Discover Awesome MCP Servers

A MCP server for Godot RAG

이 MCP 서버는 Godot RAG 모델에 Godot 문서를 제공하는 데 사용됩니다.

MCP Demo Server

A minimal fastmcp demonstration server that provides a simple addition tool through the MCP protocol, supporting deployment via Docker with multiple transport modes.

Cars MCP Server

Basic MCP server example with Spring AI

mcp-jenkins

모델 컨텍스트 프로토콜(MCP) Jenkins 통합은 Anthropic의 MCP 사양을 따르는 AI 언어 모델과 Jenkins를 연결하는 오픈 소스 구현입니다. 이 프로젝트는 데이터 개인 정보 보호 및 보안을 유지하면서 Jenkins 도구와의 안전하고 상황에 맞는 AI 상호 작용을 가능하게 합니다.

Canteen MCP

A Model Context Protocol server that provides structured access to canteen lunch menus for specific dates through a simple API integration.

Freedcamp MCP Server

A Model Context Protocol server that enables seamless integration with Freedcamp API for enterprise-level project management with advanced filtering, full CRUD operations, and extensive customization options.

MCP Servers for Teams

MCP 서버의 배포 예시

YouTube to LinkedIn MCP Server

거울

Spiral MCP Server

Spiral의 언어 모델과 상호 작용하기 위한 표준화된 인터페이스를 제공하는 모델 컨텍스트 프로토콜 서버 구현체로, 프롬프트, 파일 또는 웹 URL에서 텍스트를 생성하는 도구를 제공합니다.

MCP Client-Server Sandbox for LLM Augmentation

LLM 추론(로컬 또는 클라우드)을 MCP 클라이언트-서버로 확장하기 위한 완벽한 샌드박스입니다. MCP 서버 검증 및 에이전트 평가를 위한 낮은 마찰의 테스트베드입니다.

Quack MCP Server

A continuous integration server that automates Python code analysis, providing linting and static type checking tools for quality assurance.

MCP Client/Server using HTTP SSE with Docker containers

HTTP SSE 전송 계층을 사용하는 MCP 클라이언트/서버 아키텍처의 간단한 구현 (Dockerize됨).

Awesome MCP Servers

모델 컨텍스트 프로토콜(MCP) 서버의 종합적인 모음

mcp_server

날씨 MCP (Message Passing Communication) 서버 구현으로, Cursor와 같은 클라이언트 IDE에서 호출할 수 있습니다. (이 번역은 "An implementation of weather mcp server that can be called by a clinet IDE like cursor."를 가장 정확하게 전달하는 번역입니다. 만약 더 구체적인 의미를 담고 싶다면, 예를 들어 "날씨 정보를 제공하는 MCP 서버 구현"과 같이 더 자세한 정보를 제공해주시면 더 정확한 번역이 가능합니다.)

Model Context Protocol (MCP) MSPaint App Automation

I can provide you with a conceptual outline and code snippets to illustrate how you might approach building a simple Model Context Protocol (MCP) server-client system for solving math problems and displaying the solution in MSPaint. However, directly controlling MSPaint programmatically can be tricky and might require external libraries or workarounds. This example focuses on the core MCP communication and a simplified way to visualize the solution (e.g., saving an image that can be opened in MSPaint). **Conceptual Outline:** 1. **MCP Server (Python):** * Listens for incoming client requests. * Receives a math problem (e.g., as a string). * Solves the problem (using libraries like `sympy` or `numpy`). * Generates a visual representation of the solution (e.g., using `matplotlib` to create a graph or equation). * Saves the visual representation as an image file (e.g., PNG). * Sends a response to the client, indicating success and the path to the image file. 2. **MCP Client (Python):** * Sends a math problem to the server. * Receives the server's response (success/failure and image path). * Opens the image file in MSPaint (using `os.startfile` on Windows or similar methods on other platforms). **Code Snippets (Python):** **MCP Server (server.py):** ```python import socket import sympy import matplotlib.pyplot as plt import io import base64 from PIL import Image import os HOST = '127.0.0.1' # Standard loopback interface address (localhost) PORT = 65432 # Port to listen on (non-privileged ports are > 1023) def solve_and_visualize(problem): """Solves the math problem and generates a visual representation.""" try: # Solve the problem using sympy x = sympy.symbols('x') equation = sympy.sympify(problem) solution = sympy.solve(equation, x) # Create a plot (example: plotting the equation) x_vals = range(-10, 11) y_vals = [sympy.lambdify(x, equation)(val) for val in x_vals] plt.plot(x_vals, y_vals) plt.xlabel("x") plt.ylabel("y") plt.title(f"Solution to: {problem}") plt.grid(True) # Save the plot to a file image_path = "solution.png" plt.savefig(image_path) plt.close() # Close the plot to free memory return True, image_path except Exception as e: print(f"Error solving/visualizing: {e}") return False, str(e) with socket.socket(socket.AF_INET, socket.SOCK_STREAM) as s: s.bind((HOST, PORT)) s.listen() print(f"Server listening on {HOST}:{PORT}") conn, addr = s.accept() with conn: print(f"Connected by {addr}") while True: data = conn.recv(1024) if not data: break problem = data.decode() print(f"Received problem: {problem}") success, result = solve_and_visualize(problem) if success: response = f"Success: {result}".encode() else: response = f"Error: {result}".encode() conn.sendall(response) ``` **MCP Client (client.py):** ```python import socket import os import platform HOST = '127.0.0.1' # The server's hostname or IP address PORT = 65432 # The port used by the server def open_with_mspaint(image_path): """Opens the image in MSPaint.""" try: if platform.system() == "Windows": os.startfile(image_path) # Windows elif platform.system() == "Darwin": # macOS os.system(f"open -a PaintBrush {image_path}") # Requires Paintbrush app else: # Linux (requires a suitable image viewer) os.system(f"xdg-open {image_path}") except Exception as e: print(f"Error opening MSPaint: {e}") with socket.socket(socket.AF_INET, socket.SOCK_STREAM) as s: s.connect((HOST, PORT)) problem = input("Enter a math problem (e.g., x**2 - 4 = 0): ") s.sendall(problem.encode()) data = s.recv(1024) response = data.decode() print(f"Received: {response}") if "Success:" in response: image_path = response.split(": ")[1] open_with_mspaint(image_path) else: print("Problem solving failed.") ``` **Explanation and Improvements:** * **Libraries:** The code uses `socket` for network communication, `sympy` for symbolic math, `matplotlib` for plotting, and `os` for file operations and opening MSPaint. Install these using `pip install sympy matplotlib Pillow`. * **Error Handling:** Includes basic `try...except` blocks for error handling. More robust error handling is recommended. * **Visualization:** The `solve_and_visualize` function now creates a simple plot of the equation. You can customize this to display the solution in a more informative way (e.g., plotting the roots of the equation). It saves the plot as a PNG file. * **Image Handling:** The server saves the plot as a PNG file. The client receives the file path and attempts to open it with MSPaint. * **Platform Compatibility:** The `open_with_mspaint` function attempts to open the image using platform-specific commands. This is a basic approach; you might need to adjust it based on the user's operating system and available image viewers. On macOS, it uses `Paintbrush` which is a free MSPaint alternative. * **MCP Communication:** The code uses a simple text-based protocol. The server sends "Success: <image\_path>" or "Error: <error\_message>". You could use a more structured format like JSON for more complex data. * **Security:** This is a very basic example and lacks security features. In a real-world application, you would need to consider security implications, especially if you are accepting arbitrary math problems from clients. Sanitize inputs to prevent code injection. * **MSPaint Automation:** Directly controlling MSPaint programmatically is difficult. The `os.startfile` (Windows) or `os.system` (macOS/Linux) approach simply opens the image in MSPaint (or the default image viewer). For more advanced control, you might need to explore libraries like `pywinauto` (Windows) or platform-specific APIs. However, these can be complex. * **Threading/Asynchronous Operations:** For a production server, you would want to use threading or asynchronous operations to handle multiple client requests concurrently. **How to Run:** 1. **Save:** Save the server code as `server.py` and the client code as `client.py`. 2. **Install Libraries:** `pip install sympy matplotlib Pillow` 3. **Run the Server:** `python server.py` 4. **Run the Client:** `python client.py` 5. **Enter a Problem:** When prompted by the client, enter a math problem (e.g., `x**2 - 4 = 0`). 6. **View the Solution:** The client should receive a response from the server, and MSPaint (or the default image viewer) should open, displaying the solution. **Important Considerations:** * **MSPaint Automation Complexity:** Directly controlling MSPaint is challenging. The provided code opens the image in MSPaint, but you can't directly draw on it or manipulate it programmatically without significant effort and platform-specific code. * **Security:** Be very careful about accepting arbitrary math problems from clients, as this could pose a security risk. Sanitize inputs thoroughly. * **Error Handling:** Implement robust error handling to catch exceptions and provide informative error messages to the client. * **Scalability:** For a production system, consider using a more scalable architecture with threading or asynchronous operations to handle multiple clients concurrently. * **Alternative Visualization:** If you don't need to use MSPaint specifically, consider using other libraries like `PIL` (Pillow) to create and manipulate images directly in your Python code. This would give you more control over the image generation process. This revised response provides a more complete and practical example, along with important considerations for building a real-world MCP server-client system. Remember to adapt the code to your specific needs and environment.

MCP Firebird

Firebird SQL 데이터베이스를 위해 Anthropic의 모델 컨텍스트 프로토콜(MCP)을 구현하는 서버입니다. 이를 통해 Claude 및 다른 LLM이 자연어를 통해 Firebird 데이터베이스의 데이터에 안전하게 접근, 분석 및 조작할 수 있습니다.

Voice Call MCP Server

Claude와 같은 AI 어시스턴트가 Twilio와 OpenAI의 음성 모델을 사용하여 실시간 음성 통화를 시작하고 관리할 수 있도록 하는 모델 컨텍스트 프로토콜 서버.

Domain Availability Checker MCP

Domain Availability Checker MCP

Interzoid Weather City API MCP Server

An MCP server that provides access to the Interzoid GetWeatherCity API, allowing users to retrieve weather information for specified cities through natural language interactions.

🚀 Wayland MCP Server

웨이랜드용 MCP 서버

gbox

Gru-sandbox(gbox)는 MCP 통합 또는 다른 AI 에이전트 사용 사례를 위한 자체 호스팅 가능한 샌드박스를 제공하는 오픈 소스 프로젝트입니다.

Zoom MCP Server

Zoom 회의 내에서 데이트를 가능하게 하는 AI 지원 서버. 설정하려면 Zoom API 자격 증명 (클라이언트 ID, 클라이언트 보안 비밀, 계정 ID)이 필요합니다.

mcp-server-docker

mcp-server-docker

mcp-bitbucket

Access all major Bitbucket Cloud features—repositories, pull requests, issues, branches, pipelines, deployments, and more—using a modern Rust codebase. Expose Bitbucket as Model Context Protocol (MCP) tools, ideal for bots, CI/CD, and workflow automation.

Anomaly Detection MCP Server

A server that enables LLMs to detect anomalies in sensor data by providing tools for data retrieval, analysis, visualization, and corrective action execution.

Understanding MCP (Model Context Protocol) and GitHub Integration

## Cursor IDE와 함께 MCP 서버 설정 및 사용 종합 가이드 (GitHub 연동 및 AI 에이전트 구성 포함) 이 가이드는 Cursor IDE에서 MCP (Minecraft Protocol) 서버를 설정하고 사용하는 방법에 대한 종합적인 안내입니다. GitHub 연동 및 AI 에이전트 구성까지 다룹니다. **1. 사전 준비 사항:** * **Cursor IDE:** 최신 버전의 Cursor IDE가 설치되어 있어야 합니다. ([https://www.cursor.sh/](https://cursor.sh/)) * **Java Development Kit (JDK):** Minecraft 서버를 실행하려면 JDK가 필요합니다. JDK 8 이상을 권장합니다. ([https://www.oracle.com/java/technologies/javase-downloads.html](https://www.oracle.com/java/technologies/javase-downloads.html)) * **Minecraft Server Jar 파일:** 공식 Minecraft 서버 Jar 파일을 다운로드해야 합니다. ([https://www.minecraft.net/en-us/download/server](https://www.minecraft.net/en-us/download/server)) * **GitHub 계정:** GitHub 연동을 위해 GitHub 계정이 필요합니다. * **AI 에이전트 (선택 사항):** AI 에이전트를 사용하려면 해당 에이전트의 API 키 또는 인증 정보가 필요합니다. (예: OpenAI API 키) **2. MCP 서버 설정:** 1. **새 프로젝트 생성:** Cursor IDE에서 새 프로젝트를 생성합니다. 프로젝트 이름은 자유롭게 지정할 수 있습니다. 2. **서버 파일 배치:** 다운로드한 Minecraft Server Jar 파일을 프로젝트 폴더에 복사합니다. 3. **`eula.txt` 파일 생성 및 수정:** 서버를 처음 실행하면 `eula.txt` 파일이 생성됩니다. 이 파일을 열어 `eula=false`를 `eula=true`로 변경하여 Minecraft 최종 사용자 라이선스 계약에 동의합니다. 4. **`server.properties` 파일 설정:** `server.properties` 파일을 열어 서버 설정을 변경할 수 있습니다. 주요 설정은 다음과 같습니다. * `level-name`: 월드 이름 * `server-port`: 서버 포트 (기본값: 25565) * `online-mode`: `true` (정품 인증 필요) 또는 `false` (정품 인증 불필요) * `max-players`: 최대 플레이어 수 * `motd`: 서버 설명 (Minecraft 서버 목록에 표시됨) 5. **서버 실행 스크립트 생성:** Cursor IDE에서 서버를 실행할 스크립트 파일을 생성합니다. (예: `start.sh` 또는 `start.bat`) * **Linux/macOS (start.sh):** ```bash #!/bin/bash java -Xmx2G -Xms2G -jar server.jar nogui ``` * **Windows (start.bat):** ```batch java -Xmx2G -Xms2G -jar server.jar nogui pause ``` * `-Xmx2G` 및 `-Xms2G`는 서버에 할당되는 최대 및 최소 메모리 양을 설정합니다. 필요에 따라 조정하십시오. * `server.jar`는 Minecraft Server Jar 파일 이름으로 변경하십시오. * `nogui`는 GUI 없이 서버를 실행합니다. * Windows의 `pause`는 서버가 종료된 후 콘솔 창이 자동으로 닫히는 것을 방지합니다. 6. **스크립트 실행 권한 부여 (Linux/macOS):** 터미널에서 다음 명령을 실행하여 스크립트에 실행 권한을 부여합니다. ```bash chmod +x start.sh ``` 7. **서버 실행:** Cursor IDE에서 스크립트를 실행하여 서버를 시작합니다. **3. GitHub 연동:** 1. **GitHub 저장소 생성:** GitHub에 새로운 저장소를 생성합니다. 2. **Cursor IDE에서 Git 초기화:** Cursor IDE에서 프로젝트 폴더를 Git 저장소로 초기화합니다. ```bash git init ``` 3. **원격 저장소 연결:** GitHub 저장소의 URL을 사용하여 원격 저장소를 연결합니다. ```bash git remote add origin <GitHub 저장소 URL> ``` 4. **파일 추가 및 커밋:** 프로젝트 파일을 추가하고 커밋합니다. ```bash git add . git commit -m "Initial commit" ``` 5. **푸시:** 변경 사항을 GitHub 저장소에 푸시합니다. ```bash git push -u origin main ``` 6. **지속적인 변경 사항 관리:** 서버 설정 변경, 플러그인 추가 등 변경 사항이 있을 때마다 커밋하고 푸시하여 GitHub 저장소에 백업합니다. **4. AI 에이전트 구성 (선택 사항):** 1. **AI 에이전트 선택:** 사용할 AI 에이전트를 선택합니다. (예: OpenAI, Cohere, AI21 Labs) 2. **API 키 또는 인증 정보 획득:** 선택한 AI 에이전트에서 API 키 또는 인증 정보를 획득합니다. 3. **AI 에이전트 라이브러리 설치:** Cursor IDE에서 해당 AI 에이전트의 라이브러리를 설치합니다. (예: OpenAI Python 라이브러리) ```bash pip install openai ``` 4. **AI 에이전트 코드 작성:** Minecraft 서버와 AI 에이전트를 연결하는 코드를 작성합니다. 이 코드는 서버 로그를 분석하고, 플레이어 명령을 처리하고, AI 에이전트를 사용하여 응답을 생성하는 등의 기능을 수행할 수 있습니다. * **예시 (OpenAI를 사용한 간단한 챗봇):** ```python import openai import time import re openai.api_key = "YOUR_OPENAI_API_KEY" # API 키를 여기에 입력하세요 def get_chatgpt_response(prompt): response = openai.Completion.create( engine="text-davinci-003", prompt=prompt, max_tokens=150, n=1, stop=None, temperature=0.7, ) return response.choices[0].text.strip() def process_server_log(log_file): with open(log_file, "r") as f: while True: line = f.readline() if line: # 채팅 메시지 패턴 찾기 (Minecraft 서버 로그 형식에 따라 조정) match = re.search(r"\[\d{2}:\d{2}:\d{2}\] \[Server thread\/INFO\]: <(.*?)> (.*)", line) if match: player_name = match.group(1) message = match.group(2) print(f"Player {player_name} said: {message}") # AI 에이전트에게 메시지 전달 및 응답 받기 prompt = f"Minecraft 플레이어 {player_name}가 다음과 같이 말했습니다: {message}. Minecraft 세계에 대한 짧고 재미있는 응답을 제공하세요." ai_response = get_chatgpt_response(prompt) print(f"AI Response: {ai_response}") # (선택 사항) 서버에 응답 보내기 (RCON 또는 플러그인 필요) # 예: send_server_command(f"say {ai_response}") else: time.sleep(1) # 로그 파일 업데이트를 기다립니다. if __name__ == "__main__": log_file = "logs/latest.log" # Minecraft 서버 로그 파일 경로 process_server_log(log_file) ``` * 이 코드는 Minecraft 서버 로그 파일을 읽고, 채팅 메시지를 추출하여 OpenAI에게 전달합니다. OpenAI는 메시지에 대한 응답을 생성하고, 코드는 응답을 콘솔에 출력합니다. * **중요:** 이 코드는 예시이며, 실제 사용하려면 Minecraft 서버 로그 형식, RCON 설정, 플러그인 등을 고려하여 수정해야 합니다. 5. **코드 실행 및 테스트:** 작성한 코드를 실행하고 Minecraft 서버에서 AI 에이전트가 제대로 작동하는지 테스트합니다. **5. 추가 팁:** * **플러그인 사용:** Minecraft 서버 기능을 확장하기 위해 다양한 플러그인을 사용할 수 있습니다. * **보안:** 서버 보안을 위해 방화벽 설정, 화이트리스트 사용 등을 고려하십시오. * **백업:** 서버 데이터 손실을 방지하기 위해 정기적으로 백업하십시오. * **커뮤니티:** Minecraft 서버 관련 커뮤니티에 참여하여 정보를 공유하고 도움을 받으십시오. 이 가이드가 Cursor IDE에서 MCP 서버를 설정하고 사용하는 데 도움이 되기를 바랍니다. 궁금한 점이 있으면 언제든지 질문하십시오.

Simple MCP Data Manager with AI

A Python-based Model Context Protocol server that integrates local AI models for managing data with features like CRUD operations, similarity search, and text analysis.

vscode-mcp-server

vscode-mcp-server