Discover Awesome MCP Servers

ClickUp MCP Server

Permite integrações de IA com tarefas do ClickUp, oferecendo suporte ao gerenciamento de recursos, operações de tarefas, organização do espaço de trabalho e recomendações de tarefas com tecnologia de IA por meio de um protocolo padronizado.

Scryfall MCP Server

Permite a interação com a API Scryfall, permitindo que os usuários pesquisem detalhes de cartas de Magic: The Gathering, recuperem regras de cartas e acessem informações de preços usando o Protocolo de Contexto do Modelo.

Linear MCP Server

Permite a interação com recursos do Linear através de uma interface MCP, oferecendo funcionalidades para gerenciamento de issues e recuperação de recursos com suporte para limitação de taxa e tratamento de erros.

emqx-mcp-server

Uma implementação de servidor de Protocolo de Contexto de Modelo (MCP) que fornece interação com o broker MQTT EMQX.

mcp-server-birdstats

Okay, here's how you can cross-reference your BirdNET-Pi data with eBird observations using natural language, along with some considerations and potential approaches: **Understanding the Goal** The core idea is to compare what your BirdNET-Pi device *detected* with what human birders *observed* in the same area and time frame. This helps you: * **Validate BirdNET-Pi's Accuracy:** See how well the AI agrees with human observations. * **Identify Missed Detections:** Discover species present that BirdNET-Pi didn't pick up. * **Understand Local Bird Activity:** Gain a more complete picture of bird presence and behavior in your area. * **Improve BirdNET-Pi Setup:** Adjust settings or location based on discrepancies. **General Steps (Conceptual)** 1. **Data Extraction:** * **BirdNET-Pi Data:** Get the date, time, location (latitude/longitude), and species detections from your BirdNET-Pi logs. You'll likely need to parse the log files. * **eBird Data:** Use the eBird API (Application Programming Interface) or download eBird data for your region. You'll need an eBird account and API key. The data will include date, time, location, species, and observer information. 2. **Spatial and Temporal Filtering:** * **Define a Search Radius:** Determine how close an eBird observation needs to be to your BirdNET-Pi location to be considered a match (e.g., within 1 km, 5 km). * **Define a Time Window:** Determine how close in time an eBird observation needs to be to your BirdNET-Pi detection (e.g., within 1 hour, 1 day). 3. **Comparison and Analysis:** * **Match Detections:** For each BirdNET-Pi detection, find eBird observations within the defined radius and time window. * **Identify Agreements:** List species detected by both BirdNET-Pi and eBird. * **Identify Discrepancies:** * Species detected by BirdNET-Pi but *not* reported on eBird within the search area/timeframe. * Species reported on eBird but *not* detected by BirdNET-Pi within the search area/timeframe. 4. **Interpretation:** * Consider factors that might explain discrepancies: * **BirdNET-Pi Errors:** Misidentification by the AI. * **eBird Observer Skill:** Varying levels of expertise among eBird users. * **Bird Behavior:** Birds may be present but not vocalizing. * **Habitat Differences:** eBird observations might be in slightly different habitats than your BirdNET-Pi location. * **Rarity:** Rare birds might be missed by BirdNET-Pi. * **Detection Range:** BirdNET-Pi has a limited detection range. **Natural Language Examples (How you might phrase your queries/analysis)** Here are examples of how you might express your analysis in natural language: * "For all BirdNET-Pi detections on July 15, 2024, within a 1-kilometer radius of my device, compare the detected species to eBird checklists submitted on the same day." * "Show me all instances where BirdNET-Pi detected a Northern Cardinal, but no eBird checklist within 500 meters and 2 hours of that detection reported a Northern Cardinal." * "What species were reported on eBird within a 2-kilometer radius of my BirdNET-Pi location during the month of June that BirdNET-Pi never detected?" * "Calculate the percentage of times BirdNET-Pi and eBird agreed on the presence of American Robins within a 1-day window and a 5-kilometer radius." * "List the top 5 species most frequently detected by BirdNET-Pi that were *not* reported on eBird within a 1-kilometer radius and a 1-hour window." * "Analyze the correlation between the confidence score of BirdNET-Pi detections and the likelihood of those species being reported on eBird within a 5-kilometer radius." * "Identify any rare or unusual species detected by BirdNET-Pi that were not confirmed by eBird observations in the surrounding area within a week." **Technical Considerations** * **Programming:** You'll likely need to use a programming language like Python to automate this process. Python has libraries for: * Data manipulation (Pandas) * Spatial calculations (GeoPandas, Shapely) * API interaction (Requests) * Date/time handling (datetime) * **eBird API:** Familiarize yourself with the eBird API documentation. You'll need to register for an API key. Be mindful of API usage limits. * **Data Storage:** Consider storing your BirdNET-Pi data and eBird data in a database (e.g., SQLite, PostgreSQL) for easier querying and analysis. * **Geospatial Calculations:** Use appropriate geospatial functions to calculate distances between BirdNET-Pi locations and eBird observation points. Be aware of coordinate systems (latitude/longitude). * **Error Handling:** Implement robust error handling to deal with potential issues like API errors, missing data, or invalid data formats. **Example Python Snippet (Illustrative - Requires Adaptation)** ```python import pandas as pd import requests from datetime import datetime, timedelta from geopy.distance import geodesic # For calculating distances # --- Configuration --- BIRDNET_PI_LOG_FILE = "your_birdnet_pi_log.txt" # Replace with your log file EBIRD_API_KEY = "YOUR_EBIRD_API_KEY" # Replace with your eBird API key LATITUDE = 34.0522 # Replace with your BirdNET-Pi latitude LONGITUDE = -118.2437 # Replace with your BirdNET-Pi longitude SEARCH_RADIUS_KM = 1 # Search radius in kilometers TIME_WINDOW_HOURS = 2 # Time window in hours # --- Function to parse BirdNET-Pi log (Adapt to your log format) --- def parse_birdnet_log(log_file): # This is a placeholder - you'll need to adapt this to your log file format data = [] with open(log_file, 'r') as f: for line in f: if "Detected" in line: # Example: Adapt this to your log's structure try: date_str = line.split(" ")[0] # Example: Extract date time_str = line.split(" ")[1] # Example: Extract time species = line.split("Detected: ")[1].split(" ")[0] # Example: Extract species confidence = float(line.split("Confidence: ")[1].split(" ")[0]) # Example: Extract confidence datetime_obj = datetime.strptime(f"{date_str} {time_str}", "%Y-%m-%d %H:%M:%S") # Adapt format data.append({"datetime": datetime_obj, "species": species, "confidence": confidence}) except: pass return pd.DataFrame(data) # --- Function to fetch eBird data (Adapt to your needs) --- def get_ebird_data(latitude, longitude, date, api_key, radius=1): date_str = date.strftime("%Y-%m-%d") url = f"https://api.ebird.org/v2/data/obs/geo/recent?lat={latitude}&lng={longitude}&dist={radius}&back=1&fmt=json" # Example URL headers = {"X-eBirdAPIToken": api_key} response = requests.get(url, headers=headers) response.raise_for_status() # Raise HTTPError for bad responses (4xx or 5xx) return response.json() # --- Main Script --- birdnet_data = parse_birdnet_log(BIRDNET_PI_LOG_FILE) for index, row in birdnet_data.iterrows(): birdnet_datetime = row['datetime'] birdnet_species = row['species'] # Fetch eBird data for the same day try: ebird_data = get_ebird_data(LATITUDE, LONGITUDE, birdnet_datetime.date(), EBIRD_API_KEY, SEARCH_RADIUS_KM) except requests.exceptions.HTTPError as e: print(f"Error fetching eBird data: {e}") continue # Filter eBird data by time window matching_ebird_observations = [] for obs in ebird_data: obs_datetime = datetime.fromtimestamp(obs['obsDt']/1000) # Convert eBird timestamp to datetime time_difference = abs(birdnet_datetime - obs_datetime) if time_difference <= timedelta(hours=TIME_WINDOW_HOURS): matching_ebird_observations.append(obs['sciName']) # Use scientific name for comparison # Compare BirdNET-Pi and eBird if birdnet_species in matching_ebird_observations: print(f"BirdNET-Pi and eBird agree: {birdnet_species} detected on {birdnet_datetime}") else: print(f"BirdNET-Pi detected {birdnet_species} on {birdnet_datetime}, but not found on eBird within the search area/timeframe.") # You can add more analysis here, such as identifying species reported on eBird # that BirdNET-Pi missed. ``` **Important Notes:** * **Adapt the Code:** The Python code is a starting point. You *must* adapt it to your specific BirdNET-Pi log file format and your desired analysis. * **Error Handling:** The code includes basic error handling, but you should add more robust error handling for production use. * **API Limits:** Be aware of eBird API usage limits and implement strategies to avoid exceeding them (e.g., caching data). * **Data Quality:** Remember that both BirdNET-Pi and eBird data have limitations. Interpret the results with caution. * **Scientific Names:** Use scientific names for species comparisons to avoid ambiguity. You may need to map common names from BirdNET-Pi to scientific names. **Translation to Portuguese:** Here's a translation of the general steps and natural language examples: **Passos Gerais (Conceitual)** 1. **Extração de Dados:** * **Dados do BirdNET-Pi:** Obtenha a data, hora, localização (latitude/longitude) e as espécies detectadas dos seus logs do BirdNET-Pi. Provavelmente, você precisará analisar os arquivos de log. * **Dados do eBird:** Use a API do eBird (Interface de Programação de Aplicativos) ou baixe os dados do eBird para sua região. Você precisará de uma conta eBird e uma chave de API. Os dados incluirão data, hora, localização, espécies e informações do observador. 2. **Filtragem Espacial e Temporal:** * **Defina um Raio de Busca:** Determine a proximidade que uma observação do eBird precisa ter da sua localização do BirdNET-Pi para ser considerada uma correspondência (por exemplo, dentro de 1 km, 5 km). * **Defina uma Janela de Tempo:** Determine a proximidade no tempo que uma observação do eBird precisa ter da sua detecção do BirdNET-Pi (por exemplo, dentro de 1 hora, 1 dia). 3. **Comparação e Análise:** * **Combine Detecções:** Para cada detecção do BirdNET-Pi, encontre observações do eBird dentro do raio e janela de tempo definidos. * **Identifique Concordâncias:** Liste as espécies detectadas tanto pelo BirdNET-Pi quanto pelo eBird. * **Identifique Discrepâncias:** * Espécies detectadas pelo BirdNET-Pi, mas *não* relatadas no eBird dentro da área/período de busca. * Espécies relatadas no eBird, mas *não* detectadas pelo BirdNET-Pi dentro da área/período de busca. 4. **Interpretação:** * Considere fatores que podem explicar as discrepâncias: * **Erros do BirdNET-Pi:** Identificação incorreta pela IA. * **Habilidade do Observador do eBird:** Níveis variados de experiência entre os usuários do eBird. * **Comportamento das Aves:** As aves podem estar presentes, mas não vocalizando. * **Diferenças de Habitat:** As observações do eBird podem estar em habitats ligeiramente diferentes da sua localização do BirdNET-Pi. * **Raridade:** Aves raras podem não ser detectadas pelo BirdNET-Pi. * **Alcance de Detecção:** O BirdNET-Pi tem um alcance de detecção limitado. **Exemplos de Linguagem Natural (Como você poderia formular suas consultas/análises)** Aqui estão exemplos de como você poderia expressar sua análise em linguagem natural: * "Para todas as detecções do BirdNET-Pi em 15 de julho de 2024, dentro de um raio de 1 quilômetro do meu dispositivo, compare as espécies detectadas com as listas de verificação do eBird enviadas no mesmo dia." * "Mostre-me todas as instâncias em que o BirdNET-Pi detectou um Cardeal-do-norte, mas nenhuma lista de verificação do eBird dentro de 500 metros e 2 horas dessa detecção relatou um Cardeal-do-norte." * "Quais espécies foram relatadas no eBird dentro de um raio de 2 quilômetros da minha localização do BirdNET-Pi durante o mês de junho que o BirdNET-Pi nunca detectou?" * "Calcule a porcentagem de vezes que o BirdNET-Pi e o eBird concordaram com a presença de Tordos-americanos dentro de uma janela de 1 dia e um raio de 5 quilômetros." * "Liste as 5 principais espécies mais frequentemente detectadas pelo BirdNET-Pi que *não* foram relatadas no eBird dentro de um raio de 1 quilômetro e uma janela de 1 hora." * "Analise a correlação entre a pontuação de confiança das detecções do BirdNET-Pi e a probabilidade de essas espécies serem relatadas no eBird dentro de um raio de 5 quilômetros." * "Identifique quaisquer espécies raras ou incomuns detectadas pelo BirdNET-Pi que não foram confirmadas por observações do eBird na área circundante dentro de uma semana." Remember to adapt the code and analysis to your specific needs and data. Good luck!

PDF Reader MCP Server

Fornece ferramentas para ler e extrair texto de arquivos PDF, com suporte tanto para arquivos locais quanto para URLs.

mcp-github

Servidor MCP do GitHub da Anthropic, só que melhor. Suporte para mais endpoints. Incluindo lançamentos e tags, revisões de pull requests, status, limite de taxa, gists, projetos, pacotes e até mesmo diffs de pull requests. Destinado a ser usado com a API MCP da MissionSquad para gerenciamento de segredos (ou seja, seu token de acesso).

World Bank MCP Server

Permite que assistentes de IA interajam com a API de dados abertos do Banco Mundial, possibilitando a listagem e análise de indicadores em todos os países disponíveis.

Linear MCP Server

Fornece uma interface de Protocolo de Contexto de Modelo para acessar o sistema de rastreamento de problemas do Linear, permitindo que os usuários consultem e pesquisem problemas com segurança de tipo TypeScript e tratamento de erros robusto.

MCP Server Firecrawl

Um servidor que oferece recursos de web scraping e busca inteligente de conteúdo usando a API Firecrawl, permitindo que agentes de IA extraiam dados estruturados de sites e realizem buscas de conteúdo.

MongoDB Lens

Servidor MCP completo para análise de banco de dados MongoDB.

MCP Email Server

Fornece capacidades IMAP e SMTP, permitindo que desenvolvedores gerenciem serviços de e-mail com integração perfeita e fluxos de trabalho automatizados.

Gemini Thinking Server

Uma implementação de servidor MCP que utiliza a API Gemini do Google para fornecer capacidades analíticas de resolução de problemas através de etapas de raciocínio sequenciais, sem geração de código.

Image Generation MCP Server

Um servidor de Protocolo de Contexto de Modelo que permite a geração de imagens de alta qualidade usando o modelo Flux.1 Schnell via Together AI com parâmetros personalizáveis.

MCP Server for Spinnaker

Uma implementação de servidor do Protocolo de Contexto de Modelo que permite que modelos de IA interajam e gerenciem implantações, pipelines e aplicações Spinnaker através de uma interface padronizada.

Netskope MCP Server

Fornece ferramentas para gerenciar a infraestrutura, as políticas e as configurações de direcionamento do Netskope por meio do Protocolo de Contexto de Modelo.

GitHub Mapper MCP Server

Fornece ferramentas para mapear e analisar repositórios do GitHub. Permite que os usuários definam um Token de Acesso Pessoal do GitHub e recuperem informações detalhadas sobre um repositório específico, incluindo sua estrutura e estatísticas resumidas.

omniparser-autogui-mcp

Operação automática da GUI na tela.

olostep-mcp

Pesquisando no Google, sites individuais e extraindo o conteúdo deles. Rápido e econômico. ⚡️

MCP Google Custom Search Server

Um servidor de Protocolo de Contexto de Modelo que permite que LLMs realizem pesquisas na web usando a API de Pesquisa Personalizada do Google através de uma interface padronizada.

Microsoft SQL Server MCP Server (MSSQL)

Uma ponte fácil de usar que permite que assistentes de IA como Claude e Cursor IDE consultem e explorem diretamente bancos de dados Microsoft SQL Server. Não é necessária experiência em programação!

DICOM MCP Server

A connectivity testing server that enables DICOM network operations (like C-ECHO) through Claude's Model Context Protocol, with support for node configuration management.

AWS Cost Explorer MCP Server

Uma interface de linha de comando e API que permite aos usuários analisar e visualizar dados de gastos na nuvem AWS, permitindo que o Claude consulte o AWS Cost Explorer por meio de conversas em linguagem natural.

UniProt MCP Server

Permite que assistentes de IA acessem informações de proteínas diretamente do UniProt, possibilitando a recuperação de nomes de proteínas, funções, sequências e dados de organismos por número de acesso.

Crypto_MCP

A Model Context Protocol server for AES encryption and decryption, supporting various modes, padding, and input/output formats for secure data handling.

Farcaster MCP Server

Fornece ferramentas para interagir com a rede Farcaster, permitindo que modelos de IA busquem casts, pesquisem canais e analisem conteúdo.

Rust Docs MCP Server

Um servidor MCP que fornece ferramentas de IA com acesso à documentação Rust do docs.rs, permitindo a busca por crates, documentação, informações de tipo, flags de recursos, informações de versão e código fonte.

MongoDB MCP Server for LLMs

Um servidor de Protocolo de Contexto de Modelo que permite que LLMs interajam diretamente com bancos de dados MongoDB, permitindo que os usuários consultem coleções, inspecionem esquemas e gerenciem dados por meio de linguagem natural.

splunk-mcp

Uma ferramenta baseada em FastMCP para interagir com o Splunk Enterprise/Cloud através de linguagem natural. Esta ferramenta oferece um conjunto de capacidades para pesquisar dados do Splunk, gerenciar KV stores e acessar recursos do Splunk.

ClickHouse MCP Server

Um servidor de Protocolo de Contexto de Modelo que permite que Grandes Modelos de Linguagem interajam perfeitamente com bancos de dados ClickHouse, suportando listagem de recursos, recuperação de esquema e execução de consultas.