发现优秀的 MCP 服务器

Code Analysis MCP Server

该服务器通过经济高效且简单的设置，促进自然语言交互，以探索和理解代码库，提供对数据模型和系统架构的深入了解，并支持现有的 Claude Pro 订阅。

RSS MCP Server

Enables language models to fetch and parse standard RSS/Atom feeds and RSSHub content, with multi-instance support to improve retrieval success rates.

Tracxn MCP Server

A Model Context Protocol server that wraps the Tracxn REST API, providing a standardized interface for LLMs to access and interact with Tracxn company data.

Remote MCP Server for Cloudflare

A deployable MCP server on Cloudflare Workers that enables AI tools integration without authentication requirements, compatible with AI Playground and Claude Desktop.

Plex MCP Server

用于 Plex 的 MCP 服务器，允许 LLM 与 Plex 对话。

LegalContext MCP Server

LegalContext 是一个开源的“模型上下文协议”（Model Context Protocol，简称 MCP）服务器，它在律师事务所的文档管理系统（特别是 Clio）和 AI 助手（从 Claude Desktop 开始）之间建立一个安全、标准化的桥梁。

MySQL MCP Server

A Model Context Protocol server that provides Claude agents with the ability to execute SQL queries against a MySQL database, supporting both read operations (SELECT) and write operations (CREATE, INSERT, UPDATE, DELETE).

Custom MCP (Mission Control Panel) with ChatGPT AI Template

从头开始创建的模型上下文协议（MCP 服务器）

MCP Filesystem Python

这个服务器通过 MCP 提供对目录文件的安全只读访问，支持文件搜索、.gitignore 兼容、路径遍历保护，以及使用 'file://' URI 方案进行 MIME 类型检测。

Revenue Engine MCP

Connects Claude AI to Google Sheets, Gmail, and Calendar for comprehensive revenue tracking and business management. Enables lead pipeline management, email handling, calendar scheduling, task tracking, and file operations through natural language.

MCP Authentication Example

Demonstrates OAuth2/OIDC authentication for MCP servers using Asgardeo, with JWT validation and a sample weather tool to showcase secured API access.

MCP-Wait

一个简单的 MCP 服务器，提供等待功能，可以暂停直到其他任务完成，并提供进度报告，支持 CLI 或带有 SSE 的 HTTP 服务器。

SharePoint Excel Services MCP Server by CData

SharePoint Excel Services MCP Server by CData

mcp-chat

用于测试和评估 MCP 服务器和代理的开源通用 MCP 客户端

salesforce-mcp

Salesforce MCP 服务器 (Salesforce MCP fúwùqì)

AppTweak MCP Server

通过 AppTweak API，用户可以搜索和分析移动应用，从而深入了解 iOS 和 Android 平台上的应用商店数据、评论、评分和关键词表现。

github-mcp

GitHub 的 MCP 服务器

Welcome to Agent MCP

人工智能代理和多云平台编排开源工具目录

Byterover MCP Server

字节漫游者 MCP 服务器 (Zìjié mànyóuzhě MCP fúwùqì)

Redis MCP Server

Redis MCP 服务器 - 使用 Docker 的 Python 实现

Notion MCP Server

Enables AI agents to interact with Notion workspaces through the Notion API. Supports reading, writing, and managing pages, databases, and comments with optimized token consumption.

Simple MCP Server

好的，这是一个用极简代码演示如何构建一个 MCP (Mesh Configuration Protocol) 服务器的示例，使用 Python 和 gRPC： ```python # server.py import grpc from concurrent import futures import mcp_pb2 import mcp_pb2_grpc class McpService(mcp_pb2_grpc.AggregatedDiscoveryServiceServicer): def StreamAggregatedResources(self, request_iterator, context): for request in request_iterator: print(f"Received request: {request}") # 构造一个简单的响应 response = mcp_pb2.AggregatedDiscoveryResponse( version_info="v1", resources=[], type_url=request.type_url, nonce="nonce-123" ) yield response def serve(): server = grpc.server(futures.ThreadPoolExecutor(max_workers=10)) mcp_pb2_grpc.add_AggregatedDiscoveryServiceServicer_to_server(McpService(), server) server.add_insecure_port('[::]:50051') server.start() print("MCP Server started on port 50051") server.wait_for_termination() if __name__ == '__main__': serve() ``` **代码解释:** 1. **导入必要的库:** * `grpc`: gRPC 库。 * `concurrent.futures`: 用于创建线程池。 * `mcp_pb2` 和 `mcp_pb2_grpc`: 从 MCP 的 protobuf 定义生成的 Python 代码。 你需要先安装 `protobuf` 和 `grpcio-tools`，然后使用 `protoc` 命令生成这些文件。 例如： ```bash pip install protobuf grpcio-tools # 假设你的 mcp.proto 文件在当前目录 python -m grpc_tools.protoc -I. --python_out=. --grpc_python_out=. mcp.proto ``` 确保你的 `mcp.proto` 文件定义了 MCP 的服务和消息。 一个简化的 `mcp.proto` 示例： ```protobuf // mcp.proto syntax = "proto3"; package envoy.service.discovery.v3; service AggregatedDiscoveryService { rpc StreamAggregatedResources(stream AggregatedDiscoveryRequest) returns (stream AggregatedDiscoveryResponse) {} } message AggregatedDiscoveryRequest { string version_info = 1; repeated string resource_names = 2; string type_url = 3; string response_nonce = 4; string error_detail = 5; } message AggregatedDiscoveryResponse { string version_info = 1; repeated google.protobuf.Any resources = 2; string type_url = 3; string nonce = 4; } import "google/protobuf/any.proto"; ``` 2. **`McpService` 类:** * 继承自 `mcp_pb2_grpc.AggregatedDiscoveryServiceServicer`，这是 gRPC 生成的服务基类。 * 实现了 `StreamAggregatedResources` 方法，这是 MCP 服务定义的核心方法。 它是一个双向流 (stream)，服务器接收来自客户端的请求流，并返回响应流。 * 在 `StreamAggregatedResources` 中，我们简单地打印接收到的请求，并构造一个简单的 `AggregatedDiscoveryResponse` 作为响应。 这个响应包含一个版本信息、一个空的资源列表、请求的类型 URL 和一个 nonce。 3. **`serve` 函数:** * 创建一个 gRPC 服务器，使用线程池来处理请求。 * 将 `McpService` 注册到服务器。 * 添加一个不安全的端口 `[::]:50051` 用于监听连接。 在生产环境中，你应该使用安全的 TLS 连接。 * 启动服务器并打印一条消息。 * 调用 `server.wait_for_termination()` 使服务器保持运行状态，直到手动停止。 4. **`if __name__ == '__main__':` 块:** * 确保 `serve` 函数只在脚本直接运行时才被调用，而不是作为模块导入时。 **如何运行:** 1. **安装依赖:** ```bash pip install grpcio protobuf grpcio-tools ``` 2. **生成 gRPC 代码:** * 将上面的 `mcp.proto` 文件保存到你的项目目录中。 * 运行以下命令生成 `mcp_pb2.py` 和 `mcp_pb2_grpc.py`： ```bash python -m grpc_tools.protoc -I. --python_out=. --grpc_python_out=. mcp.proto ``` 3. **运行服务器:** ```bash python server.py ``` **重要说明:** * **极简示例:** 这个示例非常简单，只用于演示 MCP 服务器的基本结构。 它没有实现任何实际的配置分发逻辑。 * **错误处理:** 代码中没有包含任何错误处理。 在生产环境中，你需要添加适当的错误处理机制。 * **安全性:** 这个示例使用不安全的连接。 在生产环境中，你应该使用 TLS 加密来保护通信。 * **资源管理:** 这个示例没有管理任何实际的资源。 你需要根据你的具体需求来实现资源的管理和分发。 * **Protobuf 定义:** `mcp.proto` 文件需要根据你的实际需求进行定义。 上面的示例提供了一个最小化的定义，你需要根据你的配置类型和数据结构来扩展它。 * **客户端:** 你需要一个 MCP 客户端来向服务器发送请求。 客户端的实现取决于你使用的编程语言和框架。 这个示例提供了一个起点，你可以根据你的具体需求来构建一个功能完善的 MCP 服务器。 记住要仔细阅读 MCP 规范，并根据你的应用场景进行适当的调整。 **中文翻译:** 好的，这是一个用极简代码演示如何构建一个 MCP (Mesh Configuration Protocol) 服务器的示例，使用 Python 和 gRPC： ```python # server.py import grpc from concurrent import futures import mcp_pb2 import mcp_pb2_grpc class McpService(mcp_pb2_grpc.AggregatedDiscoveryServiceServicer): def StreamAggregatedResources(self, request_iterator, context): for request in request_iterator: print(f"Received request: {request}") # 构造一个简单的响应 response = mcp_pb2.AggregatedDiscoveryResponse( version_info="v1", resources=[], type_url=request.type_url, nonce="nonce-123" ) yield response def serve(): server = grpc.server(futures.ThreadPoolExecutor(max_workers=10)) mcp_pb2_grpc.add_AggregatedDiscoveryServiceServicer_to_server(McpService(), server) server.add_insecure_port('[::]:50051') server.start() print("MCP Server started on port 50051") server.wait_for_termination() if __name__ == '__main__': serve() ``` **代码解释:** 1. **导入必要的库:** * `grpc`: gRPC 库。 * `concurrent.futures`: 用于创建线程池。 * `mcp_pb2` 和 `mcp_pb2_grpc`: 从 MCP 的 protobuf 定义生成的 Python 代码。 你需要先安装 `protobuf` 和 `grpcio-tools`，然后使用 `protoc` 命令生成这些文件。 例如： ```bash pip install protobuf grpcio-tools # 假设你的 mcp.proto 文件在当前目录 python -m grpc_tools.protoc -I. --python_out=. --grpc_python_out=. mcp.proto ``` 确保你的 `mcp.proto` 文件定义了 MCP 的服务和消息。 一个简化的 `mcp.proto` 示例： ```protobuf // mcp.proto syntax = "proto3"; package envoy.service.discovery.v3; service AggregatedDiscoveryService { rpc StreamAggregatedResources(stream AggregatedDiscoveryRequest) returns (stream AggregatedDiscoveryResponse) {} } message AggregatedDiscoveryRequest { string version_info = 1; repeated string resource_names = 2; string type_url = 3; string response_nonce = 4; string error_detail = 5; } message AggregatedDiscoveryResponse { string version_info = 1; repeated google.protobuf.Any resources = 2; string type_url = 3; string nonce = 4; } import "google/protobuf/any.proto"; ``` 2. **`McpService` 类:** * 继承自 `mcp_pb2_grpc.AggregatedDiscoveryServiceServicer`，这是 gRPC 生成的服务基类。 * 实现了 `StreamAggregatedResources` 方法，这是 MCP 服务定义的核心方法。 它是一个双向流 (stream)，服务器接收来自客户端的请求流，并返回响应流。 * 在 `StreamAggregatedResources` 中，我们简单地打印接收到的请求，并构造一个简单的 `AggregatedDiscoveryResponse` 作为响应。 这个响应包含一个版本信息、一个空的资源列表、请求的类型 URL 和一个 nonce。 3. **`serve` 函数:** * 创建一个 gRPC 服务器，使用线程池来处理请求。 * 将 `McpService` 注册到服务器。 * 添加一个不安全的端口 `[::]:50051` 用于监听连接。 在生产环境中，你应该使用安全的 TLS 连接。 * 启动服务器并打印一条消息。 * 调用 `server.wait_for_termination()` 使服务器保持运行状态，直到手动停止。 4. **`if __name__ == '__main__':` 块:** * 确保 `serve` 函数只在脚本直接运行时才被调用，而不是作为模块导入时。 **如何运行:** 1. **安装依赖:** ```bash pip install grpcio protobuf grpcio-tools ``` 2. **生成 gRPC 代码:** * 将上面的 `mcp.proto` 文件保存到你的项目目录中。 * 运行以下命令生成 `mcp_pb2.py` 和 `mcp_pb2_grpc.py`： ```bash python -m grpc_tools.protoc -I. --python_out=. --grpc_python_out=. mcp.proto ``` 3. **运行服务器:** ```bash python server.py ``` **重要说明:** * **极简示例:** 这个示例非常简单，只用于演示 MCP 服务器的基本结构。 它没有实现任何实际的配置分发逻辑。 * **错误处理:** 代码中没有包含任何错误处理。 在生产环境中，你需要添加适当的错误处理机制。 * **安全性:** 这个示例使用不安全的连接。 在生产环境中，你应该使用 TLS 加密来保护通信。 * **资源管理:** 这个示例没有管理任何实际的资源。 你需要根据你的具体需求来实现资源的管理和分发。 * **Protobuf 定义:** `mcp.proto` 文件需要根据你的实际需求进行定义。 上面的示例提供了一个最小化的定义，你需要根据你的配置类型和数据结构来扩展它。 * **客户端:** 你需要一个 MCP 客户端来向服务器发送请求。 客户端的实现取决于你使用的编程语言和框架。 这个示例提供了一个起点，你可以根据你的具体需求来构建一个功能完善的 MCP 服务器。 记住要仔细阅读 MCP 规范，并根据你的应用场景进行适当的调整。 **总结:** 这段代码提供了一个非常基础的 MCP 服务器框架。 你需要根据你的实际需求扩展 `McpService` 类，实现资源的管理、版本控制、错误处理和安全性。 同时，你需要定义合适的 `mcp.proto` 文件来描述你的配置数据结构。 最后，你需要一个 MCP 客户端来与服务器进行通信，请求和接收配置信息。

Perplexity Advanced MCP

一个先进的集成包，利用 OpenRouter 和 Perplexity API 来提供增强的网页搜索功能，提供简单和复杂的查询处理，并支持文件附件。

Node.js Sandbox MCP Server

Enables running arbitrary JavaScript code in isolated Docker containers with on-the-fly npm dependency installation, supporting both ephemeral one-shot executions and persistent sandbox environments.

Fermat MCP

A FastMCP server for mathematical computations, including numerical and symbolic calculations with NumPy and SymPy integration, as well as data visualization through Matplotlib.

Transistor MCP Server

方便与 Transistor.fm API 交互，提供高效管理播客、剧集和访问分析的功能。

MCP Server Box

镜子 (jìng zi)

Multi-Tenant PostgreSQL MCP Server

Enables read-only access to PostgreSQL databases with multi-tenant support, allowing users to query data, explore schemas, inspect table structures, and view function definitions across different tenant schemas safely.

deployhq-mcp-server

DeployHQ MCP Server