Discover Awesome MCP Servers

Alpaca MCP Server

MCP server that exposes Alpaca Market Data & Broker API as tools, enabling access to financial data like stock bars, assets, market days, and news through the Message Control Protocol.

GitHub GraphQL API MCP

Enables querying and exploring the GitHub GraphQL API schema and executing optimized GraphQL queries to retrieve precise GitHub data (repositories, issues, PRs, users) with reduced token consumption.

Zerodha Trading Bot MCP

An automated trading bot that interfaces with Zerodha to execute stock trades, manage positions, and access market information through natural language commands.

Data Analysis MCP Server

Provides comprehensive statistical analysis tools for industrial data including time series analysis, correlation calculations, stationarity tests, outlier detection, causal analysis, and forecasting capabilities. Enables data quality assessment and statistical modeling through a FastAPI-based MCP architecture.

MCP Ctl

Manajer paket untuk mengelola semua server MCP Anda di berbagai platform.

Agoragentic

Agent-to-agent marketplace where AI agents discover, invoke, and pay for services from other agents using USDC on Base L2. 72+ services, free tools, x402 micropayments.

Cloudflare Playwright MCP

A Model Control Protocol server that enables AI assistants to control a browser through tools for web automation tasks like navigation, typing, clicking, and taking screenshots.

MCP MeloTTS Audio Generator

Enables AI assistants to convert text to high-quality speech audio using MeloTTS. Automatically splits long texts into segments, generates WAV files, and merges them using ffmpeg with support for multiple languages and customizable speech parameters.

mcp-server-hcp-terraform

MCP server untuk bekerja dengan HCP Terraform

Basic MCP Server

A minimal template server demonstrating MCP tools, resources, and prompts built with Smithery SDK. Provides starter examples including a hello tool, history resource, and greet prompt.

Test MCP

Server MCP sederhana untuk tujuan pengujian.

Oracle DB Context

Provides contextual Oracle database schema information to AI assistants, enabling them to understand and work with large databases containing thousands of tables. Supports multi-database connections, smart schema caching, table lookups, and relationship mapping.

ProxyClaw MCP Server

Routes web requests through 175M+ residential IPs across 195+ countries, enabling AI to bypass geo-restrictions and anti-bot systems.

Get My Notion MCP Server

Provides access to a specific GitHub repository (my-notion) allowing AI assistants to browse files, read content, and track commit information. Enables real-time interaction with repository data through the GitHub API without authentication requirements.

trident-mcp

AI 3D model generation and post-processing MCP server — text/image/multiview-to-3D via Tripo, retopology, format conversion (GLB/FBX/OBJ/STL/USDZ), and stylization. Single Go binary, 10 tools.

Feifei Proxy MCP

A service that converts existing MCP protocols (stdio/sse) to streamable\_http transmission type, allowing compatibility between different MCP implementations.

Schwab MCP Server

A read-only MCP server that provides access to Charles Schwab account data and market information, including portfolio positions, real-time quotes, options chains, price history, and account balances through AI assistants.

Pearch

Best people search engine that reduces the time spent on talent discovery

Elisym Mcp Server

AI agents that hire other AI agents — and pay in SOL. Decentralized agent marketplace via Nostr + Solana.

Hello MCP Server

A simple demonstration MCP server that responds with "4" when greeted with "hello". Serves as a basic example for understanding MCP server implementation.

Gospel Library MCP

Enables access to LDS Gospel Library content and scriptures through the Model Context Protocol. Provides tools for searching and retrieving religious texts and study materials from the Church of Jesus Christ of Latter-day Saints.

Add API key to .env file

Tentu, berikut adalah implementasi sistem MCP (Master-Client-Process) sederhana dalam Python, termasuk klien dan beberapa server: **Konsep Dasar** * **Master:** Bertanggung jawab untuk mendistribusikan tugas ke server, memantau status server, dan mengumpulkan hasil. * **Server (Worker):** Menerima tugas dari master, memprosesnya, dan mengirimkan hasilnya kembali ke master. * **Klien:** Berinteraksi dengan master untuk mengirimkan tugas dan menerima hasil. **Kode (Python)** **1. Master (master.py)** ```python import socket import threading import queue HOST = '127.0.0.1' # Alamat IP untuk master PORT = 65432 # Port untuk master task_queue = queue.Queue() # Antrian tugas results = {} # Menyimpan hasil dari server server_count = 0 # Menghitung jumlah server yang terhubung server_addresses = [] # Menyimpan alamat server def handle_client(conn, addr): global server_count global server_addresses print(f"Server terhubung dari {addr}") server_count += 1 server_addresses.append(addr) try: while True: task = task_queue.get() # Ambil tugas dari antrian conn.sendall(str(task).encode()) # Kirim tugas ke server print(f"Tugas {task} dikirim ke {addr}") data = conn.recv(1024) # Terima hasil dari server if not data: break result = data.decode() print(f"Hasil dari {addr}: {result}") results[task] = result # Simpan hasil task_queue.task_done() # Tandai tugas selesai except ConnectionResetError: print(f"Koneksi dengan {addr} terputus.") finally: server_count -= 1 server_addresses.remove(addr) conn.close() print(f"Koneksi dengan {addr} ditutup.") def start_master(): global server_count with socket.socket(socket.AF_INET, socket.SOCK_STREAM) as s: s.bind((HOST, PORT)) s.listen() print(f"Master mendengarkan di {HOST}:{PORT}") try: while True: conn, addr = s.accept() thread = threading.Thread(target=handle_client, args=(conn, addr)) thread.daemon = True # Agar thread berhenti saat program utama berhenti thread.start() except KeyboardInterrupt: print("\nMaster berhenti.") finally: print("Menunggu semua server selesai...") task_queue.join() # Tunggu semua tugas selesai print("Semua tugas selesai.") print("Hasil akhir:", results) print("Jumlah server yang terhubung:", server_count) print("Alamat server yang terhubung:", server_addresses) if __name__ == "__main__": # Contoh tugas (bisa diganti sesuai kebutuhan) tasks = [1, 2, 3, 4, 5] for task in tasks: task_queue.put(task) master_thread = threading.Thread(target=start_master) master_thread.start() master_thread.join() # Tunggu master selesai ``` **2. Server (server.py)** ```python import socket import time HOST = '127.0.0.1' # Alamat IP master PORT = 65432 # Port master def process_task(task): """Simulasi pemrosesan tugas.""" print(f"Server memproses tugas: {task}") time.sleep(2) # Simulasi waktu pemrosesan result = task * 2 # Contoh operasi return str(result) def start_server(): with socket.socket(socket.AF_INET, socket.SOCK_STREAM) as s: try: s.connect((HOST, PORT)) print(f"Terhubung ke master di {HOST}:{PORT}") while True: data = s.recv(1024) if not data: break task = int(data.decode()) result = process_task(task) s.sendall(result.encode()) except ConnectionRefusedError: print("Koneksi ke master ditolak. Pastikan master berjalan.") except Exception as e: print(f"Error: {e}") finally: s.close() print("Koneksi ke master ditutup.") if __name__ == "__main__": start_server() ``` **3. Klien (client.py) - *Opsional, untuk interaksi manual*** ```python import socket HOST = '127.0.0.1' # Alamat IP master PORT = 65432 # Port master def send_task(task): with socket.socket(socket.AF_INET, socket.SOCK_STREAM) as s: s.connect((HOST, PORT)) s.sendall(str(task).encode()) data = s.recv(1024) print(f"Hasil: {data.decode()}") if __name__ == "__main__": task = input("Masukkan tugas: ") send_task(task) ``` **Cara Menjalankan** 1. **Simpan:** Simpan kode di atas sebagai `master.py`, `server.py`, dan `client.py`. 2. **Jalankan Master:** Buka terminal/command prompt dan jalankan `python master.py`. 3. **Jalankan Server:** Buka beberapa terminal/command prompt *baru* dan jalankan `python server.py` di masing-masing terminal. Anda bisa menjalankan beberapa server secara paralel. 4. **Jalankan Klien (Opsional):** Jika Anda ingin mengirim tugas secara manual, jalankan `python client.py`. **Penjelasan** * **Socket:** Modul `socket` digunakan untuk komunikasi jaringan. * **Threading:** Modul `threading` digunakan agar master dapat menangani banyak server secara bersamaan. Setiap server yang terhubung akan ditangani dalam thread terpisah. * **Queue:** Modul `queue` digunakan untuk antrian tugas. Master memasukkan tugas ke dalam antrian, dan server mengambil tugas dari antrian. Ini membantu memastikan bahwa tugas didistribusikan secara adil ke semua server. * **Error Handling:** Kode menyertakan penanganan kesalahan dasar (misalnya, `ConnectionRefusedError`, `ConnectionResetError`) untuk membuat program lebih tangguh. * **Daemon Threads:** `thread.daemon = True` memastikan bahwa thread server akan berhenti ketika program master utama berhenti. Ini penting untuk menghindari thread yang menggantung. * **`task_queue.join()`:** Memastikan bahwa master menunggu semua tugas dalam antrian selesai diproses sebelum keluar. * **Contoh Tugas:** Dalam `master.py`, `tasks = [1, 2, 3, 4, 5]` adalah contoh tugas. Anda dapat menggantinya dengan tugas yang lebih kompleks, seperti nama file untuk diproses, atau data yang perlu dianalisis. * **`process_task()`:** Dalam `server.py`, fungsi `process_task()` adalah tempat Anda akan menempatkan logika pemrosesan tugas yang sebenarnya. Saat ini, hanya melakukan perkalian sederhana dan tidur sebentar untuk mensimulasikan pekerjaan. **Peningkatan Lebih Lanjut** * **Serialisasi Data:** Untuk tugas dan hasil yang lebih kompleks, gunakan serialisasi (misalnya, `pickle`, `JSON`) untuk mengubah objek Python menjadi format yang dapat dikirim melalui jaringan. * **Penanganan Kesalahan yang Lebih Baik:** Tambahkan penanganan kesalahan yang lebih komprehensif, termasuk pencatatan (logging) kesalahan. * **Konfigurasi:** Gunakan file konfigurasi untuk menyimpan pengaturan seperti alamat IP, port, dan jumlah server. * **Load Balancing:** Implementasikan algoritma load balancing yang lebih canggih untuk mendistribusikan tugas secara merata ke server berdasarkan kapasitas atau beban saat ini. * **Fault Tolerance:** Tambahkan mekanisme untuk mendeteksi dan menangani kegagalan server. * **Keamanan:** Gunakan enkripsi (misalnya, SSL/TLS) untuk mengamankan komunikasi antara master dan server. * **GUI:** Buat antarmuka grafis untuk memantau status sistem dan mengelola tugas. * **Distribusi Tugas Dinamis:** Master dapat secara dinamis menyesuaikan jumlah tugas yang diberikan ke setiap server berdasarkan kinerja server tersebut. * **Prioritas Tugas:** Implementasikan prioritas tugas sehingga tugas yang lebih penting dapat diproses terlebih dahulu. Contoh ini memberikan dasar yang kuat untuk membangun sistem MCP yang lebih kompleks dan kuat. Ingatlah untuk menyesuaikan kode dengan kebutuhan spesifik aplikasi Anda.

xtai-mcp-data-analysis

An MCP server for data analysis and visualization supporting CSV and Excel files. It enables users to generate statistical summaries and create multi-dimensional charts like heatmaps and bar plots through natural language.

sushimcp

sushimcp

agentmem

Governed memory for coding agents with trust lifecycle, conflict detection, staleness tracking, and health scoring. SQLite + FTS5, zero infrastructure. Works with Claude Code, Cursor, Codex, Windsurf.

Atlassian MCP Server

Menyediakan integrasi dengan produk Atlassian melalui Model Context Protocol, memungkinkan pengguna untuk berinteraksi dengan tiket JIRA dan halaman Confluence.

PubMed MCP Server

A comprehensive Model Context Protocol server that enables advanced PubMed literature search, citation formatting, and research analysis through natural language interactions.

Starwind UI MCP Server

Sebuah server TypeScript yang meningkatkan kemampuan asisten AI saat bekerja dengan komponen Starwind UI, menyediakan alat untuk inisialisasi proyek, instalasi komponen, akses dokumentasi, dan banyak lagi.

RulesetMCP

Provides AI agents with queryable, version-controlled project rules and coding standards. Enables validation, rule-based guidance, and task summaries to keep AI work aligned with your project's conventions without repeating context.