发现优秀的 MCP 服务器

Case Study Generator MCP Server

Processes documents, analyzes GitHub repositories, and researches companies using local Gemma3 AI to extract structured business insights for generating compelling case studies.

Moonshot MCP Server Gateway

A lightweight gateway server that provides a unified connection entry point for accessing multiple MCP servers, supporting various protocols including Network and Local Transports.

mcp-strategy-research-db

An MCP server that provides access to a SQLite database for analyzing trading strategy backtest results and performance metrics. It enables AI assistants to identify robust strategies across different market regimes and compare them against benchmarks using risk-adjusted metrics.

GIT MCP Server

一个模型上下文协议 (MCP) 服务器，为 LLM 代理提供 Git 工具，并修复了 amend 参数缓存问题。

Weather MCP Server

Provides current weather information for any city worldwide using the free Open-Meteo API, enabling users to query temperature, wind speed, humidity, and weather conditions through natural language.

GPT MCP Server

Enables ChatGPT Desktop to securely access and search local filesystem files through ngrok tunneling with whitelist-based directory protection and read-only operations.

Dingo MCP Server

Dingo MCP Server

vet-mcp

vet-mcp

MCP Security Scanner

Enables comprehensive security scanning of code projects, detecting vulnerabilities in dependencies, code patterns (XSS, eval, etc.), and exposed secrets, with detailed reports in Spanish prioritized by severity.

Bugcrowd MCP Server

Provides secure access to the Bugcrowd bug bounty platform API, optimized for OpenAI's Agents SDK integration to enable vulnerability management and security research.

Multi-Provider MCP Server

自定义 MCP 服务器，用于与工具集成并在 n8n 实例中运行。

Domain Checker

Enables checking domain name availability using WHOIS lookups and DNS resolution. Supports both single and batch domain checking with detailed availability analysis.

MCP Troubleshooter

A specialized diagnostic framework that enables AI models to self-diagnose and fix MCP-related issues by analyzing logs, validating configurations, testing connections, and implementing solutions.

Replicate Recraft V3 MCP Server

Provides access to the recraft-ai/recraft-v3 image generation model via Replicate, supporting high-quality image creation with granular style, size, and aspect ratio controls. It features synchronous and asynchronous generation workflows, local image downloads in WebP format, and comprehensive prediction tracking.

Email-MCP

An MCP server that enables AI assistants to send emails through SMTP protocol by providing server credentials, recipient information, subject, and message content.

MCP Sentry Analyzer

Integrates Sentry error monitoring with AI-powered analysis to automatically capture frontend JavaScript errors and provide intelligent repair suggestions through multiple AI models including OpenAI, Claude, and Gemini.

Singapore News MCP Server

Provides real-time news feeds from major Singapore news sources including The Straits Times, Business Times, and Channel News Asia. Delivers live news updates through Server-Sent Events for up-to-date information access.

AegnticMCP

AegnticMCP 自动化创建和管理 MCP 服务器，确保它们稳定、适应性强且智能化。

Workflows MCP v0.1.0

将提示词和 MCP 服务器编排和组合成复合 MCP 工具

Strava MCP Server

一个 TypeScript 服务器，充当 Strava API 的桥梁，使大型语言模型 (LLM) 能够通过自然语言交互访问用户的活动、路线、路段和运动员数据。 Or, a slightly more formal translation: 一个 TypeScript 服务器，作为连接 Strava API 的桥梁，从而使大型语言模型 (LLM) 能够通过自然语言交互来访问用户的活动、路线、路段以及运动员数据。

MCP Server Redis

一个服务器，它通过一组工具为 Claude 提供 Redis 数据库的访问和操作，这些工具包括基本操作、列表、哈希、集合和发布/订阅功能。

convex-mcp-server MCP Server

镜子 (jìng zi)

MCP DeepSeek 演示项目

好的，这是一个 DeepSeek 结合 MCP (Message Channel Protocol) 的最小用例，包括客户端和服务器端，用 Python 编写。这个例子展示了如何使用 DeepSeek 的模型进行简单的文本生成，并通过 MCP 在客户端和服务器之间传递请求和响应。 **注意:** 这个例子假设你已经安装了 DeepSeek 的 Python SDK 和 MCP 的相关库 (例如 `mcp` 或类似的库，具体取决于你选择的 MCP 实现)。 你需要根据你的实际环境安装这些依赖。 由于 MCP 的具体实现有很多种，这里提供的是一个概念性的例子，你需要根据你使用的 MCP 库进行调整。 **1. 服务器端 (server.py):** ```python # server.py import mcp # 假设你使用了一个名为 'mcp' 的库 import deepseek_ai # 假设你已经安装了 DeepSeek 的 SDK # DeepSeek API Key (替换成你自己的 API Key) DEEPSEEK_API_KEY = "YOUR_DEEPSEEK_API_KEY" # 初始化 DeepSeek 客户端 deepseek = deepseek_ai.DeepSeek(api_key=DEEPSEEK_API_KEY) # MCP 服务器配置 SERVER_ADDRESS = ('localhost', 8080) # 服务器地址和端口 # 处理 DeepSeek 请求的函数 def handle_deepseek_request(prompt): """ 接收 prompt，调用 DeepSeek 模型生成文本，并返回结果。 """ try: response = deepseek.completions.create( model="deepseek-chat", # 或者你想要使用的其他模型 prompt=prompt, max_tokens=50, # 限制生成文本的长度 temperature=0.7, # 控制生成文本的随机性 ) generated_text = response.choices[0].text.strip() return generated_text except Exception as e: print(f"DeepSeek API 调用失败: {e}") return "DeepSeek API 调用失败" # MCP 服务器处理函数 def handle_client_request(request): """ 接收客户端请求，调用 DeepSeek 处理函数，并返回结果。 """ try: prompt = request.decode('utf-8') # 将请求解码为字符串 print(f"收到客户端请求: {prompt}") generated_text = handle_deepseek_request(prompt) print(f"DeepSeek 生成的文本: {generated_text}") return generated_text.encode('utf-8') # 将结果编码为字节流 except Exception as e: print(f"处理客户端请求失败: {e}") return "服务器处理失败".encode('utf-8') # 创建 MCP 服务器 server = mcp.Server(SERVER_ADDRESS, handle_client_request) # 启动服务器 print(f"服务器启动，监听地址: {SERVER_ADDRESS}") server.run() ``` **2. 客户端 (client.py):** ```python # client.py import mcp # 假设你使用了一个名为 'mcp' 的库 # MCP 服务器配置 SERVER_ADDRESS = ('localhost', 8080) # 服务器地址和端口 # 客户端请求 prompt = "请用一句话描述 DeepSeek。" # 你想要发送给 DeepSeek 的 prompt # 创建 MCP 客户端 client = mcp.Client(SERVER_ADDRESS) # 发送请求并接收响应 try: response = client.send_request(prompt.encode('utf-8')) # 将 prompt 编码为字节流 generated_text = response.decode('utf-8') # 将响应解码为字符串 print(f"服务器返回的文本: {generated_text}") except Exception as e: print(f"客户端请求失败: {e}") # 关闭客户端 client.close() ``` **代码解释:** * **服务器端 (server.py):** * 导入 `mcp` 和 `deepseek_ai` 库。 * 使用你的 DeepSeek API Key 初始化 DeepSeek 客户端。 * 定义 `handle_deepseek_request` 函数，该函数接收一个 prompt，调用 DeepSeek 模型生成文本，并返回结果。 这个函数处理与 DeepSeek API 的交互。 * 定义 `handle_client_request` 函数，该函数接收客户端的请求，调用 `handle_deepseek_request` 函数处理请求，并将结果返回给客户端。 这个函数是 MCP 服务器的核心逻辑。 * 创建一个 MCP 服务器，并指定服务器地址和端口，以及处理客户端请求的函数。 * 启动服务器，开始监听客户端请求。 * **客户端 (client.py):** * 导入 `mcp` 库。 * 定义服务器地址和端口。 * 定义要发送给 DeepSeek 的 prompt。 * 创建一个 MCP 客户端，并指定服务器地址和端口。 * 发送请求给服务器，并接收服务器返回的响应。 * 将服务器返回的响应打印到控制台。 * 关闭客户端。 **运行步骤:** 1. **安装依赖:** 确保你已经安装了 `deepseek_ai` 和你选择的 MCP 库。 例如，如果 `mcp` 是一个实际存在的库，你可以使用 `pip install deepseek_ai mcp` 安装。 如果 `mcp` 只是一个占位符，你需要替换成你实际使用的 MCP 库，并安装它。 2. **替换 API Key:** 将 `server.py` 中的 `YOUR_DEEPSEEK_API_KEY` 替换成你自己的 DeepSeek API Key。 3. **运行服务器:** 在终端中运行 `python server.py`。 4. **运行客户端:** 在另一个终端中运行 `python client.py`。 **预期结果:** 客户端会向服务器发送一个 prompt，服务器会调用 DeepSeek 模型生成文本，并将生成的文本返回给客户端。客户端会将服务器返回的文本打印到控制台。 **重要注意事项:** * **MCP 实现:** 这个例子中使用了一个名为 `mcp` 的占位符库。 你需要根据你实际使用的 MCP 库进行调整。 常见的 MCP 实现包括 ZeroMQ, RabbitMQ, Redis Pub/Sub 等。 你需要选择一个适合你的需求的 MCP 实现，并根据该实现的 API 修改代码。 * **错误处理:** 这个例子包含了一些基本的错误处理，但你可以根据你的需求添加更完善的错误处理机制。 * **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。 * **异步处理:** 如果 DeepSeek API 的调用时间较长，你可以考虑使用异步处理来提高服务器的性能。 * **模型选择:** `model="deepseek-chat"` 只是一个示例，你可以根据你的需求选择其他 DeepSeek 模型。 * **DeepSeek API Key:** 请妥善保管你的 DeepSeek API Key，不要将其泄露给他人。 这个最小用例提供了一个基本的框架，你可以根据你的实际需求进行扩展和修改。 希望这个例子能够帮助你理解如何将 DeepSeek 与 MCP 结合使用。

Haloscan MCP Server

A Model Context Protocol server that exposes Haloscan SEO API functionality, allowing users to access keyword insights, domain analysis, and competitor research through Claude for Desktop and other MCP-compatible clients.

mcp-memory-libsql

一个高性能的 MCP 服务器，利用 libSQL 实现持久内存和向量搜索功能，从而实现高效的实体管理和语义知识存储。

Civic Data MCP Server

Provides access to 7 free government and open data APIs including NOAA weather, US Census demographics, NASA imagery, World Bank economics, Data.gov, and EU Open Data through 22 specialized tools, with most requiring no API keys.

Agent Sense

Provides AI agents with environmental sensing capabilities including current time, IP-based geolocation, system information, and hardware details. Enables more contextual and accurate AI responses based on user's environment.

Collective Brain MCP Server

Enables teams to create a shared knowledge base where members can store, search, and validate information collectively. Provides semantic search across team memories with granular permissions and collaborative verification features.