Discover Awesome MCP Servers

huddora-omp

Enables AI agents to collaborate in shared rooms with people, managing room presence, message delivery, and automatic agent registration via MCP tools.

nft-floor

NFT collection floor price, volume, holders, rarity data for Ethereum and Base via Alchemy. Pay-per-call via x402 (USDC on Base L2) without API key or signup.

Flask-MCP-Plus

Flask-MCP-Plus enables developers to create MCP servers using Flask, with support for defining tools, resources, and prompts with automatic schema generation and type safety.

iTerm MCP

Controls iTerm2 terminal sessions with multi-pane support, allowing parallel command execution, session management, and role-based access for AI orchestration.

mcp-madagascar

MCP server for discovering Madagascar-focused humanitarian, weather, risk, and open-data sources, with tools to search datasets, fetch alerts, and get weather information.

gong-mcp

MCP server for the Gong API, enabling search and retrieval of calls, transcripts, attendees, next steps, and more.

perplexity-mcp

Official MCP server for Perplexity API Platform, enabling AI assistants with real-time web search, reasoning, and research capabilities through Sonar models and the Search API.

word-mcp-live

Enables AI assistants to edit Microsoft Word documents live while they are open, with full support for tracked changes, comments, formatting, and 124 tools.

MCP-demo-blog-analyzer

Aqui está um guia rápido para testar o cliente do analisador de blog MCP e um servidor de visitantes de página web: **1. Configuração do Ambiente:** * **Certifique-se de ter o Python instalado:** Verifique se o Python (versão 3.6 ou superior) está instalado no seu sistema. Você pode verificar isso abrindo um terminal/prompt de comando e digitando `python --version` ou `python3 --version`. Se não estiver instalado, baixe e instale a partir do site oficial do Python. * **Crie um ambiente virtual (recomendado):** É uma boa prática criar um ambiente virtual para isolar as dependências do seu projeto. ```bash python -m venv venv # Cria um ambiente virtual chamado "venv" source venv/bin/activate # Ativa o ambiente virtual (Linux/macOS) venv\Scripts\activate # Ativa o ambiente virtual (Windows) ``` * **Instale as dependências:** Você precisará instalar as bibliotecas necessárias para o cliente e o servidor. Normalmente, isso é feito usando `pip`. Assumindo que você tem um arquivo `requirements.txt` que lista as dependências: ```bash pip install -r requirements.txt ``` Se você não tiver um `requirements.txt`, você precisará instalar as dependências individualmente, com base nos requisitos do seu cliente e servidor. Algumas dependências comuns podem incluir: * `requests`: Para fazer requisições HTTP (provavelmente usado pelo cliente). * `flask` ou `django`: Para criar o servidor web (se for um servidor Python). * Outras bibliotecas específicas para análise de texto ou manipulação de dados. **2. Executando o Servidor de Visitantes de Página Web:** * **Localize o código do servidor:** Encontre o arquivo principal do seu servidor (por exemplo, `server.py`, `app.py`, etc.). * **Execute o servidor:** Abra um terminal/prompt de comando, navegue até o diretório onde o arquivo do servidor está localizado e execute-o. Por exemplo: ```bash python server.py # Ou python app.py, dependendo do nome do arquivo ``` O servidor deve iniciar e exibir uma mensagem indicando o endereço e a porta em que está rodando (por exemplo, `Running on http://127.0.0.1:5000/`). Anote este endereço. **3. Executando o Cliente do Analisador de Blog MCP:** * **Localize o código do cliente:** Encontre o arquivo principal do seu cliente (por exemplo, `client.py`, `analyzer.py`, etc.). * **Configure o cliente:** O cliente provavelmente precisará ser configurado com o endereço do servidor. Procure no código do cliente por uma variável ou configuração que especifique o endereço do servidor (por exemplo, `SERVER_URL = "http://127.0.0.1:5000"`). Certifique-se de que este endereço corresponda ao endereço em que o servidor está rodando. * **Execute o cliente:** Abra um terminal/prompt de comando, navegue até o diretório onde o arquivo do cliente está localizado e execute-o. Por exemplo: ```bash python client.py # Ou python analyzer.py, dependendo do nome do arquivo ``` O cliente deve começar a enviar requisições para o servidor e exibir os resultados da análise. **4. Testando a Integração:** * **Verifique os logs do servidor:** Observe os logs do servidor para ver se ele está recebendo requisições do cliente e processando-as corretamente. * **Verifique a saída do cliente:** Examine a saída do cliente para ver se ele está recebendo os resultados esperados da análise. * **Simule tráfego de página web (se aplicável):** Se o servidor de visitantes de página web espera receber dados de visitantes, você pode simular esse tráfego usando ferramentas como `curl` ou `wget` para enviar requisições HTTP para o servidor. Por exemplo: ```bash curl http://127.0.0.1:5000/visit?page=homepage ``` Isso enviaria uma requisição para o servidor, simulando um visitante acessando a página "homepage". **Exemplo Simplificado (com Flask e Requests):** **Servidor (server.py):** ```python from flask import Flask, request, jsonify app = Flask(__name__) @app.route('/analyze', methods=['POST']) def analyze_blog(): data = request.get_json() blog_text = data.get('text', '') # Aqui você colocaria a lógica de análise do blog # (substitua com sua implementação real) analysis_result = f"Análise simulada: Texto do blog recebido: {blog_text}" return jsonify({'result': analysis_result}) if __name__ == '__main__': app.run(debug=True) ``` **Cliente (client.py):** ```python import requests import json SERVER_URL = "http://127.0.0.1:5000/analyze" def analyze_blog(blog_text): data = {'text': blog_text} headers = {'Content-type': 'application/json'} response = requests.post(SERVER_URL, data=json.dumps(data), headers=headers) if response.status_code == 200: result = response.json()['result'] print(f"Resultado da análise: {result}") else: print(f"Erro na requisição: {response.status_code}") if __name__ == '__main__': blog_text = "Este é um texto de blog de exemplo para ser analisado." analyze_blog(blog_text) ``` **Para executar este exemplo:** 1. Salve os dois arquivos como `server.py` e `client.py`. 2. Instale as dependências: `pip install flask requests` 3. Execute o servidor: `python server.py` 4. Execute o cliente: `python client.py` Este exemplo demonstra a comunicação básica entre um cliente e um servidor usando Flask e Requests. Você precisará adaptar o código para corresponder à sua implementação específica do analisador de blog MCP e do servidor de visitantes de página web. **Dicas:** * **Depuração:** Use ferramentas de depuração (como o depurador do Python ou logs) para identificar e corrigir erros. * **Testes Unitários:** Escreva testes unitários para verificar se cada componente do seu sistema está funcionando corretamente. * **Documentação:** Consulte a documentação do seu analisador de blog MCP e do servidor de visitantes de página web para obter informações mais detalhadas sobre como configurá-los e usá-los. Lembre-se de substituir o código de exemplo com a sua implementação real do analisador de blog MCP e do servidor de visitantes de página web. Boa sorte!

OrangePro MCP

Analyzes code to map behaviors, identify untested gaps, and generate grounded integration tests that actually run.

mcp-remote-agent

Enables AI agents to remotely read/write files and execute commands on Linux servers via MCP protocol.

MCP Environment Proxy

A dynamic MCP proxy that allows switching environment variables on-the-fly, enabling context switching for multiple AWS accounts or Kubernetes clusters without restarting the client.

Roborock MCP Server

Enables Claude to control a Roborock vacuum via natural language, supporting commands like start, pause, dock, get status, and clean specific rooms.

docstar-mcp

Automates documentation updates by analyzing git changes and using an LLM to generate and apply documentation.

Power BI Modeling MCP SSE Bridge

This MCP server provides a web-ready SSE bridge for Microsoft's Power BI Modeling MCP Server, enabling URL-based interaction with Power BI semantic models from any programming language without local stdio piping. It features automatic Azure authentication and dynamic binary resolution for seamless Power BI data analysis.

Remote MCP Server (Authless) for Cloudflare Workers

A template for deploying remote Model Context Protocol servers to Cloudflare Workers using Server-Sent Events (SSE) without authentication. It enables developers to build and host custom tools that can be accessed by local clients like Claude Desktop or the Cloudflare AI Playground.

sg-weather-mcp

Wraps NEA's 2-hour weather forecast API to provide rain alerts for central Singapore areas, enabling automations for rain detection.

33GOD Pipeline MCP Hub

A multi-domain MCP server that exposes a small, stable surface of three tools (list_domains, list_domain_tools, call_domain_tool) to gate access to various tool domains like Plane and BloodBank, preventing agent schema overload.

grocy-mcp

Enables AI assistants to manage household operations including groceries, inventory, chores, recipes, and shopping lists through the Grocy self-hosted ERP system.

Frida Game Hacking MCP

Provides Cheat Engine-like capabilities for game hacking and reverse engineering through Frida, enabling memory scanning, value modification, pattern matching, function hooking, and code injection across processes.

EVIDIQ MCP

Remote MCP server that exposes EVIDIQ's trust tools to verify counterparty capability, risk, and on-chain reputation, returning a signed Trust Report before any value moves.

moomoo-market-data-mcp

Provides read-only real-time market data, including snapshots, quotes, candlesticks, order book, tickers, and security search, from the Futu OpenAPI to MCP clients like Codex.

SimosMCP

MCP server for Simos 18.1 ECU tuning that reads, writes, diffs, and validates XDF/BIN files.

Remote MCP Server Authless

Enables deployment of MCP servers to Cloudflare Workers without authentication requirements. Allows users to create custom tools and connect them to MCP clients like Claude Desktop or Cloudflare AI Playground through remote URLs.

Sentry MCP

Um servidor remoto do Protocolo de Contexto de Modelo atuando como middleware para a API Sentry, permitindo que assistentes de IA como o Claude acessem dados e funcionalidades do Sentry através de interfaces de linguagem natural.

Byakugan: Private, open-source AI-text checker

A private, open-source AI-text checker. Get a read on whether text looks AI-written, the exact AI-tell spans to fix, a reuse check, and a grammar pass.

Stocker

Enables NSE stock market research with screening, quotes, peer comparison, watchlists, alerts, and strategies using natural language.

mcp-contradiction-check

Scans markdown vaults to detect contradictory claims (quantitative and negation) between notes with high concept overlap, and provides tools for analysis and reconciliation.

mcp-iconify

Enables searching for icons by keyword, retrieving SVG data and dimensions for specific icons, and browsing available icon collections through the Iconify public API.

Managed OPC UA MCP Server

A TypeScript MCP server that exposes OPC UA read access through server-side authorization and Operator-defined Semantic Controls for safe agent interaction.