发现优秀的 MCP 服务器
通过 MCP 服务器扩展您的代理能力，拥有 72,465 个能力。
Fovea Memory MCP
Local MCP server that enables AI clients to read and search memories from the Fovea macOS app, with privacy-focused local operation and optional semantic search.
aria-mcp-trafik-dk
Provides access to real-time Danish road traffic events, roadworks, and queues via public data from Vejdirektoratet, enabling AI assistants to check road conditions without any API keys.
hunter-mcp
An MCP server for querying the Qianxin Hunter network asset mapping platform, enabling asset search, batch queries, and export tasks.
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。
RevitMCP
Enables natural language control of Autodesk Revit through an AI-powered MCP server, allowing creation of walls, rooms, floor plans, and dimensions using conversational commands.
quick-commerce-mcp
Aggregates quick commerce platforms like Zepto, Swiggy Instamart, and BigBasket for searching, comparing prices, and ordering through a single MCP interface.
fiatdock-mcp
Non-custodial USDC <-> bank for AI agents. Free quotes; $0.05 USDC per session via x402; 1% commission itemised in every quote. Own funds only. PT + EU/EEA (not UK). 18+.
mcp-eu-ai-act
MCP server for EU AI Act compliance classification with multi-jurisdiction overlay across 8 frameworks (NIST AI RMF, ISO 42001, GDPR, HIPAA, Colorado SB 24-205). Provides deterministic risk classifier (quick_risk_class) and Claude-powered Annex III deep classifier (classify_annex3) with remediation actions.
SitecoreMCP
A SitecoreMCP version that can be used in enterprises
Hyperliquid MCP Server - Complete Implementation
镜子 (jìng zi)
Redmine Enhanced MCP Server
Connect Claude to your Redmine instance to search, browse, create and update issues, manage time entries, and upload/download attachments.
Mess MCP Server
Enables AI assistants to interact with the IIIT-H mess dining and marketplace systems through resources, tools, and prompts for meal planning, billing analysis, and registration modifications.
Web Search MCP Server
Enables AI assistants to search the web, fetch news, and retrieve page content via DuckDuckGo or Brave Search, with domain whitelisting and audit logging.
hledger-mcp
MCP server for hledger that provides tools for financial reports, transaction management, and account management.
Google Ads Intent MCP
Dry-run-first Google Ads search-term intent analyzer and negative-keyword MCP for agents.
mcp-flowise
Exposes local Flowise chatflows as MCP tools, enabling listing and running chatflows from any MCP client.
remote-mcp-server-authless
Deploy a remote MCP server on Cloudflare Workers without authentication, enabling custom tools and connection to AI Playground or Claude Desktop.
macos-mcp-tools
A collection of MCP servers for Apple macOS apps (Mail, Contacts, Notes, Memory, Messages, Calendar, Reminders) enabling AI assistants to read, search, create, and update data via JXA, SQLite, and EventKit.
joplin-mcp-server
Joplin MCP Server
@jungho-dev/fs-mcp
Provides batch file operations, search, and essential git workflows via stdio MCP.
mcp-carbon-interface
MCP server for the Carbon Interface API (v1), enabling AI agents to estimate carbon emissions through natural language queries via Pipeworx gateway.
OpenAPI MCP Gateway
Mount any OpenAPI spec as an MCP server, supporting multiple APIs with authentication and resource auto-promotion.
MCP Server Trello
Enables AI agents to manage Trello boards, lists, cards, checklists, and workspace navigation through 23 typed MCP tools, with rate limiting and validation.
Redmineflux MCP Server
An MCP server that connects AI agents to Redmine project data, enabling natural language access to issues, projects, time entries, and more via the REST API.
Wave MCP Server
Comprehensive MCP server for Wave Accounting, providing 45+ tools across invoicing, customers, products, transactions, bills, estimates, taxes, and financial reporting, plus 17 pre-built UI workflows.
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.
Electron Stagewright
Drive, inspect, and assert on real Electron desktop apps from an AI agent — agent-native, Playwright-style automation with accessibility refs, stable error codes, and retrying assertions
Embedded Debug MCP
Provides serial debugging for embedded Linux targets, enabling boot log capture, automatic login, crash detection, U-Boot interrupt, and hardware reset via MCP protocol.
wallet-inspector-mcp
wallet-inspector-mcp
Apple Reminders MCP Server
Programmatic access to Apple Reminders via SSE, enabling creation, reading, updating, and deletion of reminders and reminder lists.