Discover Awesome MCP Servers

mcp-gladia

Enables LLMs to transcribe, analyze, and translate audio/video content through Gladia's API.

Tanda Workforce MCP Server

Integrates Tanda Workforce API with AI assistants to manage employee schedules, timesheets, leave requests, clock in/out operations, and workforce analytics through natural language with OAuth2 authentication.

MCP demo (DeepSeek as Client's LLM)

了解しました。DeepSeek API を使用して MCP (MicroConfig Protocol) クライアントとサーバーのデモを実行する方法を説明します。 **大まかな手順:** 1. **DeepSeek API キーの取得:** DeepSeek API を使用するには、API キーが必要です。DeepSeek のウェブサイトでアカウントを作成し、API キーを取得してください。 2. **MCP クライアントとサーバーの実装:** MCP クライアントとサーバーを実装する必要があります。既存のライブラリを使用するか、自分で実装することができます。 3. **DeepSeek API との統合:** MCP サーバーで、DeepSeek API を使用して構成データを生成または検証します。 4. **デモの実行:** MCP クライアントを起動し、MCP サーバーに接続して構成データを取得または更新します。 **詳細な手順とコード例 (Python):** **1. DeepSeek API キーの取得:** * DeepSeek のウェブサイト ([https://deepseek.com/](https://deepseek.com/)) にアクセスし、アカウントを作成します。 * API キーを取得します。 **2. MCP クライアントとサーバーの実装 (簡略化された例):** ```python # mcp_server.py import socket import json import deepseek_client # DeepSeek API クライアントライブラリ (後述) DEEPSEEK_API_KEY = "YOUR_DEEPSEEK_API_KEY" # 取得した API キーに置き換えてください def handle_client(conn, addr): print(f"Connected by {addr}") try: while True: data = conn.recv(1024) if not data: break request = data.decode('utf-8').strip() print(f"Received: {request}") # DeepSeek API を使用して構成データを生成または検証 response = generate_config_with_deepseek(request) conn.sendall(response.encode('utf-8')) except Exception as e: print(f"Error: {e}") finally: conn.close() print(f"Connection closed with {addr}") def generate_config_with_deepseek(request): """DeepSeek API を使用して構成データを生成または検証する関数""" try: # DeepSeek API クライアントの初期化 client = deepseek_client.DeepSeekClient(DEEPSEEK_API_KEY) # DeepSeek API に送信するプロンプトの作成 prompt = f"Generate a configuration based on the following request: {request}" # DeepSeek API を呼び出す response = client.generate_text(prompt) # deepseek_client.py で定義 # レスポンスから構成データを抽出 config_data = response # レスポンスの形式に合わせて調整 return config_data except Exception as e: print(f"DeepSeek API Error: {e}") return "Error generating configuration." def main(): HOST = '127.0.0.1' # localhost PORT = 65432 # ポート番号 with socket.socket(socket.AF_INET, socket.SOCK_STREAM) as s: s.bind((HOST, PORT)) s.listen() print(f"Listening on {HOST}:{PORT}") while True: conn, addr = s.accept() handle_client(conn, addr) if __name__ == "__main__": main() ``` ```python # mcp_client.py import socket def main(): HOST = '127.0.0.1' # サーバーのホスト名または IP アドレス PORT = 65432 # サーバーがリッスンしているポート with socket.socket(socket.AF_INET, socket.SOCK_STREAM) as s: s.connect((HOST, PORT)) request = "Request for a simple web server configuration." # リクエスト内容 s.sendall(request.encode('utf-8')) data = s.recv(1024) print(f"Received: {data.decode('utf-8')}") if __name__ == "__main__": main() ``` **3. DeepSeek API との統合:** 上記の `mcp_server.py` の `generate_config_with_deepseek` 関数が、DeepSeek API との統合部分です。 この関数は、クライアントからのリクエストを受け取り、DeepSeek API にプロンプトを送信して、構成データを生成します。 **DeepSeek API クライアントライブラリ (deepseek_client.py):** ```python # deepseek_client.py import requests import json class DeepSeekClient: def __init__(self, api_key): self.api_key = api_key self.api_url = "https://api.deepseek.com/v1/completions" # DeepSeek API のエンドポイント (必要に応じて変更) self.headers = { "Content-Type": "application/json", "Authorization": f"Bearer {self.api_key}" } def generate_text(self, prompt): """DeepSeek API を呼び出してテキストを生成する""" data = { "model": "deepseek-coder-6.7B-instruct", # 使用するモデル (必要に応じて変更) "prompt": prompt, "max_tokens": 200, # 生成する最大トークン数 (必要に応じて変更) "temperature": 0.7 # ランダム性 (必要に応じて変更) } try: response = requests.post(self.api_url, headers=self.headers, data=json.dumps(data)) response.raise_for_status() # エラーが発生した場合に例外を発生させる json_response = response.json() return json_response['choices'][0]['text'].strip() # レスポンスの形式に合わせて調整 except requests.exceptions.RequestException as e: print(f"API Request Error: {e}") return "Error communicating with DeepSeek API." except KeyError as e: print(f"JSON Parsing Error: {e}") print(f"Response: {response.text}") # レスポンス全体を出力してデバッグ return "Error parsing DeepSeek API response." ``` **4. デモの実行:** 1. `mcp_server.py` を実行します。 2. `mcp_client.py` を実行します。 クライアントはサーバーにリクエストを送信し、サーバーは DeepSeek API を使用して構成データを生成し、クライアントに返信します。クライアントは受信した構成データを表示します。 **注意点:** * **API キー:** `DEEPSEEK_API_KEY` を必ず取得した API キーに置き換えてください。 * **DeepSeek API のエンドポイント:** `deepseek_client.py` の `api_url` が正しい DeepSeek API のエンドポイントであることを確認してください。 * **モデル:** `deepseek_client.py` の `model` パラメータで使用するモデルを指定してください。 * **エラー処理:** コードには基本的なエラー処理が含まれていますが、より堅牢なアプリケーションでは、より詳細なエラー処理が必要になる場合があります。 * **レート制限:** DeepSeek API にはレート制限がある場合があります。API のドキュメントを確認して、レート制限を超えないようにしてください。 * **コスト:** DeepSeek API の使用にはコストがかかる場合があります。API の価格設定を確認してください。 * **セキュリティ:** API キーを安全に保管してください。コードに直接埋め込むのではなく、環境変数を使用することをお勧めします。 * **レスポンスの形式:** DeepSeek API のレスポンスの形式は、使用するモデルによって異なる場合があります。レスポンスの形式に合わせて、`generate_config_with_deepseek` 関数と `deepseek_client.py` の `generate_text` 関数を調整してください。 * **ライブラリのインストール:** `requests` ライブラリがインストールされていることを確認してください。インストールされていない場合は、`pip install requests` でインストールしてください。 **改善点:** * **構成データの形式:** 生成された構成データを JSON などの構造化された形式にすると、クライアントでの処理が容易になります。 * **エラー処理の改善:** より詳細なエラー処理を追加して、API エラーやネットワークの問題を適切に処理します。 * **非同期処理:** `asyncio` を使用して、クライアントとサーバー間の通信を非同期に処理することで、パフォーマンスを向上させることができます。 * **設定ファイルの利用:** API キーやポート番号などの設定を、コードに直接埋め込むのではなく、設定ファイルから読み込むようにすると、より柔軟になります。 * **ロギング:** ロギングを追加して、デバッグや監視を容易にします。 この例はあくまで基本的なデモであり、実際のアプリケーションでは、より複雑な実装が必要になる場合があります。 この情報がお役に立てば幸いです。

mcp-local-redes

Local MCP server that exposes fleet telemetry queries as tools for language models, enabling natural language questions about vehicle positions, trips, and alerts. Runs on the operator's machine and returns aggregated results from a SQLite database.

MCP Server - Placeholder Implementation

An MCP server implementation in Python with placeholder tools, deployable to Azure Web App via GitHub Actions. Supports STDIO, HTTP REST, and WebSocket interfaces.

mcp-ip-api

Provides IP geolocation lookups via ip-api.com, including single and batch queries up to 100 IPs.

codex-in-claude

Call OpenAI Codex from Claude Code for independent second opinions, structured code review, and delegated coding tasks through a FastMCP plugin that drives the codex CLI safely.

figma-bridge

基于MCP协议的工具，用于从Figma获取设计节点数据并转换为结构化DSL，辅助生成Vue 3 / React / HTML组件代码。

@pipeworx/congressional-documents

Full-text search and retrieval over official congressional documents (hearings, committee reports, Congressional Record) with citations and govinfo.gov links, designed for grounding AI answers in the official record.

Freshdesk MCP Server

Enables interaction with Freshdesk API v2 to manage support tickets, contacts, agents, companies, and conversations with built-in authentication, rate limiting, and error handling.

blender-mcp-2.79

Enables Claude AI to control Blender 2.79 for 3D modeling, scene creation, and manipulation through the Model Context Protocol, with legacy compatibility for older Blender versions.

MCP Router

Automatically selects the optimal LLM model for each task in Cursor IDE by analyzing query complexity, task type, and applying customizable routing strategies across 17 different AI models.

Terminal SSH MCP Server

MCP server that enables SSH access and terminal commands for Railway containers and local shell execution.

Assert

Run real Playwright E2E tests from your AI coding agent.

MCP-123

A lightweight implementation that provides the simplest way to set up an MCP server and client, requiring just two lines of code to create a fully functional system.

metabase-mcp

Connects AI assistants to Metabase for database queries, SQL execution, dashboard management, and analytics workflows via natural language.

remote-mcp-server-authless

This is a stateless remote MCP server deployed on Cloudflare Workers without authentication, allowing users to register custom tools and connect to MCP clients such as Cloudflare AI Playground or Claude Desktop.

Sourcify Context Server

yura2100/sourcify-context-server の開発に貢献するには、GitHub でアカウントを作成してください。

ltchiptool-mcp

Enables chip-level firmware extraction and analysis for BK7231 family IoT devices via UART, supporting flash dumping, decryption, and partition extraction.

idnow-mcp-server

An MCP server that lets LLM agents operate the IDnow Trust Platform sandbox to list verification flows, create sessions, check sessions, and get session details.

Oracle HCM Cloud MCP Server by CData

Oracle HCM Cloud MCP Server by CData

ministic-fishstick

Minimal high-performance MCP server for semantic code indexing and vector search using Bun, SQLite, and Tree-Sitter. It enables AI agents to index, search, and manage codebases via tools like code_index_search and code_index_start.

Weather MCP Server

Enables asking natural language weather questions; an LLM agent selects the appropriate live weather API tool and returns an HTML-formatted answer.

PubMed MCP Server

Provides structured PubMed literature data for LLM agents, supporting search, caching, and open-access full-text downloads via the MCP protocol.

newrelic-mcp-server

Provides New Relic observability tools for AI assistants, enabling discovery, data access, alerting, incident response, and performance analytics via natural language queries.

trafikkmeldinger-mcp

Enables querying Norwegian traffic messages (roadworks, closures, detours) from Statens vegvesen, filtered by route and time window. Supports both current and future travel times, with tools for route-based and general searches.

MCPizza

An MCP server that allows AI assistants to order Domino's Pizza through an unofficial API, with features for store location, menu browsing, and order management.

Local FAISS MCP Server

Provides local vector database functionality using FAISS for document ingestion, semantic search, and Retrieval-Augmented Generation (RAG) applications with persistent storage and customizable embedding models.

Multi-Capability Proxy Server

A Flask-based server that hosts multiple tools, each exposing functionalities by calling external REST APIs through a unified interface.

spar-agent

Enables developers to compare their code predictions against AI-generated implementations, log misconceptions, and receive spaced-repetition learning feedback to guide their understanding of gaps.