Discover Awesome MCP Servers

Perplexity Ask

Konektor Server Protokol Konteks Model untuk Perplexity API, untuk mengaktifkan pencarian web tanpa meninggalkan ekosistem MCP.

chromiumfish_mcp

Enables MCP clients to control a ChromiumFish browser for web automation, including page management, navigation, interaction, and content extraction.

forensic-deepdive

Analyzes codebases to produce a persistent code knowledge graph and an MCP server with 9 tools for AI coding agents.

Enterprise-MCP-Data-Agent

Enables secure, privacy-first SQL database interaction via natural language, using local LLM and PostgreSQL with dynamic tool-calling.

gRPC Transport for MCP

Enables MCP servers and clients to communicate over gRPC using FastMCP, supporting tool calls, text and image content, and progress reporting.

Pastebase MCP Server

Enables AI assistants to extract design systems, brand guidelines, copy, and sitemap structure from any live website via the Pastebase API.

dataset-search-mcp

Unified MCP server for discovering open datasets across Hugging Face, Zenodo, and Kaggle, with ranked search results and one-click Colab starter code generation.

httap

An MCP server that enables AI agents to intercept, inspect, and modify HTTP traffic, with tools for searching, filtering, and managing captured requests and interceptors.

K Filesystem MCP

A tuned filesystem MCP server for Codex-style development, offering fast file operations, bounded output, and safe edits.

Ego Automation MCP Server

MCP server that launches and manages ego-browser sessions, providing tools to open URLs and extract DOM records filtered by status, all through a sandboxed UI app.

tinytask

A minimal task management system for LLM agent collaboration via the Model Context Protocol, supporting CRUD operations, task blocking, subtasks, queues, and comments.

Hyperlane MCP Server

Enables LLM assistants to interact with the Hyperlane cross-chain protocol for deploying blockchain infrastructure, sending cross-chain messages, managing validators and relayers, and facilitating asset transfers between multiple blockchains.

mcp-dns

Enables DNS record lookups for types like A, MX, TXT, and CNAME, bulk queries of all major record types, and reverse DNS resolution from IP addresses to hostnames.

codex-mcp

A lightweight local coding MCP server that exposes a single project directory to ChatGPT via Streamable HTTP, enabling file operations, command execution, search, and web fetching without authentication.

PingOne Advanced Identity Cloud MCP Server

Enables AI assistants to interact with PingOne Advanced Identity Cloud environments through natural language, supporting user management, authentication theme customization, log analysis, and identity data queries with secure OAuth 2.0 authentication.

Remember Me

Here are a few options for translating "MCP server to persist chat artefacts and rules" into Indonesian, depending on the specific context and desired nuance: **Option 1 (General and straightforward):** * **Server MCP untuk menyimpan artefak obrolan dan aturan.** * This is a direct translation and easily understood. **Option 2 (More formal and emphasizes preservation):** * **Server MCP untuk melestarikan artefak obrolan dan aturan.** * "Melestarikan" implies a more active effort to preserve something. **Option 3 (Focuses on data storage):** * **Server MCP untuk menyimpan data artefak obrolan dan aturan.** * This emphasizes that the artefacts and rules are being stored as data. **Option 4 (If "persist" means to make something permanent):** * **Server MCP untuk membuat artefak obrolan dan aturan menjadi permanen.** * This translation is suitable if the goal is to make the chat artefacts and rules unchangeable. **Breakdown of the words:** * **MCP Server:** Server MCP (This is generally kept as is, assuming "MCP" is an acronym or proper noun) * **to persist:** untuk menyimpan / untuk melestarikan / untuk membuat ... menjadi permanen (depending on the meaning) * **chat artefacts:** artefak obrolan (This is a good general translation. You could also use "rekaman obrolan" if you want to emphasize recordings of the chat.) * **and rules:** dan aturan **Recommendation:** The best option depends on the specific context. However, **Option 1 (Server MCP untuk menyimpan artefak obrolan dan aturan)** is a good general translation that will likely be understood in most situations. If you want to emphasize the preservation aspect, use **Option 2**. If you want to emphasize the data aspect, use **Option 3**. If you want to emphasize the permanence aspect, use **Option 4**.

mcp-rag-server

MCP RAG Server is a Python MCP server that indexes documents in multiple formats (Markdown, text, PowerPoint, PDF) using multilingual-e5-large embeddings and enables vector search for retrieval-augmented generation.

Qontinui MCP Server

Enables AI-driven visual automation by connecting to Qontinui Runner to load workflow configurations, execute visual automation workflows, and monitor execution status across multiple displays.

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.

npm-trends-mcp

Provides weekly download counts and trend data for npm packages, enabling comparison of adoption velocity across JavaScript libraries.

qwen-dap-mcp

Enables coding agents to connect to Debug Adapter Protocol debuggers over MCP, allowing them to launch or attach to native targets, control execution, set breakpoints and watchpoints, inspect stacks, variables, memory, and exceptions, and capture agent-friendly debugger snapshots.

Nightshift

MCP server that enables agents to manage DataHub incidents, recall past incident memory, guard columns against regression, and write postmortems into the data graph.

Alfred MCP Server

Enables AI assistants to create, manage, and execute Alfred workflow automation skills, manage MCP server connections, view execution history, and handle API keys through Alfred's REST API.

gametheory-mcp

Equilibrium-aware primitives for AI agents — negotiation, auctions, mechanism design — exposed over MCP and importable as a Python library.

obol

Enables AI agents to access Solana wallet analytics, token data, and DeFi tools via pay-per-request USDC micropayments using the x402 protocol, without API keys or subscriptions.

Echo MCP Server

A simple demonstration MCP server that provides an echo tool and resource for learning how to build MCP servers. Serves as a starting point and template for creating custom MCP server implementations.

Symbiotic MCP Server

Enables security analysis of code and infrastructure files via MCP, using Symbiotic CLI for scanning vulnerabilities.

hiveclear

MCP server for agent treasury management. Creates yield-bearing vaults, manages USDC deposits, and runs programmable time-based payment streams between agents.

MCP Data Analyzer

Enables loading and statistical analysis of .xlsx and .csv files with visualization capabilities using matplotlib and plotly to generate various graphs and charts.

gemini-cli-mcp

A secure MCP server that wraps the Google Gemini CLI, allowing clients to query Gemini models using local OAuth sessions without requiring an API key. It provides tools for model interaction and diagnostics with built-in protection against command injection.