Discover Awesome MCP Servers

GOAT MCP Server

Sebuah server MCP yang menghubungkan Claude untuk Desktop dengan fungsionalitas blockchain, memungkinkan pengguna untuk memeriksa saldo dan mengirim token pada rantai EVM dan Solana melalui interaksi bahasa alami.

MySQL MCP Server by CData

MySQL MCP Server by CData

skykeep-mcp-server

MCP Server for Skykeep Application

MCP Outlook - Microsoft Outlook Integration for Claude

MCP Server and CLI for Microsoft Outlook integration

Solodit MCP Server

A server that allows searching and retrieving Solodit vulnerability reports through Model Context Protocol (MCP).

macOS Notification MCP

macOS Notification MCP

Spring Ai Mcp Deepseek

Oke, saya akan membantu Anda memahami cara mengintegrasikan layanan MCP (Model Catalog Provider) dengan Spring AI, termasuk server MCP dan klien Deepseek. Berikut adalah panduan umum dan beberapa pertimbangan penting: **Memahami Komponen** * **Spring AI:** Kerangka kerja (framework) Spring yang menyederhanakan pengembangan aplikasi kecerdasan buatan (AI). Ini menyediakan abstraksi untuk berinteraksi dengan berbagai model AI, termasuk model bahasa besar (LLM). * **MCP (Model Catalog Provider):** Layanan yang menyediakan katalog model AI. Ini memungkinkan Anda untuk menemukan, mengelola, dan menyebarkan model AI. Dalam konteks ini, kita berasumsi MCP menyediakan informasi tentang model Deepseek. * **MCP Server:** Implementasi server yang menyediakan API untuk mengakses katalog model MCP. * **Deepseek Client:** Klien yang digunakan untuk berinteraksi dengan model Deepseek. Ini mungkin berupa pustaka (library) khusus Deepseek atau klien HTTP yang berinteraksi dengan API Deepseek. **Langkah-langkah Umum Integrasi** 1. **Konfigurasi Proyek Spring Boot:** * Buat proyek Spring Boot baru atau gunakan proyek yang sudah ada. * Tambahkan dependensi Spring AI yang relevan ke `pom.xml` (Maven) atau `build.gradle` (Gradle). Anda mungkin memerlukan dependensi untuk LLM tertentu yang ingin Anda gunakan (misalnya, OpenAI, Azure OpenAI). Meskipun tidak ada dependensi langsung untuk "MCP" di Spring AI, Anda akan menggunakan Spring WebClient untuk berinteraksi dengan MCP Server. ```xml <!-- Maven --> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-core</artifactId> <version>YOUR_SPRING_AI_VERSION</version> </dependency> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-webflux</artifactId> </dependency> <!-- Tambahkan dependensi lain yang diperlukan, seperti untuk OpenAI jika Anda menggunakannya --> ``` ```gradle // Gradle dependencies { implementation 'org.springframework.ai:spring-ai-core:YOUR_SPRING_AI_VERSION' implementation 'org.springframework.boot:spring-boot-starter-webflux' // Tambahkan dependensi lain yang diperlukan } ``` Ganti `YOUR_SPRING_AI_VERSION` dengan versi Spring AI yang sesuai. 2. **Konfigurasi Spring WebClient untuk MCP Server:** * Buat bean `WebClient` yang dikonfigurasi untuk berinteraksi dengan MCP Server. Ini akan digunakan untuk mengambil informasi tentang model Deepseek. ```java import org.springframework.context.annotation.Bean; import org.springframework.context.annotation.Configuration; import org.springframework.web.reactive.function.client.WebClient; @Configuration public class AppConfig { @Bean public WebClient mcpWebClient() { return WebClient.builder() .baseUrl("YOUR_MCP_SERVER_BASE_URL") // Ganti dengan URL dasar MCP Server Anda .build(); } } ``` Ganti `YOUR_MCP_SERVER_BASE_URL` dengan URL dasar server MCP Anda (misalnya, `http://localhost:8080/mcp`). 3. **Membuat Layanan untuk Berinteraksi dengan MCP Server:** * Buat layanan (service) Spring yang menggunakan `WebClient` untuk memanggil API MCP Server dan mendapatkan informasi tentang model Deepseek. Ini mungkin termasuk ID model, endpoint Deepseek, dan parameter konfigurasi lainnya. ```java import org.springframework.beans.factory.annotation.Autowired; import org.springframework.stereotype.Service; import org.springframework.web.reactive.function.client.WebClient; import reactor.core.publisher.Mono; @Service public class McpService { @Autowired private WebClient mcpWebClient; public Mono<DeepseekModelInfo> getDeepseekModelInfo(String modelName) { return mcpWebClient.get() .uri("/models/{modelName}", modelName) // Sesuaikan dengan endpoint MCP Server Anda .retrieve() .bodyToMono(DeepseekModelInfo.class); } // Kelas untuk merepresentasikan informasi model Deepseek yang dikembalikan oleh MCP Server public static class DeepseekModelInfo { private String modelId; private String endpoint; private String apiKey; // Jika diperlukan // ... getter dan setter } } ``` * Sesuaikan endpoint `/models/{modelName}` dengan API MCP Server Anda. * Buat kelas `DeepseekModelInfo` untuk merepresentasikan data yang dikembalikan oleh MCP Server. Pastikan bidang-bidangnya sesuai dengan struktur respons JSON dari MCP Server. 4. **Mengintegrasikan dengan Deepseek Client:** * Setelah Anda mendapatkan informasi model Deepseek dari MCP Server, Anda dapat menggunakan informasi tersebut untuk menginisialisasi dan berinteraksi dengan Deepseek Client. Ini mungkin melibatkan: * Membuat instance Deepseek Client dengan endpoint dan kunci API yang diperoleh dari MCP. * Memanggil metode pada Deepseek Client untuk mengirim permintaan dan menerima respons. ```java import org.springframework.beans.factory.annotation.Autowired; import org.springframework.stereotype.Service; import reactor.core.publisher.Mono; @Service public class AiService { @Autowired private McpService mcpService; // Asumsikan Anda memiliki DeepseekClient (Anda mungkin perlu membuatnya atau menggunakan pustaka yang ada) private DeepseekClient deepseekClient; public Mono<String> generateText(String prompt, String modelName) { return mcpService.getDeepseekModelInfo(modelName) .flatMap(modelInfo -> { // Inisialisasi DeepseekClient jika belum diinisialisasi atau jika modelnya berbeda if (deepseekClient == null || !deepseekClient.getModelId().equals(modelInfo.getModelId())) { deepseekClient = new DeepseekClient(modelInfo.getEndpoint(), modelInfo.getApiKey(), modelInfo.getModelId()); } // Panggil DeepseekClient untuk menghasilkan teks return Mono.just(deepseekClient.generate(prompt)); // Asumsikan DeepseekClient memiliki metode generate }); } } // Contoh DeepseekClient (Anda perlu mengimplementasikannya sesuai dengan API Deepseek) class DeepseekClient { private String endpoint; private String apiKey; private String modelId; public DeepseekClient(String endpoint, String apiKey, String modelId) { this.endpoint = endpoint; this.apiKey = apiKey; this.modelId = modelId; // Inisialisasi klien HTTP atau pustaka Deepseek di sini } public String generate(String prompt) { // Implementasikan logika untuk memanggil API Deepseek dengan prompt // dan mengembalikan respons return "Hasil dari Deepseek untuk prompt: " + prompt; // Ganti dengan implementasi sebenarnya } public String getModelId() { return modelId; } } ``` * **Penting:** Anda perlu mengimplementasikan kelas `DeepseekClient` sesuai dengan API Deepseek yang sebenarnya. Ini mungkin melibatkan penggunaan pustaka HTTP seperti `WebClient` atau pustaka khusus Deepseek jika tersedia. 5. **Menggunakan Layanan AI di Controller:** * Suntikkan layanan AI ke dalam controller Spring Anda dan gunakan untuk menangani permintaan API. ```java import org.springframework.beans.factory.annotation.Autowired; import org.springframework.web.bind.annotation.GetMapping; import org.springframework.web.bind.annotation.RequestParam; import org.springframework.web.bind.annotation.RestController; import reactor.core.publisher.Mono; @RestController public class AiController { @Autowired private AiService aiService; @GetMapping("/generate") public Mono<String> generateText(@RequestParam String prompt, @RequestParam String modelName) { return aiService.generateText(prompt, modelName); } } ``` **Pertimbangan Penting** * **Autentikasi dan Otorisasi:** Pastikan Anda mengamankan komunikasi antara aplikasi Anda, MCP Server, dan Deepseek Client. Ini mungkin melibatkan penggunaan kunci API, token OAuth, atau mekanisme autentikasi lainnya. * **Penanganan Kesalahan:** Implementasikan penanganan kesalahan yang kuat untuk menangani kesalahan yang mungkin terjadi selama komunikasi dengan MCP Server dan Deepseek Client. Ini termasuk penanganan pengecualian, percobaan ulang, dan pencatatan (logging). * **Konfigurasi:** Gunakan properti konfigurasi Spring Boot untuk mengelola pengaturan seperti URL MCP Server, kunci API Deepseek, dan parameter konfigurasi lainnya. Ini memungkinkan Anda untuk mengubah pengaturan tanpa harus mengubah kode. * **Caching:** Pertimbangkan untuk menggunakan caching untuk menyimpan informasi model Deepseek yang diperoleh dari MCP Server. Ini dapat meningkatkan kinerja dan mengurangi beban pada MCP Server. * **Abstraksi:** Jika Anda berencana untuk mendukung beberapa model AI, pertimbangkan untuk membuat abstraksi di sekitar Deepseek Client. Ini akan memudahkan untuk menambahkan dukungan untuk model baru di masa mendatang. * **Keamanan:** Jangan pernah menyimpan kunci API atau informasi sensitif lainnya langsung di kode Anda. Gunakan variabel lingkungan atau mekanisme penyimpanan rahasia yang aman. * **Dokumentasi API MCP:** Pastikan Anda memiliki akses ke dokumentasi API MCP Server untuk memahami cara memanggil API dan format respons. * **Dokumentasi API Deepseek:** Pastikan Anda memiliki akses ke dokumentasi API Deepseek untuk memahami cara berinteraksi dengan model Deepseek. **Contoh Alur Kerja** 1. Pengguna mengirim permintaan ke aplikasi Spring Boot Anda untuk menghasilkan teks. 2. Controller menerima permintaan dan memanggil layanan AI. 3. Layanan AI memanggil layanan MCP untuk mendapatkan informasi tentang model Deepseek yang ditentukan. 4. Layanan MCP memanggil API MCP Server dan mengembalikan informasi model Deepseek. 5. Layanan AI menggunakan informasi model Deepseek untuk menginisialisasi Deepseek Client. 6. Layanan AI memanggil Deepseek Client untuk menghasilkan teks. 7. Deepseek Client memanggil API Deepseek dan mengembalikan respons. 8. Layanan AI mengembalikan respons ke controller. 9. Controller mengembalikan respons ke pengguna. **Kesimpulan** Mengintegrasikan MCP Server dan Deepseek Client dengan Spring AI melibatkan beberapa langkah, termasuk konfigurasi Spring WebClient, pembuatan layanan untuk berinteraksi dengan MCP Server, dan integrasi dengan Deepseek Client. Pastikan Anda mempertimbangkan autentikasi, penanganan kesalahan, konfigurasi, dan keamanan saat mengimplementasikan integrasi ini. Dengan mengikuti langkah-langkah ini dan mempertimbangkan pertimbangan penting, Anda dapat berhasil mengintegrasikan MCP Server dan Deepseek Client dengan Spring AI. Ingatlah bahwa kode di atas adalah contoh dan mungkin perlu disesuaikan agar sesuai dengan kebutuhan spesifik Anda dan API MCP Server dan Deepseek yang Anda gunakan. Pastikan untuk membaca dokumentasi Spring AI, dokumentasi API MCP Server, dan dokumentasi API Deepseek untuk informasi lebih lanjut.

OpenAPI MCP Server

A server that implements the Model Context Protocol (MCP) with StreamableHTTP transport, enabling standardized interaction with model services through a RESTful API interface.

k8s-mcp-server

k8s-mcp-server

binance-alpha-mcp

binance-alpha-mcp

s2-streamstore

Official MCP server for the s2.dev serverless stream platform

NFTGo MCP Server

Provides access to NFTGo's Developer API for retrieving NFT collection details, asset information, market data, wallet information, and search capabilities on the Ethereum blockchain.

Activepieces MCP Server

An open source automation platform that converts over 280+ integrations into MCP servers, enabling LLMs to interact with various services through Claude Desktop, Cursor, or Windsurf.

n8n MCP Server

Enables AI agents to create, retrieve, update, and manage n8n workflows through the n8n API. Supports full workflow lifecycle management including activation, deactivation, and deletion operations.

Qiniu Cloud Storage MCP Server

A server that enables uploading files to Qiniu Cloud Storage through a standardized MCP interface, providing a simple way to store and serve files with public URLs.

Wikipedia Agent MCP Server

A conversational AI server that enables users to search Wikipedia and retrieve information through natural language interactions using LangGraph and Model Context Protocol (MCP).

Fake Store API MCP Server

Provides seamless access to the Fake Store API for AI assistants with 18 CRUD tools for managing e-commerce data including products, carts, and users. Perfect for e-commerce demos, testing, and learning MCP development with zero configuration required.

MCP WeChat ADB Server

Enables AI assistants to send WeChat messages and take screenshots through ADB automation with LDPlayer emulator. Supports automated WeChat replies to multiple contacts with personalized messages for business and personal use.

Remote MCP Server

Allows deployment of a Model Context Protocol server on Cloudflare Workers without authentication, enabling AI models to access custom tools through a standardized interface.

Cloud Tool Results API MCP Server

An MCP Server that provides access to Google's Cloud Tool Results API, enabling applications to programmatically interact with test results from Firebase Test Lab and mobile app testing through natural language.

teslamate-mcp

A Model Context Protocol (MCP) server that provides access to your TeslaMate database, allowing AI assistants to query Tesla vehicle data and analytics.

jrnl MCP Server

A server that enables Claude to access and search through command-line journal entries, offering features like searching entries, listing tags, and viewing journal statistics.

OpenAPI MCP Server

Ini adalah proyek kerangka yang dapat Anda gunakan sebagai titik awal untuk membangun server MCP Anda sendiri. Fungsi penambahan contoh menunjukkan cara mengimplementasikan handler di ketiga protokol.

KevoDB MCP Server

Implements a Multimodal Communication Protocol server for KevoDB, allowing AI agents to interact with the key-value database through a standardized API with support for core operations like get/put, scans, transactions, and batch operations.

French Law MCP Server

Provides access to official French legal databases (Légifrance and JudiLibre) to search and retrieve French legislation, legal codes, case law, and judicial decisions through authenticated APIs.

Leave Manager MCP Tool Server

A centralized employee leave management system that allows users to check leave balances, apply for leave, and view leave history through an OpenAPI interface.