_almacenamiento self.datos = {} # Diccionario en memoria para simplificar def guardar_datos(self, simbolo, datos): self.datos[simbolo] = datos def obtener_datos(self, simbolo): return self.datos.get(simbolo) class API: def __init__(self, motor_normalizacion, almacenamiento_datos): self.motor_normalizacion = motor_normalizacion self.almacenamiento_datos = almacenamiento_datos def obtener_precio(self, simbolo): # 1. Buscar en el almacenamiento de datos precio = self.almacenamiento_datos.obtener_datos(simbolo) if precio: return precio # 2. Si no está en el almacenamiento, obtenerlo del proveedor conector = ConectorProveedorDatos("ProveedorPredeterminado") # Reemplazar con la lógica real precio = conector.obtener_precio(simbolo) # 3. Guardar en el almacenamiento self.almacenamiento_datos.guardar_datos(simbolo, precio) return precio # Ejemplo de uso motor = MotorNormalizacion() almacenamiento = AlmacenamientoDatos() api = API(motor, almacenamiento) precio_AAPL = api.obtener_precio("AAPL") print(f"Precio de AAPL: {precio_AAPL}") ``` **Consideraciones Adicionales:** * **Escalabilidad:** Un MCP real debe ser escalable para manejar un gran volumen de datos y un gran número de clientes. Esto puede requerir el uso de técnicas como el balanceo de carga, el almacenamiento en caché distribuido y la mensajería asíncrona. * **Fiabilidad:** Un MCP debe ser fiable y tolerante a fallos. Esto puede requerir el uso de técnicas como la redundancia, la conmutación por error y la supervisión. * **Seguridad:** Un MCP debe ser seguro para proteger los datos del mercado de accesos no autorizados. Esto puede requerir el uso de técnicas como la autenticación, la autorización y el cifrado. * **Manejo de Errores:** Un MCP debe manejar los errores de forma elegante y proporcionar información útil a los clientes. * **Latencia:** La latencia es crítica para los datos del mercado en tiempo real. Un MCP debe estar optimizado para minimizar la latencia. * **Tecnologías:** Las tecnologías comunes para construir un MCP incluyen: * **Lenguajes de programación:** Java, Python, C++, Go * **Bases de datos:** PostgreSQL, TimescaleDB, InfluxDB, Redis * **Mensajería:** Kafka, RabbitMQ * **APIs:** REST, WebSocket, FIX **En resumen:** Este ejemplo proporciona una visión general simplificada de la arquitectura y la lógica de un servidor MCP. La implementación real requerirá un diseño y desarrollo más detallados, teniendo en cuenta los requisitos específicos de tu caso de uso. Es importante considerar la escalabilidad, la fiabilidad, la seguridad y la latencia al diseñar e implementar un MCP.

pantheon-mcp

Enables AI agents to access a collection of specialized agent instructions on demand, covering categories like tech, business, growth, and product.

Software Management MCP Server

Enables AI agents to automate local software management workflows including installation, uninstallation, updates, and environment recommendations. It provides a standardized, non-interactive interface for managing system applications and tracking software versions safely.