MCP Servers

Discover Awesome MCP Servers

Extend your agent with 14,392 capabilities via MCP servers.

All14,392

MCP Server Playground

一个基于 TypeScript 的 MCP 服务器，专为实验以及与 Claude Desktop 和 Cursor IDE 集成而设计，提供了一个模块化的试验场，用于扩展服务器功能。

MCP Ayd Server

镜子 (jìng zi)

Quantitative Researcher MCP Server

提供用于管理定量研究知识图谱的工具，从而能够对研究项目、数据集、变量、假设、统计检验、模型和结果进行结构化表示。

Filesystem MCP Server

增强型文件系统 MCP 服务器

MCP Mistral OCR

使用 Mistral OCR API (付费) 可以对本地或 URL 中的 OCR 图像或 PDF 进行处理。 (Yǐ shǐyòng Mistral OCR API (fùfèi) kěyǐ duì běndì huò URL zhōng de OCR túxiàng huò PDF jìnxíng chǔlǐ.)

AISDK MCP Bridge

桥接包，实现模型上下文协议 (MCP) 服务器与 AI SDK 工具之间的无缝集成。支持多种服务器类型、实时通信和 TypeScript。

Wordware MCP Server

MailchimpMCP

以下是一些用于开发 Mailchimp API 的 MCP 服务器的实用工具： (Yīxiē yòng yú kāifā Mailchimp API de MCP fúwùqì de shíyòng gōngjù:)

GitHub MCP Server

镜子 (jìng zi)

BigQuery Analysis MCP Server

一个服务器，可以针对 Google BigQuery 执行和验证 SQL 查询，并具有安全功能，以防止数据修改和过度处理。

Unreal Engine Generative AI Support Plugin

UnrealMCP 来了！！通过 AI 自动生成蓝图和场景！！一个用于 LLM/GenAI 模型和 MCP UE5 服务器的虚幻引擎插件。支持 Claude Desktop App 和 Cursor，还包括 OpenAI 的 GPT4o、DeepseekR1 和 Claude Sonnet 3.7 API，并计划很快添加 Gemini、Grok 3、音频和实时 API。

mcp-flux-schnell MCP Server

一个基于 TypeScript 的 MCP 服务器，它使用 Cloudflare 的 Flux Schnell 模型 API 来实现文本到图像的生成。

Token Minter MCP

一个 MCP 服务器，为 AI 代理提供跨多个区块链铸造 ERC-20 代币的工具。

DVMCP: Data Vending Machine Context Protocol

DVMCP 是一个桥接实现，它将模型上下文协议 (MCP) 服务器连接到 Nostr 的数据自动售卖机 (DVM) 生态系统。

MCP Server for JIRA

一个模型上下文协议服务器，使 ChatGPT 和其他 AI 助手能够直接与 JIRA 问题进行交互，目前提供检索问题详情的功能。

File Merger MCP Server

通过一个简单的 MCP 界面，可以将多个文件合并成一个文件。提供了一种安全的方式来合并文件，同时限制对仅允许目录的访问。

GraphQL MCP Server

一个 TypeScript 服务器，通过模型上下文协议为 Claude AI 提供对任何 GraphQL API 的无缝访问。

serverMCprtWhat is serverMCprt?How to use serverMCprt?Key features of serverMCprt?Use cases of serverMCprt?FAQ from serverMCprt?

测试 (cè shì)

beeper_mcp MCP server

一个简单的 MCP 服务器，用于创建和管理笔记，并支持总结功能。 (Alternatively, if you want to emphasize the "for" part:) 一个简单的 MCP 服务器，**旨在**创建和管理笔记，并支持总结功能。

MCP Server My Lark Doc

eRegulations MCP Server

一个模型上下文协议（Model Context Protocol）服务器的实现，该实现提供结构化的、对人工智能友好的方式来访问电子法规（eRegulations）数据，从而使人工智能模型更容易回答用户关于行政程序的问题。

mcp-weather-server

好的，这是提供天气数据给 LLM 的一个示例模型上下文协议服务器： ```python import asyncio import json import os from typing import Any, Dict, List, Optional from fastapi import FastAPI, HTTPException from pydantic import BaseModel # 模拟天气数据 WEATHER_DATA = { "San Francisco": {"temperature": 15, "condition": "Cloudy"}, "New York": {"temperature": 22, "condition": "Sunny"}, "London": {"temperature": 18, "condition": "Rainy"}, "Tokyo": {"temperature": 25, "condition": "Clear"}, } class ContextRequest(BaseModel): """ LLM 请求上下文信息的请求体。 """ query: str location: Optional[str] = None # 可选的位置信息 class ContextResponse(BaseModel): """ 服务器返回给 LLM 的上下文信息。 """ context: Dict[str, Any] app = FastAPI() @app.post("/context") async def get_context(request: ContextRequest) -> ContextResponse: """ 根据 LLM 的查询请求，提供上下文信息。 """ print(f"Received query: {request.query}") print(f"Received location: {request.location}") location = request.location if not location: # 如果没有提供位置，则尝试从查询中提取 # 这是一个非常简单的示例，实际应用中需要更复杂的 NLP 处理 if "San Francisco" in request.query: location = "San Francisco" elif "New York" in request.query: location = "New York" elif "London" in request.query: location = "London" elif "Tokyo" in request.query: location = "Tokyo" else: raise HTTPException(status_code=400, detail="Location not specified and could not be inferred from query.") if location not in WEATHER_DATA: raise HTTPException(status_code=404, detail=f"Weather data not found for location: {location}") weather = WEATHER_DATA[location] context = { "location": location, "temperature": weather["temperature"], "condition": weather["condition"], } print(f"Returning context: {context}") return ContextResponse(context=context) if __name__ == "__main__": import uvicorn uvicorn.run(app, host="0.0.0.0", port=8000) ``` **代码解释:** 1. **导入必要的库:** - `asyncio`: 用于异步操作。 - `json`: 用于处理 JSON 数据。 - `os`: 用于操作系统相关的功能。 - `typing`: 用于类型提示。 - `fastapi`: 用于创建 API。 - `pydantic`: 用于数据验证和序列化。 2. **模拟天气数据:** - `WEATHER_DATA`: 一个字典，存储了不同城市的天气数据。这只是一个模拟数据，实际应用中需要从外部 API 或数据库获取。 3. **定义数据模型:** - `ContextRequest`: 定义了 LLM 请求上下文信息的请求体，包含 `query` (LLM 的查询) 和可选的 `location` (位置信息)。 - `ContextResponse`: 定义了服务器返回给 LLM 的上下文信息，包含一个 `context` 字典。 4. **创建 FastAPI 应用:** - `app = FastAPI()`: 创建一个 FastAPI 应用实例。 5. **定义 `/context` 接口:** - `@app.post("/context")`: 定义一个 POST 请求的接口，路径为 `/context`。 - `async def get_context(request: ContextRequest) -> ContextResponse:`: 定义处理请求的异步函数。 - `request: ContextRequest`: 接收请求体，并将其解析为 `ContextRequest` 对象。 - `-> ContextResponse`: 指定函数返回 `ContextResponse` 对象。 6. **处理请求逻辑:** - **打印接收到的查询和位置信息:** 用于调试和日志记录。 - **获取位置信息:** - 首先尝试从 `request.location` 中获取位置信息。 - 如果 `request.location` 为空，则尝试从 `request.query` 中提取位置信息。这是一个非常简单的示例，实际应用中需要使用更复杂的 NLP 技术来提取位置信息。 - 如果无法获取位置信息，则返回一个 HTTP 400 错误。 - **获取天气数据:** - 检查 `location` 是否在 `WEATHER_DATA` 中。 - 如果 `location` 不在 `WEATHER_DATA` 中，则返回一个 HTTP 404 错误。 - 从 `WEATHER_DATA` 中获取天气数据。 - **构建上下文信息:** - 创建一个 `context` 字典，包含 `location`、`temperature` 和 `condition`。 - **返回上下文信息:** - 创建一个 `ContextResponse` 对象，并将 `context` 字典赋值给它。 - 返回 `ContextResponse` 对象。 7. **运行 FastAPI 应用:** - `if __name__ == "__main__":`: 确保代码只在直接运行脚本时执行，而不是在被导入为模块时执行。 - `uvicorn.run(app, host="0.0.0.0", port=8000)`: 使用 Uvicorn 运行 FastAPI 应用。 - `host="0.0.0.0"`: 允许从任何 IP 地址访问应用。 - `port=8000`: 指定应用监听的端口为 8000。 **如何运行:** 1. **安装依赖:** ```bash pip install fastapi uvicorn pydantic ``` 2. **运行脚本:** ```bash python your_script_name.py ``` 3. **测试接口:** 可以使用 `curl` 或其他 HTTP 客户端来测试接口。例如： ```bash curl -X POST -H "Content-Type: application/json" -d '{"query": "What is the weather in San Francisco?", "location": "San Francisco"}' http://localhost:8000/context ``` 或者，如果省略 `location`，服务器会尝试从 `query` 中推断： ```bash curl -X POST -H "Content-Type: application/json" -d '{"query": "What is the weather in San Francisco?"}' http://localhost:8000/context ``` **重要说明:** * **真实数据源:** 这个示例使用模拟的天气数据。在实际应用中，你需要使用真实的天气 API (例如 OpenWeatherMap, AccuWeather) 或数据库来获取数据。 * **NLP 处理:** 从查询中提取位置信息的部分非常简单。在实际应用中，你需要使用更复杂的 NLP 技术 (例如命名实体识别) 来准确地提取位置信息。 * **错误处理:** 这个示例只包含基本的错误处理。在实际应用中，你需要添加更完善的错误处理机制，例如日志记录和重试机制。 * **安全性:** 在生产环境中，你需要考虑安全性问题，例如身份验证和授权。 * **可扩展性:** 如果需要处理大量的请求，你需要考虑使用负载均衡和缓存等技术来提高可扩展性。 * **模型上下文协议:** 这个示例符合模型上下文协议的基本要求，即接收 LLM 的查询请求，并返回相关的上下文信息。你需要根据 LLM 的具体要求来调整请求和响应的格式。这个示例提供了一个基本的框架，你可以根据自己的需求进行修改和扩展。希望这个示例对你有所帮助!

Data Visualization MCP Server

镜子 (jìng zi)