Discover Awesome MCP Servers

mcp_agent

公开的 Minecraft 服务器

Hello World MCP Server

好的，这是将 "Typescript starter for MCP server with resource, prompt and tool" 翻译成中文的几种选择，根据不同的侧重点，可以选择最合适的： **选项 1 (偏技术，简洁):** * **用于 MCP 服务器的 TypeScript 启动器，包含资源、提示和工具** **选项 2 (更详细，更易理解):** * **一个用于 MCP 服务器的 TypeScript 启动项目，预置了资源文件、提示信息和开发工具** **选项 3 (强调快速开始):** * **基于 TypeScript 的 MCP 服务器快速启动模板，集成了资源、提示和工具** **解释:** * **MCP Server:** 通常指 Minecraft Protocol Server，即 Minecraft 服务器。 * **Starter:** 启动器，启动项目，模板，都是指一个预先配置好的项目，方便开发者快速开始。 * **Resource:** 资源，通常指图片、模型、配置文件等。 * **Prompt:** 提示，通常指用户界面上的提示信息，或者命令行中的提示。 * **Tool:** 工具，通常指开发工具，例如构建工具、调试工具等。 **推荐使用选项 1，因为它简洁明了，并且包含了所有关键信息。**

Ip Mcp Server

一个 IP MCP 服务器。 (Yī gè IP MCP fúwùqì.)

YouTube Transcript API

一个 MCP 服务器可以帮助转录 YouTube 视频。 (Yī gè MCP fúwùqì kěyǐ bāngzhù zhuǎnlù YouTube shìpín.)

Model Context Protocol Server

使用 FastAPI 实现的模型上下文协议服务器： ```python from fastapi import FastAPI, Request, HTTPException from pydantic import BaseModel from typing import Dict, Any, Optional app = FastAPI() # 定义请求和响应模型 class ContextRequest(BaseModel): model_id: str context: Dict[str, Any] request_id: Optional[str] = None # 可选的请求 ID，用于跟踪 class ContextResponse(BaseModel): model_id: str context: Dict[str, Any] request_id: Optional[str] = None # 响应中返回请求 ID # 模拟的模型上下文存储 model_contexts: Dict[str, Dict[str, Any]] = {} @app.post("/context") async def update_context(request: ContextRequest) -> ContextResponse: """ 更新指定模型的上下文。 Args: request: 包含模型 ID 和上下文数据的 ContextRequest 对象。 Returns: 包含更新后的模型 ID 和上下文数据的 ContextResponse 对象。 """ model_id = request.model_id context = request.context request_id = request.request_id # 检查模型 ID 是否存在 if model_id not in model_contexts: model_contexts[model_id] = {} # 更新上下文 model_contexts[model_id].update(context) # 构建响应 response = ContextResponse(model_id=model_id, context=model_contexts[model_id], request_id=request_id) return response @app.get("/context/{model_id}") async def get_context(model_id: str) -> Dict[str, Any]: """ 获取指定模型的上下文。 Args: model_id: 要获取上下文的模型 ID。 Returns: 指定模型的上下文数据。 Raises: HTTPException: 如果模型 ID 不存在。 """ if model_id not in model_contexts: raise HTTPException(status_code=404, detail=f"Model ID '{model_id}' not found") return model_contexts[model_id] @app.delete("/context/{model_id}") async def delete_context(model_id: str) -> Dict[str, str]: """ 删除指定模型的上下文。 Args: model_id: 要删除上下文的模型 ID。 Returns: 一个包含删除结果的消息。 Raises: HTTPException: 如果模型 ID 不存在。 """ if model_id not in model_contexts: raise HTTPException(status_code=404, detail=f"Model ID '{model_id}' not found") del model_contexts[model_id] return {"message": f"Context for model ID '{model_id}' deleted successfully."} if __name__ == "__main__": import uvicorn uvicorn.run(app, host="0.0.0.0", port=8000) ``` **代码解释:** * **`from fastapi import FastAPI, Request, HTTPException`**: 导入 FastAPI 及其相关模块。 * **`from pydantic import BaseModel`**: 导入 Pydantic 的 `BaseModel` 用于定义数据模型。 * **`from typing import Dict, Any, Optional`**: 导入类型提示，提高代码可读性。 * **`app = FastAPI()`**: 创建 FastAPI 应用实例。 * **`ContextRequest` 和 `ContextResponse`**: 使用 Pydantic 定义请求和响应的数据模型。 `ContextRequest` 包含 `model_id` (模型 ID), `context` (上下文数据，一个字典), 和可选的 `request_id`。 `ContextResponse` 包含相同的信息，用于返回更新后的上下文。 * **`model_contexts: Dict[str, Dict[str, Any]] = {}`**: 一个字典，用于存储模型上下文。 键是 `model_id` (字符串)，值是另一个字典，表示该模型的上下文数据。 这只是一个内存中的存储，在实际应用中，你可能需要使用数据库或其他持久化存储。 * **`@app.post("/context")`**: 定义一个 POST 路由，用于更新模型的上下文。 * `async def update_context(request: ContextRequest) -> ContextResponse:`: 定义异步函数 `update_context`，它接收一个 `ContextRequest` 对象作为参数，并返回一个 `ContextResponse` 对象。 * 函数首先从请求中提取 `model_id` 和 `context`。 * 然后，它检查 `model_id` 是否已经存在于 `model_contexts` 中。如果不存在，则创建一个新的条目。 * 接下来，它使用 `update()` 方法将请求中的 `context` 合并到现有的模型上下文中。 * 最后，它创建一个 `ContextResponse` 对象并返回。 * **`@app.get("/context/{model_id}")`**: 定义一个 GET 路由，用于获取指定模型的上下文。 * `async def get_context(model_id: str) -> Dict[str, Any]:`: 定义异步函数 `get_context`，它接收一个 `model_id` 作为参数，并返回一个字典，表示该模型的上下文数据。 * 函数首先检查 `model_id` 是否存在于 `model_contexts` 中。如果不存在，则抛出一个 `HTTPException`，状态码为 404 (Not Found)。 * 如果 `model_id` 存在，则返回 `model_contexts[model_id]`。 * **`@app.delete("/context/{model_id}")`**: 定义一个 DELETE 路由，用于删除指定模型的上下文。 * `async def delete_context(model_id: str) -> Dict[str, str]:`: 定义异步函数 `delete_context`，它接收一个 `model_id` 作为参数，并返回一个字典，包含删除结果的消息。 * 函数首先检查 `model_id` 是否存在于 `model_contexts` 中。如果不存在，则抛出一个 `HTTPException`，状态码为 404 (Not Found)。 * 如果 `model_id` 存在，则使用 `del model_contexts[model_id]` 删除该模型的上下文。 * 最后，返回一个包含成功消息的字典。 * **`if __name__ == "__main__":`**: 确保代码只在直接运行脚本时执行，而不是作为模块导入时执行。 * **`uvicorn.run(app, host="0.0.0.0", port=8000)`**: 使用 Uvicorn 启动 FastAPI 应用。 `host="0.0.0.0"` 表示监听所有网络接口，`port=8000` 表示监听 8000 端口。 **如何运行:** 1. **安装 FastAPI 和 Uvicorn:** ```bash pip install fastapi uvicorn ``` 2. **保存代码:** 将代码保存为 `main.py` (或其他你喜欢的名字)。 3. **运行应用:** ```bash python main.py ``` 或者，如果你安装了 `uvicorn` 作为全局命令： ```bash uvicorn main:app --reload ``` `--reload` 标志会在代码更改时自动重新加载服务器，方便开发。 **如何使用:** 你可以使用 `curl` 或任何 HTTP 客户端来与服务器交互。 * **更新上下文 (POST):** ```bash curl -X POST -H "Content-Type: application/json" -d '{"model_id": "my_model", "context": {"key1": "value1", "key2": 123}, "request_id": "req123"}' http://localhost:8000/context ``` * **获取上下文 (GET):** ```bash curl http://localhost:8000/context/my_model ``` * **删除上下文 (DELETE):** ```bash curl -X DELETE http://localhost:8000/context/my_model ``` **重要注意事项:** * **错误处理:** 代码包含基本的错误处理 (例如，检查模型 ID 是否存在)。 在实际应用中，你需要更完善的错误处理机制，例如记录错误日志、返回更详细的错误信息等。 * **安全性:** 此代码没有包含任何安全措施。 在生产环境中，你需要添加身份验证、授权、输入验证等安全措施。 * **持久化存储:** 此代码使用内存中的字典来存储模型上下文。 这意味着，当服务器重启时，所有上下文数据都会丢失。 在实际应用中，你需要使用数据库或其他持久化存储来保存上下文数据。 常见的选择包括 Redis、PostgreSQL、MongoDB 等。 * **并发:** FastAPI 是一个异步框架，可以处理并发请求。 但是，如果你的模型上下文存储是线程不安全的，你需要采取措施来保护它，例如使用锁。 * **模型集成:** 此代码只是一个模型上下文协议服务器的框架。 你需要将其与你的实际模型集成。 这可能涉及到加载模型、调用模型进行推理、以及将模型的结果存储到上下文中。 * **数据验证:** 你可以使用 Pydantic 的验证功能来确保上下文数据符合预期的格式和类型。 This provides a basic implementation of a Model Context Protocol server using FastAPI. Remember to adapt it to your specific needs and consider the important notes above for production deployments.

mcp-github-server

使用 GitHub API 实现模型上下文协议服务器。

ChEMBL-MCP-Server

🔍 通过简单的 MCP 接口，使 AI 助手能够搜索、访问和分析 ChEMBL。

duckduckgo-web-search MCP Server

DuckDuckGo Web Search MCP Server - 一个简单的网页搜索实现，用于 Claude Desktop，使用 DuckDuckGo API。

Mcp Ffmpeg

模型上下文协议服务器，旨在帮助大型语言模型解码、编码、转码、复用、解复用、流式传输、过滤和播放几乎所有人类和机器创造的内容。

Laravel Artisan MCP Server

一个模型上下文协议 (MCP) 服务器，它允许通过 Claude 和其他 MCP 客户端安全地执行 Laravel Artisan 命令。

MCPE Alpha Server for Pterodactyl

使用 Pterodactyl 面板的 MCPE Alpha 服务器核心

mcp-server-kubernetes

镜子 (jìng zi)

Supabase MCP Server

镜子 (jìng zi)

JetBrains MCP Server Plugin

JetBrains MCP 服务器插件 (JetBrains MCP fúwùqì chājiàn)

MCP TTS Say

MCP服务器工具，用于文本转语音 (MCP fúwùqì gōngjù, yòng yú wénběn zhuǎn yǔyīn)

Letta MCP Server

镜子 (jìng zi)

testmcpgithubdemo

从 MCP 服务器演示创建。

Selector_MCP_Server

选择器 AI MCP 服务器 (Xuǎnzé qì AI MCP fúwùqì)

ezmcp

易于使用的、专为SSE设计的MCP服务器框架。

Luke Desktop

一个现代化的 Claude AI 桌面客户端，支持 MCP 服务器，使用 Tauri、React 和 TypeScript 构建。

local-command-server MCP Server

镜子 (jìng zi)

Financial Analysis MCP Server

一个 Anthropic 模型上下文协议 (MCP) 服务器，用于金融分析，集成了 alphavantage.com 和 financialmodellingprep.com API。

mcp-server-collector MCP server

镜子 (jìng zi)

Setup

适用于 Ableton Live 的 MCP 服务器

MCP File Finder

用 Python 编写的 MCP 服务器 (Yòng Python biānxiě de MCP fúwùqì) This translates to: "MCP server written in Python" or "MCP server on Python" (more literally).

sek-fx-mcp

一个模型上下文协议服务器 (MCP)，将大型语言模型 (LLM) 连接到瑞典国家银行 (Riksbanken) 的克朗汇率 API。