Discover Awesome MCP Servers

playwright-mcp

Sebuah server Protokol Konteks Model yang memungkinkan LLM berinteraksi dengan halaman web melalui snapshot aksesibilitas terstruktur tanpa memerlukan model penglihatan atau tangkapan layar.

Audiense Insights MCP Server

Enables interaction with Audiense Insights accounts via the Model Context Protocol, facilitating the extraction and analysis of marketing insights and audience data including demographics, behavior, and influencer engagement.

Magic Component Platform (MCP)

Sebuah alat bertenaga AI yang menghasilkan komponen UI modern dari deskripsi bahasa alami, terintegrasi dengan IDE populer untuk mempercepat alur kerja pengembangan UI.

VeyraX MCP

Satu alat MCP untuk menghubungkan semua alat favorit Anda: Gmail, Kalender, dan 40 lainnya.

Kagi MCP Server

Sebuah server MCP yang mengintegrasikan kemampuan pencarian Kagi dengan Claude AI, memungkinkan Claude untuk melakukan pencarian web secara real-time saat menjawab pertanyaan yang membutuhkan informasi terkini.

graphlit-mcp-server

Server Model Context Protocol (MCP) memungkinkan integrasi antara klien MCP dan layanan Graphlit. Serap apa pun mulai dari Slack hingga Gmail hingga umpan podcast, selain perayapan web, ke dalam proyek Graphlit - lalu ambil konten yang relevan dari klien MCP.

Qdrant Server

This repository is an example of how to create a MCP server for Qdrant, a vector search engine.

E2B

Menggunakan MCP untuk menjalankan kode melalui e2b.

Exa Search

Server Model Context Protocol (MCP) memungkinkan asisten AI seperti Claude menggunakan Exa AI Search API untuk pencarian web. Pengaturan ini memungkinkan model AI untuk mendapatkan informasi web secara real-time dengan cara yang aman dan terkontrol.

Neon Database

MCP server for interacting with Neon Management API and databases

Claude Code MCP

Implementasi dari Claude Code sebagai server Model Context Protocol yang memungkinkan penggunaan kemampuan rekayasa perangkat lunak Claude (pembuatan kode, pengeditan, peninjauan, dan operasi file) melalui antarmuka MCP yang terstandardisasi.

@kazuph/mcp-taskmanager

Server Protokol Konteks Model untuk Manajemen Tugas. Ini memungkinkan Claude Desktop (atau klien MCP lainnya) untuk mengelola dan menjalankan tugas dalam sistem berbasis antrean.

Apple MCP Server

Memungkinkan interaksi dengan aplikasi Apple seperti Pesan, Catatan, dan Kontak melalui protokol MCP untuk mengirim pesan, mencari, dan membuka konten aplikasi menggunakan bahasa alami.

google-calendar-mcp

Mari kita biarkan LLM membaca dan mengelola acara Google Kalender.

Gitingest-MCP

Sebuah server MCP untuk gitingest. Ini memungkinkan klien MCP seperti Claude Desktop, Cursor, Cline, dll. untuk dengan cepat mengekstrak informasi tentang repositori Github termasuk ringkasan repositori, struktur direktori proyek, konten file, dll.

@kazuph/mcp-fetch

Server Protokol Konteks Model untuk mengambil konten web dan memproses gambar. Ini memungkinkan Claude Desktop (atau klien MCP lainnya) untuk mengambil konten web dan menangani gambar dengan tepat.

Excel MCP Server

Server Protokol Konteks Model yang memungkinkan asisten AI untuk membaca dan menulis ke file Microsoft Excel, mendukung format seperti xlsx, xlsm, xltx, dan xltm.

Playwright MCP Server

Menyediakan server yang menggunakan Model Context Protocol untuk mengaktifkan otomatisasi browser yang mirip manusia dengan Playwright, memungkinkan kontrol atas tindakan browser seperti navigasi, interaksi elemen, dan pengguliran.

MCP Package Docs Server

Memfasilitasi LLM untuk secara efisien mengakses dan mengambil dokumentasi terstruktur untuk paket-paket di Go, Python, dan NPM, meningkatkan pengembangan perangkat lunak dengan dukungan multi-bahasa dan optimasi kinerja.

React MCP

react-mcp integrates with Claude Desktop, enabling the creation and modification of React apps based on user prompts

Mult Fetch MCP Server

A versatile MCP-compliant web content fetching tool that supports multiple modes (browser/node), formats (HTML/JSON/Markdown/Text), and intelligent proxy detection, with bilingual interface (English/Chinese).

AIO-MCP Server

🚀 All-in-one MCP server with AI search, RAG, and multi-service integrations (GitLab/Jira/Confluence/YouTube) for AI-enhanced development workflows. Folk from

Persistent Knowledge Graph

Implementasi memori persisten untuk Claude menggunakan grafik pengetahuan lokal, memungkinkan AI untuk mengingat informasi tentang pengguna di berbagai percakapan dengan lokasi penyimpanan yang dapat disesuaikan.

Hyperbrowser MCP Server

Selamat datang di Hyperbrowser, Internet untuk AI. Hyperbrowser adalah platform generasi berikutnya yang memberdayakan agen AI dan memungkinkan otomatisasi browser yang mudah dan terukur. Dibangun khusus untuk pengembang AI, platform ini menghilangkan sakit kepala infrastruktur lokal dan hambatan kinerja, memungkinkan Anda untuk:

mermaid-mcp-server

Sebuah server Model Context Protocol (MCP) yang mengonversi diagram Mermaid menjadi gambar PNG.

The Verge News MCP Server

Menyediakan alat untuk mengambil dan mencari berita dari umpan RSS The Verge, memungkinkan pengguna untuk mendapatkan berita hari ini, mengambil artikel acak dari minggu lalu, dan mencari kata kunci tertentu dalam konten terbaru The Verge.

Google Search Console MCP Server

Sebuah server yang menyediakan akses ke data Google Search Console melalui Model Context Protocol, memungkinkan pengguna untuk mengambil dan menganalisis data analitik pencarian dengan dimensi dan periode pelaporan yang dapat disesuaikan.

Jira-Context-MCP

Here are a few ways an MCP (presumably referring to a **Management and Configuration Platform**) server could provide Jira ticket information to AI coding agents like Cursor: **1. API Integration (Most Common and Recommended)** * **MCP as a Jira API Proxy/Aggregator:** The MCP server acts as an intermediary between the AI agent and the Jira API. This is the most robust and secure approach. * **How it works:** 1. The AI agent (e.g., Cursor) sends a request to the MCP server for Jira ticket information. This request might include a ticket ID, a search query, or other relevant parameters. 2. The MCP server authenticates the request (ensuring the AI agent is authorized to access Jira data). 3. The MCP server translates the AI agent's request into a Jira API call. 4. The MCP server makes the call to the Jira API. 5. The Jira API returns the requested data to the MCP server. 6. The MCP server transforms the Jira data into a format that is easily understood by the AI agent (e.g., JSON, Markdown). This might involve filtering, summarizing, or enriching the data. 7. The MCP server sends the formatted data back to the AI agent. * **Benefits:** * **Security:** The AI agent never directly accesses the Jira API, protecting your Jira instance from unauthorized access. The MCP server can handle authentication and authorization. * **Abstraction:** The AI agent doesn't need to know the details of the Jira API. The MCP server handles the complexity of interacting with Jira. * **Data Transformation:** The MCP server can transform the Jira data into a format that is optimized for the AI agent's needs. This can improve the AI agent's performance and accuracy. * **Rate Limiting/Throttling:** The MCP server can implement rate limiting to prevent the AI agent from overwhelming the Jira API. * **Auditing:** The MCP server can log all requests for Jira data, providing an audit trail. * **Considerations:** * Requires development effort to build and maintain the API proxy/aggregator. * Requires careful consideration of security and authentication. * **Direct Jira API Access (Less Recommended):** The AI agent directly calls the Jira API. * **How it works:** 1. The AI agent is configured with the necessary Jira API credentials (e.g., API token, username/password). 2. The AI agent makes direct calls to the Jira API to retrieve ticket information. * **Drawbacks:** * **Security Risk:** Exposing Jira API credentials directly to the AI agent is a significant security risk. * **Complexity:** The AI agent needs to understand the Jira API and handle authentication, error handling, and data transformation. * **Rate Limiting Issues:** The AI agent could easily overwhelm the Jira API, leading to performance problems. * **Lack of Control:** You have less control over how the AI agent is using the Jira API. **2. Data Synchronization (For Offline Access/Performance)** * **MCP as a Data Mirror:** The MCP server periodically synchronizes data from Jira to a local database or cache. * **How it works:** 1. The MCP server periodically polls the Jira API for updates to Jira tickets. 2. The MCP server stores the Jira data in a local database or cache. 3. The AI agent queries the local database or cache for Jira ticket information. * **Benefits:** * **Performance:** The AI agent can access Jira data much faster from a local database or cache than from the Jira API. * **Offline Access:** The AI agent can access Jira data even when it is not connected to the internet. * **Reduced Load on Jira:** The AI agent does not directly access the Jira API, reducing the load on your Jira instance. * **Considerations:** * Data may be stale if the synchronization frequency is not high enough. * Requires development effort to build and maintain the data synchronization process. * Requires storage space for the local database or cache. **3. Event-Driven Integration (For Real-Time Updates)** * **MCP as an Event Listener:** The MCP server subscribes to Jira events (e.g., ticket created, ticket updated) and pushes updates to the AI agent. * **How it works:** 1. The MCP server subscribes to Jira events using Jira webhooks or other event notification mechanisms. 2. When a Jira event occurs, Jira sends a notification to the MCP server. 3. The MCP server transforms the event data into a format that is easily understood by the AI agent. 4. The MCP server pushes the formatted data to the AI agent. * **Benefits:** * **Real-Time Updates:** The AI agent receives updates to Jira tickets in real time. * **Reduced Polling:** The AI agent does not need to poll the Jira API for updates, reducing the load on your Jira instance. * **Considerations:** * Requires a reliable event notification mechanism from Jira. * Requires development effort to build and maintain the event listener. * Requires a mechanism for handling missed events. **Choosing the Right Approach** The best approach depends on your specific requirements: * **Security is paramount:** Use the API integration approach with the MCP server acting as a proxy/aggregator. * **Performance is critical:** Use the data synchronization approach. * **Real-time updates are required:** Use the event-driven integration approach. * **Simplicity is important (but at the cost of security):** Direct Jira API access (but strongly discouraged). **Example Scenario (API Integration):** 1. **Cursor (AI Agent) needs information about Jira ticket "PROJECT-123".** 2. Cursor sends a request to the MCP server: `POST /jira/ticket/PROJECT-123` 3. The MCP server authenticates Cursor. 4. The MCP server calls the Jira API: `GET /rest/api/3/issue/PROJECT-123` (using its own Jira credentials). 5. Jira returns the ticket data to the MCP server. 6. The MCP server transforms the data into a simplified JSON format: ```json { "ticketId": "PROJECT-123", "summary": "Fix bug in login page", "status": "In Progress", "assignee": "john.doe", "description": "The login page is not working correctly..." } ``` 7. The MCP server sends the JSON data back to Cursor. 8. Cursor uses the information to assist the developer. **In summary, using an MCP server as an API proxy/aggregator is the most secure and flexible way to provide Jira ticket information to AI coding agents like Cursor. It allows you to control access to your Jira instance, transform the data into a format that is optimized for the AI agent, and implement rate limiting and auditing.** --- **Indonesian Translation:** Berikut adalah beberapa cara server MCP (kemungkinan merujuk pada **Platform Manajemen dan Konfigurasi**) dapat menyediakan informasi tiket Jira kepada agen pengkodean AI seperti Cursor: **1. Integrasi API (Paling Umum dan Direkomendasikan)** * **MCP sebagai Proxy/Agregator API Jira:** Server MCP bertindak sebagai perantara antara agen AI dan API Jira. Ini adalah pendekatan yang paling kuat dan aman. * **Cara kerjanya:** 1. Agen AI (misalnya, Cursor) mengirimkan permintaan ke server MCP untuk informasi tiket Jira. Permintaan ini mungkin mencakup ID tiket, kueri pencarian, atau parameter relevan lainnya. 2. Server MCP mengotentikasi permintaan (memastikan agen AI diotorisasi untuk mengakses data Jira). 3. Server MCP menerjemahkan permintaan agen AI menjadi panggilan API Jira. 4. Server MCP membuat panggilan ke API Jira. 5. API Jira mengembalikan data yang diminta ke server MCP. 6. Server MCP mengubah data Jira menjadi format yang mudah dipahami oleh agen AI (misalnya, JSON, Markdown). Ini mungkin melibatkan pemfilteran, peringkasan, atau memperkaya data. 7. Server MCP mengirimkan data yang diformat kembali ke agen AI. * **Manfaat:** * **Keamanan:** Agen AI tidak pernah secara langsung mengakses API Jira, melindungi instance Jira Anda dari akses tidak sah. Server MCP dapat menangani otentikasi dan otorisasi. * **Abstraksi:** Agen AI tidak perlu mengetahui detail API Jira. Server MCP menangani kompleksitas berinteraksi dengan Jira. * **Transformasi Data:** Server MCP dapat mengubah data Jira menjadi format yang dioptimalkan untuk kebutuhan agen AI. Ini dapat meningkatkan kinerja dan akurasi agen AI. * **Pembatasan Laju/Throttling:** Server MCP dapat menerapkan pembatasan laju untuk mencegah agen AI membebani API Jira. * **Audit:** Server MCP dapat mencatat semua permintaan data Jira, menyediakan jejak audit. * **Pertimbangan:** * Membutuhkan upaya pengembangan untuk membangun dan memelihara proxy/agregator API. * Membutuhkan pertimbangan yang cermat tentang keamanan dan otentikasi. * **Akses API Jira Langsung (Kurang Direkomendasikan):** Agen AI langsung memanggil API Jira. * **Cara kerjanya:** 1. Agen AI dikonfigurasi dengan kredensial API Jira yang diperlukan (misalnya, token API, nama pengguna/kata sandi). 2. Agen AI membuat panggilan langsung ke API Jira untuk mengambil informasi tiket. * **Kekurangan:** * **Risiko Keamanan:** Mengekspos kredensial API Jira langsung ke agen AI adalah risiko keamanan yang signifikan. * **Kompleksitas:** Agen AI perlu memahami API Jira dan menangani otentikasi, penanganan kesalahan, dan transformasi data. * **Masalah Pembatasan Laju:** Agen AI dapat dengan mudah membebani API Jira, yang menyebabkan masalah kinerja. * **Kurangnya Kontrol:** Anda memiliki lebih sedikit kontrol atas bagaimana agen AI menggunakan API Jira. **2. Sinkronisasi Data (Untuk Akses Offline/Kinerja)** * **MCP sebagai Cermin Data:** Server MCP secara berkala menyinkronkan data dari Jira ke database atau cache lokal. * **Cara kerjanya:** 1. Server MCP secara berkala melakukan polling API Jira untuk pembaruan tiket Jira. 2. Server MCP menyimpan data Jira dalam database atau cache lokal. 3. Agen AI meminta informasi tiket Jira dari database atau cache lokal. * **Manfaat:** * **Kinerja:** Agen AI dapat mengakses data Jira jauh lebih cepat dari database atau cache lokal daripada dari API Jira. * **Akses Offline:** Agen AI dapat mengakses data Jira bahkan ketika tidak terhubung ke internet. * **Mengurangi Beban pada Jira:** Agen AI tidak secara langsung mengakses API Jira, mengurangi beban pada instance Jira Anda. * **Pertimbangan:** * Data mungkin kedaluwarsa jika frekuensi sinkronisasi tidak cukup tinggi. * Membutuhkan upaya pengembangan untuk membangun dan memelihara proses sinkronisasi data. * Membutuhkan ruang penyimpanan untuk database atau cache lokal. **3. Integrasi Berbasis Peristiwa (Untuk Pembaruan Waktu Nyata)** * **MCP sebagai Pendengar Peristiwa:** Server MCP berlangganan peristiwa Jira (misalnya, tiket dibuat, tiket diperbarui) dan mendorong pembaruan ke agen AI. * **Cara kerjanya:** 1. Server MCP berlangganan peristiwa Jira menggunakan webhook Jira atau mekanisme notifikasi peristiwa lainnya. 2. Ketika peristiwa Jira terjadi, Jira mengirimkan notifikasi ke server MCP. 3. Server MCP mengubah data peristiwa menjadi format yang mudah dipahami oleh agen AI. 4. Server MCP mendorong data yang diformat ke agen AI. * **Manfaat:** * **Pembaruan Waktu Nyata:** Agen AI menerima pembaruan tiket Jira secara waktu nyata. * **Mengurangi Polling:** Agen AI tidak perlu melakukan polling API Jira untuk pembaruan, mengurangi beban pada instance Jira Anda. * **Pertimbangan:** * Membutuhkan mekanisme notifikasi peristiwa yang andal dari Jira. * Membutuhkan upaya pengembangan untuk membangun dan memelihara pendengar peristiwa. * Membutuhkan mekanisme untuk menangani peristiwa yang terlewat. **Memilih Pendekatan yang Tepat** Pendekatan terbaik tergantung pada kebutuhan spesifik Anda: * **Keamanan adalah yang terpenting:** Gunakan pendekatan integrasi API dengan server MCP bertindak sebagai proxy/agregator. * **Kinerja sangat penting:** Gunakan pendekatan sinkronisasi data. * **Pembaruan waktu nyata diperlukan:** Gunakan pendekatan integrasi berbasis peristiwa. * **Kesederhanaan penting (tetapi dengan mengorbankan keamanan):** Akses API Jira langsung (tetapi sangat tidak dianjurkan). **Contoh Skenario (Integrasi API):** 1. **Cursor (Agen AI) membutuhkan informasi tentang tiket Jira "PROJECT-123".** 2. Cursor mengirimkan permintaan ke server MCP: `POST /jira/ticket/PROJECT-123` 3. Server MCP mengotentikasi Cursor. 4. Server MCP memanggil API Jira: `GET /rest/api/3/issue/PROJECT-123` (menggunakan kredensial Jira-nya sendiri). 5. Jira mengembalikan data tiket ke server MCP. 6. Server MCP mengubah data menjadi format JSON yang disederhanakan: ```json { "ticketId": "PROJECT-123", "summary": "Perbaiki bug di halaman login", "status": "Sedang Dikerjakan", "assignee": "john.doe", "description": "Halaman login tidak berfungsi dengan benar..." } ``` 7. Server MCP mengirimkan data JSON kembali ke Cursor. 8. Cursor menggunakan informasi tersebut untuk membantu pengembang. **Singkatnya, menggunakan server MCP sebagai proxy/agregator API adalah cara paling aman dan fleksibel untuk menyediakan informasi tiket Jira kepada agen pengkodean AI seperti Cursor. Ini memungkinkan Anda untuk mengontrol akses ke instance Jira Anda, mengubah data menjadi format yang dioptimalkan untuk agen AI, dan menerapkan pembatasan laju dan audit.**

Crypto Price & Market Analysis MCP Server

Sebuah server Model Context Protocol (MCP) yang menyediakan analisis mata uang kripto komprehensif menggunakan CoinCap API. Server ini menawarkan data harga waktu nyata, analisis pasar, dan tren historis melalui antarmuka yang mudah digunakan.

MCP Spotify Server

Memungkinkan interaksi dengan katalog musik Spotify melalui Spotify Web API, mendukung pencarian, pengambilan informasi artis, pengelolaan daftar putar, dan penanganan token otomatis.