Discover Awesome MCP Servers

Google Search Engine MCP Server

Enables Google search queries and webpage content extraction through an MCP server deployed on Cloudflare Workers. Supports single and batch webpage content extraction with integrated OAuth authentication.

ctxray

Context intelligence for AI coding sessions. 7 MCP tools to score, compare, compress, build, and scan prompts across 9 AI tools. Rule-based, <5ms/prompt, all analysis runs locally.

RAG Documentation

Một triển khai máy chủ MCP cung cấp các công cụ để truy xuất và xử lý tài liệu thông qua tìm kiếm vector, cho phép các trợ lý AI tăng cường phản hồi của chúng bằng ngữ cảnh tài liệu liên quan.

MCP-ShellJS

Một máy chủ MCP an toàn cung cấp quyền truy cập ShellJS được kiểm soát cho LLM, cho phép các hệ thống AI thực thi an toàn các lệnh shell và tương tác với hệ thống tệp trong một sandbox bảo mật có thể cấu hình.

MCP Visual Language

Enables intelligent image analysis using GLM-4.5V model, specializing in extracting and analyzing code from screenshots with support for file paths and clipboard input.

MCP Docs RAG Server

Một máy chủ TypeScript MCP cho phép truy vấn tài liệu bằng LLM với ngữ cảnh từ các kho lưu trữ và tệp văn bản được lưu trữ cục bộ thông qua hệ thống RAG (Tạo sinh tăng cường truy xuất).

KnowledgeBaseMCP

Enables AI assistants to extract and analyze text content from various document formats (PDF, DOCX, PPTX, XLSX) in local knowledge bases, and create new formatted Word and Excel documents with structured data and reports.

gapup-mcp

100+ agent-payable C-suite expertises with x402 micro-payments — competitive intel, SEC filings, sanctions, KYC, clinical evidence, real estate, ESG. 183 tools, free tier 100 calls/month.

trace-mcp

Framework-aware code intelligence MCP server that builds a cross-language dependency graph from source code. 53 integrations (Laravel, Django, Rails, Spring, NestJS, Next.js, and more) across 68 languages. 100+ tools for navigation, impact analysis, refactoring, security scanning, session memory, and CI/PR reports — up to 97% token reduction.

IBM ODM Decision MCP Server

Bridges IBM Operational Decision Manager with AI assistants, enabling decisions as tools for integration with platforms like Watson Orchestrate and Claude Desktop.

mcp-mdns

MCP server that exposes mDNS service discovery functionality via the Model Context Protocol, enabling LLMs to discover and query zero-configuration network services on the local network.

arXiv MCP Server

Enables searching and retrieving academic papers from arXiv with support for advanced filtering by author, category, and date, plus full paper content extraction.

Basic MCP Server

A basic TypeScript implementation of the Model Context Protocol (MCP) server designed as a starting point for MCP development. Provides a minimal foundation for building custom MCP servers with stdio configuration for local integration with VS Code and GitHub Copilot.

MCP Server for Apache Gravitino

A FastMCP integration server that provides access to Apache Gravitino metadata management APIs, allowing users to manage catalog/schema/table metadata, tags, and user-role information through a structured interface.

CoolPC MCP Server

A Model Context Protocol server that enables Claude Desktop to query and analyze Taiwan CoolPC computer component prices, helping users generate custom PC quotes through AI assistance.

MCP Multi-Context Hook Generator

Automatically generates typed React hooks for Next.js projects by crawling API routes, GraphQL queries, and components. Analyzes pages to suggest optimal render modes (SSR/CSR/ISR) and produces comprehensive documentation with AI-powered guidance.

Nostr MCP Server

Gương của

SQLite Database Demo

Dưới đây là một số ví dụ về cách xây dựng máy chủ, máy khách và kiểm thử trong ngữ cảnh giao thức mô hình (Model Context Protocol - MCP). Vì MCP là một khái niệm chung, các ví dụ này sẽ tập trung vào các nguyên tắc cốt lõi và có thể cần được điều chỉnh cho phù hợp với triển khai MCP cụ thể của bạn. **Lưu ý quan trọng:** "Giao thức mô hình ngữ cảnh" (Model Context Protocol) là một thuật ngữ khá chung chung. Để cung cấp các ví dụ cụ thể hơn, vui lòng cung cấp thêm thông tin về: * **Mục đích của MCP:** Nó được sử dụng để làm gì? (Ví dụ: giao tiếp giữa các thành phần trong một hệ thống, giao tiếp giữa các dịch vụ, v.v.) * **Định dạng dữ liệu:** Dữ liệu được trao đổi có định dạng gì? (Ví dụ: JSON, Protobuf, XML, v.v.) * **Giao thức truyền tải:** Dữ liệu được truyền tải qua giao thức nào? (Ví dụ: TCP, HTTP, gRPC, v.v.) **Ví dụ 1: MCP sử dụng JSON qua HTTP (ví dụ đơn giản)** Giả sử chúng ta có một MCP đơn giản để lấy thông tin người dùng. * **Mô hình:** * `User`: `{ "id": int, "name": string, "email": string }` * **Ngữ cảnh:** ID của người dùng cần lấy. * **Giao thức:** HTTP với JSON. **1. Máy chủ (Python với Flask):** ```python from flask import Flask, request, jsonify app = Flask(__name__) # Giả sử chúng ta có một cơ sở dữ liệu người dùng users = { 1: {"id": 1, "name": "Alice", "email": "alice@example.com"}, 2: {"id": 2, "name": "Bob", "email": "bob@example.com"}, } @app.route("/users/<int:user_id>", methods=['GET']) def get_user(user_id): if user_id in users: return jsonify(users[user_id]) else: return jsonify({"error": "User not found"}), 404 if __name__ == '__main__': app.run(debug=True) ``` **Giải thích:** * Máy chủ sử dụng Flask để tạo một API HTTP. * Endpoint `/users/<user_id>` nhận ID người dùng làm tham số URL (ngữ cảnh). * Nó tìm kiếm người dùng trong cơ sở dữ liệu (giả định). * Trả về thông tin người dùng dưới dạng JSON hoặc thông báo lỗi nếu không tìm thấy. **2. Máy khách (Python với Requests):** ```python import requests def get_user(user_id): url = f"http://localhost:5000/users/{user_id}" response = requests.get(url) if response.status_code == 200: return response.json() else: print(f"Error: {response.status_code} - {response.text}") return None if __name__ == '__main__': user = get_user(1) if user: print(user) user = get_user(99) # User không tồn tại if user: print(user) ``` **Giải thích:** * Máy khách sử dụng thư viện `requests` để gửi yêu cầu HTTP. * Hàm `get_user` xây dựng URL với ID người dùng (ngữ cảnh). * Nó gửi một yêu cầu GET đến máy chủ. * Xử lý phản hồi và trả về dữ liệu người dùng hoặc in thông báo lỗi. **3. Kiểm thử (Python với pytest):** ```python import pytest import requests BASE_URL = "http://localhost:5000" def test_get_existing_user(): response = requests.get(f"{BASE_URL}/users/1") assert response.status_code == 200 data = response.json() assert data["id"] == 1 assert data["name"] == "Alice" def test_get_non_existing_user(): response = requests.get(f"{BASE_URL}/users/99") assert response.status_code == 404 data = response.json() assert data["error"] == "User not found" ``` **Giải thích:** * Sử dụng `pytest` để viết các bài kiểm tra. * `test_get_existing_user` kiểm tra việc lấy một người dùng hiện có. * `test_get_non_existing_user` kiểm tra việc lấy một người dùng không tồn tại. * Các bài kiểm tra xác minh mã trạng thái HTTP và nội dung phản hồi. **Ví dụ 2: MCP sử dụng Protobuf qua gRPC (ví dụ phức tạp hơn)** Giả sử chúng ta có một MCP để quản lý sản phẩm. * **Mô hình:** Được định nghĩa trong file `.proto` (xem bên dưới). * **Ngữ cảnh:** ID của sản phẩm. * **Giao thức:** gRPC với Protobuf. **1. Định nghĩa Protobuf (product.proto):** ```protobuf syntax = "proto3"; package product; service ProductService { rpc GetProduct (GetProductRequest) returns (Product); } message GetProductRequest { int32 product_id = 1; } message Product { int32 id = 1; string name = 2; float price = 3; } ``` **2. Máy chủ (Python với gRPC):** ```python import grpc from concurrent import futures import product_pb2 import product_pb2_grpc class ProductService(product_pb2_grpc.ProductServiceServicer): def GetProduct(self, request, context): product_id = request.product_id # Giả sử chúng ta có một cơ sở dữ liệu sản phẩm products = { 1: product_pb2.Product(id=1, name="Laptop", price=1200.0), 2: product_pb2.Product(id=2, name="Mouse", price=25.0), } if product_id in products: return products[product_id] else: context.abort(grpc.StatusCode.NOT_FOUND, "Product not found") def serve(): server = grpc.server(futures.ThreadPoolExecutor(max_workers=10)) product_pb2_grpc.add_ProductServiceServicer_to_server(ProductService(), server) server.add_insecure_port('[::]:50051') server.start() server.wait_for_termination() if __name__ == '__main__': serve() ``` **3. Máy khách (Python với gRPC):** ```python import grpc import product_pb2 import product_pb2_grpc def get_product(product_id): with grpc.insecure_channel('localhost:50051') as channel: stub = product_pb2_grpc.ProductServiceStub(channel) request = product_pb2.GetProductRequest(product_id=product_id) try: response = stub.GetProduct(request) return response except grpc.RpcError as e: print(f"Error: {e.code()} - {e.details()}") return None if __name__ == '__main__': product = get_product(1) if product: print(product) product = get_product(99) # Product không tồn tại if product: print(product) ``` **4. Kiểm thử (Python với pytest):** ```python import pytest import grpc import product_pb2 import product_pb2_grpc from concurrent import futures # Khởi tạo một máy chủ gRPC cho mục đích kiểm thử @pytest.fixture(scope="module") def grpc_server(): server = grpc.server(futures.ThreadPoolExecutor(max_workers=1)) product_pb2_grpc.add_ProductServiceServicer_to_server(MockProductService(), server) server.add_insecure_port('[::]:50052') server.start() yield server server.stop(0) # Mock ProductService để kiểm thử class MockProductService(product_pb2_grpc.ProductServiceServicer): def GetProduct(self, request, context): if request.product_id == 1: return product_pb2.Product(id=1, name="Laptop", price=1200.0) else: context.abort(grpc.StatusCode.NOT_FOUND, "Product not found") # Fixture để tạo một stub gRPC @pytest.fixture(scope="module") def grpc_stub(grpc_server): with grpc.insecure_channel('localhost:50052') as channel: yield product_pb2_grpc.ProductServiceStub(channel) def test_get_existing_product(grpc_stub): request = product_pb2.GetProductRequest(product_id=1) response = grpc_stub.GetProduct(request) assert response.id == 1 assert response.name == "Laptop" def test_get_non_existing_product(grpc_stub): request = product_pb2.GetProductRequest(product_id=99) with pytest.raises(grpc.RpcError) as e: grpc_stub.GetProduct(request) assert e.value.code() == grpc.StatusCode.NOT_FOUND ``` **Giải thích:** * **Protobuf:** Định nghĩa cấu trúc dữ liệu và dịch vụ. * **Máy chủ:** Triển khai dịch vụ gRPC, xử lý yêu cầu và trả về phản hồi. * **Máy khách:** Gửi yêu cầu gRPC đến máy chủ và xử lý phản hồi. * **Kiểm thử:** Sử dụng `pytest` và `grpc` để kiểm tra các trường hợp khác nhau, bao gồm cả trường hợp thành công và trường hợp lỗi. Sử dụng một `MockProductService` để cô lập các bài kiểm tra và tránh phụ thuộc vào một cơ sở dữ liệu thực. **Các điểm quan trọng khi xây dựng máy chủ, máy khách và kiểm thử với MCP:** * **Định nghĩa rõ ràng mô hình dữ liệu:** Sử dụng Protobuf, JSON Schema, hoặc các công cụ tương tự để định nghĩa cấu trúc dữ liệu. * **Xác định ngữ cảnh:** Xác định rõ ràng thông tin ngữ cảnh cần thiết cho mỗi yêu cầu. * **Xử lý lỗi:** Xử lý các trường hợp lỗi một cách thích hợp ở cả máy chủ và máy khách. * **Viết các bài kiểm tra:** Viết các bài kiểm tra đơn vị và tích hợp để đảm bảo tính chính xác và độ tin cậy của hệ thống. * **Sử dụng mocking:** Sử dụng mocking trong các bài kiểm tra để cô lập các thành phần và kiểm tra các trường hợp khác nhau. * **Logging:** Thêm logging để giúp gỡ lỗi và theo dõi hiệu suất. **Tóm lại:** Các ví dụ trên minh họa cách xây dựng máy chủ, máy khách và kiểm thử trong ngữ cảnh giao thức mô hình. Hãy nhớ điều chỉnh các ví dụ này cho phù hợp với yêu cầu cụ thể của bạn. Việc xác định rõ ràng mô hình dữ liệu, ngữ cảnh và giao thức là rất quan trọng để xây dựng một hệ thống MCP mạnh mẽ và dễ bảo trì. Hãy cung cấp thêm thông tin về MCP cụ thể của bạn để tôi có thể cung cấp các ví dụ phù hợp hơn.

JSON-RPC クライアントツール

Đây chỉ là một dự án cá nhân, để bạn tham khảo.

MCP Chat

A command-line interface application that enables interactive chat with AI models through the Anthropic API, supporting document retrieval, command-based prompts, and extensible tool integrations.

music-mcp-server

A music MCP server that enables searching and playing songs with controls like play, pause, stop, and resume.

Agent Ready

Agent Ready is an AI agent readability scanner — point it at any public URL and get back a 0–100 score plus per-check remediation hints for every failing check. This package wraps the same engine that powers agent-ready.dev as an MCP server, so Claude Desktop, Claude Code, Cursor, Cline, VS Code, and Windsurf can run scans inline and explain the results.

eip-mcp

Gives AI assistants access to the Exploit Intelligence Platform for vulnerability and exploit intelligence. Supports searching CVEs, exploits, and generating pentest findings.

Insights Knowledge Base MCP Server

A free, plug-and-play knowledge base server that provides access to 10,000+ insight reports with secure local data storage.

Web Research Assistant

Comprehensive web research toolkit with 13 tools for searching (via SearXNG), crawling, package discovery, GitHub metrics, error translation, API documentation lookup, data extraction, technology comparison, and service status checking.

GPT Image MCP Server

An MCP server for image generation, editing, and analysis using OpenAI's gpt-image-1 model, with specialized templates for YouTube thumbnails, blog headers, social media, and more.

yahoo-finance-mcp

MCP server for Thai SET/MAI stock data via Yahoo Finance API, enabling stock scanning, quotes, history, and financial statements.

Rhombus MCP Server

Enables AI assistants to interact with Rhombus physical security systems, providing access to smart cameras, access control, IoT sensors, and alarm monitoring through the Rhombus API.

nextmove-mcp

Analyzes your repository and suggests the next tasks to work on, presented as numbered options with context, enabling immediate action.