Discover Awesome MCP Servers

Filesystem MCP Server

拡張ファイルシステム MCP サーバー

AISDK MCP Bridge

Model Context Protocol (MCP) サーバーと AI SDK ツール間のシームレスな統合を可能にするブリッジパッケージ。複数のサーバータイプ、リアルタイム通信、および TypeScript をサポートします。

GitHub MCP Server

鏡 (Kagami)

MailchimpMCP

Mailchimp API 用の MCP サーバーを開発するためのユーティリティ

MCP 服务器示例

MCPサーバーのFastDemo（Web UI付き）

MCP Ayd Server

鏡 (Kagami)

Quantitative Researcher MCP Server

定量的な研究知識グラフを管理するためのツールを提供し、研究プロジェクト、データセット、変数、仮説、統計的検定、モデル、および結果の構造化された表現を可能にします。

mcp-google-sheets: A Google Sheets MCP server

Google DriveとGoogle Sheetsに統合されたModel Context Protocolサーバー。ユーザーは自然言語コマンドを通じてスプレッドシートの作成、読み取り、更新、管理が可能になります。

Data Visualization MCP Server

鏡 (Kagami)

Deep Research MCP Server 🚀

MCP (エムシーピー) 深層リサーチサーバーを Gemini (ジェミニ) を使用して構築し、リサーチ AI エージェントを作成する

Clover MCP (Model Context Protocol) Server

AIエージェントが、セキュアなOAuth認証されたMCPサーバーを通じて、Cloverの加盟店データ、在庫、および注文にアクセスし、操作できるようにします。

MCP with Gemini Tutorial

Google Gemini を使用して MCP サーバーを構築する

GraphQL MCP Server

Claude AIに、Model Context Protocolを通じてあらゆるGraphQL APIへのシームレスなアクセスを提供するTypeScriptサーバー。

MCP Server Reddit

鏡 (Kagami)

DVMCP: Data Vending Machine Context Protocol

DVMCPは、Model Context Protocol (MCP) サーバーをNostrのData Vending Machine (DVM) エコシステムに接続するブリッジ実装です。

mcp-flux-schnell MCP Server

TypeScript で構築された MCP (Minecraft Protocol) サーバーで、Cloudflare の Flux Schnell モデル API を利用してテキストから画像を生成できます。

Unreal Engine Generative AI Support Plugin

UnrealMCPが登場！！AIによるブループリントとシーンの自動生成！！LLM/GenAIモデルとMCP UE5サーバー用のUnreal Engineプラグインです。Claude Desktop AppとCursorをサポートし、OpenAIのGPT4o、DeepseekR1、Claude Sonnet 3.7 APIも搭載。Gemini、Grok 3、オーディオ＆リアルタイムAPIの追加も計画中です。

BigQuery Analysis MCP Server

Google BigQuery に対して、データの変更や過剰な処理を防ぐ安全機能を備え、SQL クエリの実行と検証を可能にするサーバー。

eRegulations MCP Server

eRegulationsデータへの構造化された、AIフレンドリーなアクセスを提供するModel Context Protocolサーバー実装。AIモデルが行政手続きに関するユーザーの質問に答えやすくします。

mcp-weather-server

了解しました。LLMに天気データを提供する、Model Context Protocolサーバーの例を以下に示します。 ```python from fastapi import FastAPI, HTTPException from pydantic import BaseModel import datetime import random app = FastAPI() class WeatherRequest(BaseModel): city: str date: datetime.date class WeatherResponse(BaseModel): city: str date: datetime.date temperature: float condition: str # 天気データをシミュレートする関数 def get_weather_data(city: str, date: datetime.date): # 簡単なシミュレーション：実際にはAPIを呼び出すか、データベースから取得します temperature = random.uniform(5, 30) # 5〜30度の範囲でランダムな温度 conditions = ["晴れ", "曇り", "雨", "雪"] condition = random.choice(conditions) return WeatherResponse(city=city, date=date, temperature=temperature, condition=condition) @app.post("/weather", response_model=WeatherResponse) async def get_weather(request: WeatherRequest): try: weather_data = get_weather_data(request.city, request.date) return weather_data except Exception as e: raise HTTPException(status_code=500, detail=str(e)) if __name__ == "__main__": import uvicorn uvicorn.run(app, host="0.0.0.0", port=8000) ``` **説明:** * **FastAPI:** 軽量で高速なPythonのWebフレームワークを使用しています。 * **Pydantic:** データ検証とシリアライゼーションのためにPydanticを使用しています。 * **`WeatherRequest`:** LLMから受け取るリクエストのデータ構造を定義します。 `city` (都市名) と `date` (日付) を含みます。 * **`WeatherResponse`:** サーバーがLLMに返すレスポンスのデータ構造を定義します。 `city`, `date`, `temperature` (温度), `condition` (天気) を含みます。 * **`get_weather_data`:** 天気データをシミュレートする関数です。 実際には、外部の天気API (OpenWeatherMapなど) を呼び出すか、天気データのデータベースから情報を取得します。 この例では、ランダムな値を生成しています。 * **`/weather` エンドポイント:** `POST` リクエストを受け付け、`WeatherRequest` を解析し、`get_weather_data` を呼び出して天気データを取得し、`WeatherResponse` として返します。 * **エラー処理:** `try...except` ブロックを使用して、エラーが発生した場合に適切なHTTPエラーレスポンスを返します。 * **`uvicorn`:** ASGIサーバーを使用して、FastAPIアプリケーションを実行します。 **使い方:** 1. **必要なライブラリをインストール:** ```bash pip install fastapi uvicorn pydantic ``` 2. **上記のコードを `weather_server.py` などのファイルに保存します。** 3. **サーバーを実行:** ```bash python weather_server.py ``` 4. **LLMからリクエストを送信:** LLMから、以下の形式で `POST` リクエストを `http://localhost:8000/weather` に送信します。 ```json { "city": "東京", "date": "2023-10-27" } ``` 例えば、Pythonの `requests` ライブラリを使用すると、以下のようになります。 ```python import requests import datetime url = "http://localhost:8000/weather" data = { "city": "東京", "date": datetime.date(2023, 10, 27).isoformat() } headers = {'Content-type': 'application/json'} response = requests.post(url, json=data, headers=headers) if response.status_code == 200: print(response.json()) else: print(f"Error: {response.status_code} - {response.text}") ``` **LLMとの統合:** LLMは、このサーバーにリクエストを送信し、天気データを受け取って、その情報を応答に組み込むことができます。 例えば、ユーザーが「明日の東京の天気は？」と尋ねた場合、LLMはまずこのサーバーにリクエストを送信し、天気データを受け取ってから、「明日の東京の天気は晴れで、気温は20度です。」のような応答を生成します。 **重要な考慮事項:** * **認証:** LLMのみがこのサーバーにアクセスできるように、認証メカニズムを追加することを検討してください。 * **レート制限:** サーバーへのリクエスト数を制限して、過負荷を防ぎます。 * **実際の天気データ:** この例では天気データをシミュレートしていますが、実際には信頼できる天気APIを使用する必要があります。 * **エラー処理:** より堅牢なエラー処理を追加して、さまざまなエラーシナリオに対応します。 * **スケーラビリティ:** より多くのリクエストを処理できるように、サーバーをスケーリングすることを検討してください。 この例は、Model Context Protocolサーバーの基本的な実装を示しています。 実際のアプリケーションでは、より複雑な機能やセキュリティ対策が必要になる場合があります。

Wikipedia MCP Image Crawler

Wikipediaの画像検索ツール。クリエイティブ・コモンズ・ライセンスに従って画像を探し、Claude Desktop/Cline経由でプロジェクトで使用します。

LiteMCP

MCPサーバーをエレガントに構築するためのTypeScriptフレームワーク

Jira MCP Server

大規模言語モデルが自然言語を通じてJiraプロジェクト、ボード、スプリント、および課題とやり取りできるようにする、Jiraとの統合を提供するモデルコンテキストプロトコルサーバー。

beeper_mcp MCP server

ノートの作成と管理を行うためのシンプルなMCPサーバー。要約機能もサポート。

Anki MCP Server

LLMがAnkiフラッシュカードソフトウェアと連携し、自然言語を通じてデッキの作成、ノートの追加、カードの検索、フラッシュカードコンテンツの管理などの機能を可能にする、モデルコンテキストプロトコルサーバー。

MCP Prompt Server

Model Context Protocolに基づいたサーバーで、コードレビューやAPIドキュメント生成などのタスク用に定義済みのプロンプトテンプレートを提供し、Cursor/Windsurfエディターでのより効率的なワークフローを可能にします。