Discover Awesome MCP Servers

mcp-apple-notes

MCP server for Apple Notes with semantic search (on-device embeddings via all-MiniLM-L6-v2), full-text search, complete CRUD operations, folder management, and fuzzy title matching. 10 tools. Runs fully locally on macOS — no API keys required.

Documentation Generator MCP Server

Enables AI assistants to generate professional documentation using structured templates based on the POWER framework. Provides access to standardized templates for README, architecture, API, components, and schema documentation.

ashare-mcp

Production-grade MCP server for Chinese A-share market data, offering 30 tools including real-time quotes, K-lines, fund flows, and financial reports, with stdio and HTTP transport support.

GullakAI MCP Server

Enables personal finance management through conversational AI, including expense tracking, budget monitoring, financial news simplification, and purchasing power comparisons across South Asian cities. Designed for WhatsApp integration with natural language commands for financial assistance.

Scanpy MCP server

Servidor MCP para Scanpy

SeedreamMCP

ByteDance Seedream AI image generation and editing (style transfer, background change, virtual try-on) with multiple models, multi-resolution up to 4K, and streaming delivery.

uni-kb

Enables parsing, indexing, and querying source code as structured knowledge, providing code exploration, spec generation, and migration tools via 20 MCP tools.

podcastindex-mcp

MCP server for the Podcast Index API — search podcasts, track appearances, monitor trending shows, check feed health

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!

common_mcp

Provides system information through a single tool that returns platform details, Node version, architecture, current time, and uptime. Optionally includes hostname when specified in the request.

az-devops-cli-mcp

Azure DevOps MCP tools for Claude Code and Codex CLI, enabling interaction with boards, work items, repos, and pull requests via natural language.

Python MCP Server Examples

A collection of Python-based Model Context Protocol servers that extend AI assistant capabilities with tools for calculations, AWS services (S3 and RDS), and PostgreSQL database operations.

ultramem-mcp

Give any MCP client durable, cross-session memory by exposing an UltraMem deployment's memory layer.

Property MCP Server

Connects Claude AI to real estate data via the ATTOM Data API, enabling property information lookup and analysis using natural language queries.

markdown-mcp

Splits Markdown documents into hierarchical sections with parent-child and sibling relationships, enabling structured document access for AI assistants.

iTerm MCP

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

modelroute

Enables AI agents to scan code for TODO, FIXME, XXX issues via MCP, providing prioritized findings in table, JSON, or SARIF format.

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.

clio-mcp

An MCP server for Clio Manage legal practice management software that enables Claude and other MCP clients to read and write Clio data including contacts, matters, and activities directly from chat.

KnowAir Weather MCP Server

Provides real-time weather, air quality, forecasts, and astronomical information via Caiyun Weather API.

Tencent Cloud COS MCP Server

A server based on MCP protocol that allows large language models to directly access Tencent Cloud Object Storage (COS) and Cloud Infinite (CI) services without coding, enabling file storage, retrieval, and processing operations.

MCP Excel Workbook Processor

An MCP server for GitHub Copilot that enables reading and processing Excel workbooks (.xlsx) via Docker Compose. Users can extract data from entire workbooks or specific sheets by name or index, returning the information in JSON format.

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.

MCP 学习项目⚡

Aprendizagem individual de MCP

Keyword Research Tool MCP Server

Provides comprehensive SEO analysis by crawling websites and generating AI-powered keyword insights, search volume data, and competitor strategies. It delivers detailed reports on keyword clusters and commercial intent to help optimize digital marketing workflows.

OHMS

Exposes Shopify order and inventory management tools via MCP, allowing agents to fetch, update, and print orders without exposing raw Shopify credentials.

cocos_mcp

Enables AI assistants to control Cocos Creator game development directly within the engine, providing tools for node manipulation, asset management, scene operations, and AI-powered image generation.

render_mcp

A guide to deploy a remote MCP server on Render.com and connect it to Anthropic and OpenAI agents, enabling cloud-hosted tool access for AI models.

jp-pint-mcp

jp-pint-mcp

Appointment Manager MCP Server

Enables users to manage appointments through a FastAPI backend with PostgreSQL database. Supports creating, listing, updating, and deleting appointments via natural language interactions through Claude.