Discover Awesome MCP Servers

@profullstack/mcp-server

@profullstack/mcp-server

BitFlux MCP Server

Enables users to analyze data from BitFlux-enabled AWS EC2 instances and AWS pricing APIs to determine optimal instance types for their workloads. It provides recommendations by comparing instance usage statistics with current AWS pricing and resource offerings.

DuckDuckGo MCP Server

Enables web search through DuckDuckGo and webpage content fetching with intelligent text extraction. Features built-in rate limiting and LLM-optimized result formatting for seamless integration with language models.

RTIdeas MCP API Server

Converts a local MCP server into a remote HTTP-accessible REST API server with MongoDB support for managing brainstorming sessions and ideas. Provides endpoints for listing sessions, searching ideas, analyzing connections, and generating statistics.

Clockify MCP Server

Enables AI assistants to interact with the Clockify API for managing time entries, timers, and team management tasks. It provides tools for searching time records, tracking project hours, and performing high-level analysis like overtime detection and weekly summaries.

TodoList MCP Server

Enables full management of ToDoList (.tdl) XML files with CRUD operations, hierarchical task support, and advanced filtering. Maintains compatibility with the ToDoList desktop application while allowing programmatic task management.

bambu-printer-mcp

An MCP server for controlling Bambu Lab 3D printers that enables users to manipulate STL files, slice 3MF files, and manage end-to-end print workflows directly from Claude. It provides real-time status monitoring, file management via FTPS, and printer control through MQTT for a focused, lean Bambu-only implementation.

Bambu Lab MCP Server

Enables comprehensive control and monitoring of Bambu Lab 3D printers through Claude using local MQTT, FTPS, and X.509 authentication. Users can manage print jobs, monitor real-time status, handle filament through AMS, and adjust hardware settings like temperature and lighting.

Deep Research Agent MCP Server

A LangGraph-powered research agent that performs iterative web searches using Google Search and Gemini models to generate structured reports with citations. It integrates with MCP-compatible clients like Claude and Cursor to enable sophisticated, multi-step AI research workflows.

Meta Ads MCP

Enables AI-powered analysis, management, and optimization of Meta advertising campaigns across Facebook and Instagram, including performance insights, budget optimization, and creative testing.

Aave Liquidation MCP Server

Enables AI assistants to analyze Aave V3 positions on Ethereum, monitor health factors, identify liquidation opportunities, and query protocol data including collateral positions, debt composition, and real-time asset prices.

ServiceNow MCP Server

A Model Context Protocol server that enables AI assistants and development tools to interact with ServiceNow instances, providing comprehensive API coverage for incident management, change management, CMDB, and other ServiceNow modules.

Aster Finance MCP Server

Enables AI agents to interact with the Aster Finance Futures API for cryptocurrency trading. Provides comprehensive access to market data, order management, account information, and position management on the Aster exchange.

Weather MCP Tool

A Model Context Protocol tool that provides weather information for cities, with London access requiring Solana devnet payment via the Latinum Wallet MCP server.

descope-mcp-server

Berinteraksi dengan API Manajemen Descope untuk mengelola pengguna, audit, dan lainnya.

Watchtower DAP Windows Debugging

Enables step-through debugging for C#, Node.js/TypeScript, Python, and Dart applications on Windows through a unified MCP interface. Acts as a bridge between MCP clients and various debug adapters, providing consistent debugging workflows with breakpoints, variable inspection, and process attachment capabilities.

MCP URL Fetcher

A Model Context Protocol server that enables LLMs to fetch and process web content in multiple formats (HTML, JSON, Markdown, text) with automatic format detection.

YouTube Music MCP

Server MCP sederhana yang memungkinkan asisten AI seperti Cursor atau Claude Desktop untuk mencari dan memutar lagu di YouTube Music melalui perintah bahasa alami.

Transport Department Rajasthan MCP Server

A Multi-Agent Conversation Protocol server that enables interaction with Rajasthan Transport Department's API, allowing access to vehicle and driver-related services through natural language.

authentik-mcp

Authentik MCP provides seamless integration with Authentik's API, supporting both full-featured and diagnostic modes. These enable secure, automated user, group, and system management through MCP-compatible tools.

Prompt Store MCP

A local-only MCP server that uses SQLite to store, search, and manage a personal library of AI prompts. It enables developers to organize and reuse prompts across multiple AI clients like Claude and Cursor while keeping all data on their local machine.

terminal-mcp

A secure and pluggable MCP server to run terminal commands on your local machine or cloud server — remotely, safely, and with LLMs or agentic clients.

TianGong-AI-MCP

A Model Context Protocol (MCP) server that supports STDIO, SSE and Streamable HTTP protocols for AI model interactions.

Feedback Collector MCP

Collects user feedback with text and image support through an Electron app, allowing AI tools to gather and process user input with customizable prompts and multiple response options.

MCP

Here are a few options for MCP (Management Control Plane) servers that can interact with Algolia, along with a breakdown of what they are and why you might use them: **Understanding the Context: MCP and Algolia** * **Algolia:** A powerful search and discovery platform as a service (PaaS). You send data to Algolia, and it indexes it for fast and relevant search results. * **MCP (Management Control Plane):** A centralized system for managing and controlling various aspects of your application or infrastructure. In the context of Algolia, an MCP would handle tasks like: * **Data Synchronization:** Pushing data from your database or other sources to Algolia. * **Index Management:** Creating, updating, and deleting Algolia indexes. * **Configuration Management:** Managing Algolia settings (e.g., search settings, synonyms, rules). * **Monitoring and Alerting:** Tracking Algolia performance and alerting you to issues. * **User Management/Access Control:** Controlling who can access and modify Algolia data and settings (if your MCP handles broader application security). **Possible MCP Server Options (and how they interact with Algolia):** 1. **Custom-Built MCP Server (Most Common):** * **Description:** You build your own server (using a language like Python, Node.js, Go, Java, etc.) specifically tailored to your application's needs. This is the most flexible option. * **Interaction with Algolia:** * **Algolia API Client:** Your server uses the official Algolia API client library for your chosen language to communicate with Algolia. These libraries provide functions for indexing, searching, and managing Algolia resources. * **Data Pipelines:** You'll likely need to create data pipelines to extract, transform, and load (ETL) data from your source systems into a format suitable for Algolia. This might involve: * Reading data from your database (e.g., MySQL, PostgreSQL, MongoDB). * Transforming the data (e.g., cleaning, enriching, formatting). * Sending the data to Algolia using the API client. * **Event-Driven Architecture (Optional):** You can use message queues (e.g., Kafka, RabbitMQ) to decouple your application from Algolia. When data changes, your application publishes an event to the queue, and your MCP server consumes the event and updates Algolia accordingly. * **Pros:** * **Highly Customizable:** You have complete control over the functionality. * **Optimized for Your Needs:** You can tailor the MCP to your specific data sources, data transformations, and Algolia configuration. * **Integration with Existing Systems:** Easier to integrate with your existing infrastructure and authentication mechanisms. * **Cons:** * **Development Effort:** Requires significant development and maintenance effort. * **Complexity:** Can be complex to design, build, and deploy. 2. **Serverless Functions (e.g., AWS Lambda, Google Cloud Functions, Azure Functions):** * **Description:** You use serverless functions to handle specific tasks related to Algolia management. This is a good option for event-driven updates and smaller-scale operations. * **Interaction with Algolia:** * **Algolia API Client:** The serverless function uses the Algolia API client library. * **Triggers:** The function is triggered by events, such as: * Database changes (e.g., a new record is inserted). * Scheduled events (e.g., a cron job to re-index data). * HTTP requests (e.g., an API endpoint to trigger a re-index). * **Pros:** * **Scalability:** Serverless functions automatically scale to handle varying workloads. * **Cost-Effective:** You only pay for the compute time you use. * **Simplified Deployment:** Easier to deploy and manage than a full-fledged server. * **Cons:** * **Cold Starts:** Serverless functions can experience cold starts (delay when the function is invoked for the first time or after a period of inactivity). * **Limited Execution Time:** Serverless functions typically have execution time limits. * **Debugging:** Debugging can be more challenging than with traditional servers. 3. **Integration Platforms as a Service (iPaaS) (e.g., Zapier, Integromat, Tray.io):** * **Description:** These platforms provide pre-built connectors and workflows for integrating different applications. They can be used for simple Algolia integrations, but they may not be suitable for complex data transformations or high-volume data synchronization. * **Interaction with Algolia:** * **Pre-built Connectors:** The iPaaS platform provides a connector for Algolia. * **Workflows:** You create workflows that define the data flow between your source systems and Algolia. * **Pros:** * **Ease of Use:** No coding required. * **Rapid Integration:** Quickly connect different applications. * **Cons:** * **Limited Customization:** Less control over the data transformations and integration logic. * **Cost:** Can be expensive for high-volume data synchronization. * **Performance:** May not be as performant as a custom-built solution. 4. **Open-Source Data Integration Tools (e.g., Apache NiFi, Apache Airflow, Singer):** * **Description:** These tools provide frameworks for building data pipelines. They offer more flexibility than iPaaS platforms but require more technical expertise. * **Interaction with Algolia:** * **Custom Connectors:** You may need to build custom connectors for Algolia or use existing connectors contributed by the community. * **Data Pipelines:** You define data pipelines to extract, transform, and load data into Algolia. * **Pros:** * **Flexibility:** More control over the data transformations and integration logic. * **Scalability:** Designed for handling large volumes of data. * **Cost-Effective:** Open-source and free to use (although you may need to pay for infrastructure). * **Cons:** * **Complexity:** Requires more technical expertise to set up and maintain. * **Development Effort:** May require some coding to build custom connectors or data transformations. **Choosing the Right Option** The best option for your MCP server depends on your specific requirements: * **Complexity of Data Transformations:** If you need complex data transformations, a custom-built server or an open-source data integration tool is likely the best choice. * **Data Volume:** For high-volume data synchronization, a custom-built server or an open-source data integration tool is recommended. * **Development Resources:** If you have limited development resources, a serverless function or an iPaaS platform may be a better option. * **Integration with Existing Systems:** Consider how well each option integrates with your existing infrastructure and authentication mechanisms. * **Cost:** Evaluate the cost of each option, including development costs, infrastructure costs, and subscription fees. **Example Scenario (Custom-Built MCP Server with Python):** Let's say you have a database of products that you want to index in Algolia. You could build a Python-based MCP server that: 1. **Connects to your database (e.g., using `psycopg2` for PostgreSQL).** 2. **Queries the database to retrieve product data.** 3. **Transforms the data into a format suitable for Algolia (e.g., a list of dictionaries).** 4. **Uses the Algolia Python API client (`algoliasearch`) to index the data in Algolia.** 5. **Sets up a scheduled task (e.g., using `APScheduler`) to periodically synchronize the data between your database and Algolia.** **In Indonesian:** Berikut adalah beberapa opsi untuk server MCP (Management Control Plane) yang dapat berinteraksi dengan Algolia, beserta penjelasan tentang apa itu dan mengapa Anda mungkin menggunakannya: **Memahami Konteks: MCP dan Algolia** * **Algolia:** Platform pencarian dan penemuan (search and discovery) sebagai layanan (PaaS) yang sangat kuat. Anda mengirim data ke Algolia, dan data tersebut diindeks untuk hasil pencarian yang cepat dan relevan. * **MCP (Management Control Plane):** Sistem terpusat untuk mengelola dan mengendalikan berbagai aspek aplikasi atau infrastruktur Anda. Dalam konteks Algolia, MCP akan menangani tugas-tugas seperti: * **Sinkronisasi Data:** Mendorong data dari database atau sumber lain ke Algolia. * **Manajemen Indeks:** Membuat, memperbarui, dan menghapus indeks Algolia. * **Manajemen Konfigurasi:** Mengelola pengaturan Algolia (misalnya, pengaturan pencarian, sinonim, aturan). * **Pemantauan dan Pemberitahuan:** Melacak kinerja Algolia dan memberi tahu Anda tentang masalah. * **Manajemen Pengguna/Kontrol Akses:** Mengontrol siapa yang dapat mengakses dan memodifikasi data dan pengaturan Algolia (jika MCP Anda menangani keamanan aplikasi yang lebih luas). **Opsi Server MCP yang Mungkin (dan bagaimana mereka berinteraksi dengan Algolia):** 1. **Server MCP Buatan Sendiri (Paling Umum):** * **Deskripsi:** Anda membangun server sendiri (menggunakan bahasa seperti Python, Node.js, Go, Java, dll.) yang secara khusus disesuaikan dengan kebutuhan aplikasi Anda. Ini adalah opsi yang paling fleksibel. * **Interaksi dengan Algolia:** * **Klien API Algolia:** Server Anda menggunakan pustaka klien API Algolia resmi untuk bahasa pilihan Anda untuk berkomunikasi dengan Algolia. Pustaka ini menyediakan fungsi untuk mengindeks, mencari, dan mengelola sumber daya Algolia. * **Pipeline Data:** Anda mungkin perlu membuat pipeline data untuk mengekstrak, mengubah, dan memuat (ETL) data dari sistem sumber Anda ke dalam format yang sesuai untuk Algolia. Ini mungkin melibatkan: * Membaca data dari database Anda (misalnya, MySQL, PostgreSQL, MongoDB). * Mengubah data (misalnya, membersihkan, memperkaya, memformat). * Mengirim data ke Algolia menggunakan klien API. * **Arsitektur Berbasis Peristiwa (Opsional):** Anda dapat menggunakan antrian pesan (misalnya, Kafka, RabbitMQ) untuk memisahkan aplikasi Anda dari Algolia. Ketika data berubah, aplikasi Anda menerbitkan peristiwa ke antrian, dan server MCP Anda mengkonsumsi peristiwa tersebut dan memperbarui Algolia sesuai dengan itu. * **Kelebihan:** * **Sangat Dapat Disesuaikan:** Anda memiliki kendali penuh atas fungsionalitas. * **Dioptimalkan untuk Kebutuhan Anda:** Anda dapat menyesuaikan MCP dengan sumber data, transformasi data, dan konfigurasi Algolia spesifik Anda. * **Integrasi dengan Sistem yang Ada:** Lebih mudah diintegrasikan dengan infrastruktur dan mekanisme otentikasi yang ada. * **Kekurangan:** * **Upaya Pengembangan:** Membutuhkan upaya pengembangan dan pemeliharaan yang signifikan. * **Kompleksitas:** Bisa jadi kompleks untuk dirancang, dibangun, dan diterapkan. 2. **Fungsi Tanpa Server (Serverless Functions) (misalnya, AWS Lambda, Google Cloud Functions, Azure Functions):** * **Deskripsi:** Anda menggunakan fungsi tanpa server untuk menangani tugas-tugas tertentu yang terkait dengan manajemen Algolia. Ini adalah pilihan yang baik untuk pembaruan berbasis peristiwa dan operasi skala kecil. * **Interaksi dengan Algolia:** * **Klien API Algolia:** Fungsi tanpa server menggunakan pustaka klien API Algolia. * **Pemicu (Triggers):** Fungsi dipicu oleh peristiwa, seperti: * Perubahan database (misalnya, catatan baru dimasukkan). * Peristiwa terjadwal (misalnya, cron job untuk mengindeks ulang data). * Permintaan HTTP (misalnya, endpoint API untuk memicu pengindeksan ulang). * **Kelebihan:** * **Skalabilitas:** Fungsi tanpa server secara otomatis diskalakan untuk menangani berbagai beban kerja. * **Hemat Biaya:** Anda hanya membayar untuk waktu komputasi yang Anda gunakan. * **Penerapan yang Disederhanakan:** Lebih mudah diterapkan dan dikelola daripada server lengkap. * **Kekurangan:** * **Cold Starts:** Fungsi tanpa server dapat mengalami cold starts (penundaan ketika fungsi dipanggil untuk pertama kalinya atau setelah periode tidak aktif). * **Waktu Eksekusi Terbatas:** Fungsi tanpa server biasanya memiliki batasan waktu eksekusi. * **Debugging:** Debugging bisa lebih menantang daripada dengan server tradisional. 3. **Platform Integrasi sebagai Layanan (iPaaS) (misalnya, Zapier, Integromat, Tray.io):** * **Deskripsi:** Platform ini menyediakan konektor dan alur kerja (workflows) yang telah dibuat sebelumnya untuk mengintegrasikan aplikasi yang berbeda. Mereka dapat digunakan untuk integrasi Algolia sederhana, tetapi mungkin tidak cocok untuk transformasi data yang kompleks atau sinkronisasi data volume tinggi. * **Interaksi dengan Algolia:** * **Konektor yang Sudah Dibuat:** Platform iPaaS menyediakan konektor untuk Algolia. * **Alur Kerja:** Anda membuat alur kerja yang mendefinisikan aliran data antara sistem sumber Anda dan Algolia. * **Kelebihan:** * **Kemudahan Penggunaan:** Tidak diperlukan pengkodean. * **Integrasi Cepat:** Menghubungkan aplikasi yang berbeda dengan cepat. * **Kekurangan:** * **Kustomisasi Terbatas:** Kurang kontrol atas transformasi data dan logika integrasi. * **Biaya:** Bisa mahal untuk sinkronisasi data volume tinggi. * **Kinerja:** Mungkin tidak secepat solusi buatan sendiri. 4. **Alat Integrasi Data Sumber Terbuka (Open-Source) (misalnya, Apache NiFi, Apache Airflow, Singer):** * **Deskripsi:** Alat ini menyediakan kerangka kerja untuk membangun pipeline data. Mereka menawarkan lebih banyak fleksibilitas daripada platform iPaaS tetapi membutuhkan lebih banyak keahlian teknis. * **Interaksi dengan Algolia:** * **Konektor Kustom:** Anda mungkin perlu membangun konektor kustom untuk Algolia atau menggunakan konektor yang ada yang disumbangkan oleh komunitas. * **Pipeline Data:** Anda mendefinisikan pipeline data untuk mengekstrak, mengubah, dan memuat data ke Algolia. * **Kelebihan:** * **Fleksibilitas:** Lebih banyak kontrol atas transformasi data dan logika integrasi. * **Skalabilitas:** Dirancang untuk menangani volume data yang besar. * **Hemat Biaya:** Sumber terbuka dan gratis untuk digunakan (meskipun Anda mungkin perlu membayar untuk infrastruktur). * **Kekurangan:** * **Kompleksitas:** Membutuhkan lebih banyak keahlian teknis untuk menyiapkan dan memelihara. * **Upaya Pengembangan:** Mungkin memerlukan beberapa pengkodean untuk membangun konektor kustom atau transformasi data. **Memilih Opsi yang Tepat** Opsi terbaik untuk server MCP Anda bergantung pada kebutuhan spesifik Anda: * **Kompleksitas Transformasi Data:** Jika Anda memerlukan transformasi data yang kompleks, server buatan sendiri atau alat integrasi data sumber terbuka kemungkinan merupakan pilihan terbaik. * **Volume Data:** Untuk sinkronisasi data volume tinggi, server buatan sendiri atau alat integrasi data sumber terbuka direkomendasikan. * **Sumber Daya Pengembangan:** Jika Anda memiliki sumber daya pengembangan yang terbatas, fungsi tanpa server atau platform iPaaS mungkin merupakan pilihan yang lebih baik. * **Integrasi dengan Sistem yang Ada:** Pertimbangkan seberapa baik setiap opsi terintegrasi dengan infrastruktur dan mekanisme otentikasi yang ada. * **Biaya:** Evaluasi biaya setiap opsi, termasuk biaya pengembangan, biaya infrastruktur, dan biaya berlangganan. **Contoh Skenario (Server MCP Buatan Sendiri dengan Python):** Katakanlah Anda memiliki database produk yang ingin Anda indeks di Algolia. Anda dapat membangun server MCP berbasis Python yang: 1. **Terhubung ke database Anda (misalnya, menggunakan `psycopg2` untuk PostgreSQL).** 2. **Menjalankan kueri ke database untuk mengambil data produk.** 3. **Mengubah data menjadi format yang sesuai untuk Algolia (misalnya, daftar kamus).** 4. **Menggunakan klien API Algolia Python (`algoliasearch`) untuk mengindeks data di Algolia.** 5. **Menyiapkan tugas terjadwal (misalnya, menggunakan `APScheduler`) untuk secara berkala menyinkronkan data antara database Anda dan Algolia.**

MCP Server for Asana

Implementasi server ini memungkinkan asisten AI untuk berinteraksi dengan API Asana, memungkinkan pengguna untuk mengelola tugas, proyek, ruang kerja, dan komentar melalui permintaan bahasa alami.

PDF2MD MCP Server

An MCP server that converts PDF files to Markdown format using AI sampling capabilities, supporting both local files and URLs with incremental conversion features.

Valyu MCP Server

A Model Context Protocol server that provides LLMs with access to Valyu's knowledge retrieval and feedback APIs for searching proprietary/web sources and submitting transaction feedback.

Sui Butler

An MCP server for the Sui blockchain that enables AI agents to manage accounts, execute token swaps, and perform smart contract development using the Sui CLI. It supports over 30 tools for DeFi operations, staking, and market data via Pyth price oracles.