发现优秀的 MCP 服务器

MCP CONNECT 4

连接四子的蒙特卡洛树搜索 (MCTS)

MCP Gemini API Server

一个服务器，通过 MCP 协议提供对 Google Gemini AI 功能的访问，这些功能包括文本生成、图像分析、YouTube 视频分析和网页搜索功能。

Browserless MCP Server

Enables comprehensive browser automation through Browserless.io including PDF generation, screenshots, content extraction, performance audits, and web scraping with anti-detection capabilities. Provides a complete interface to browser automation tasks through natural language interactions.

Mermaid Grammar Inspector

A Model Context Protocol (MCP) server for validating Mermaid diagram syntax and providing comprehensive grammar checking capabilities

Java Testing Agent

Automates Java Maven testing workflows with decision table-based test generation, security vulnerability scanning, JaCoCo coverage analysis, and Git automation.

Remote MCP Server on Cloudflare

A serverless implementation for deploying Model Context Protocol servers on Cloudflare Workers that enables AI models to access custom tools without authentication requirements.

User Feedback

一个简单的 MCP 服务器，用于在 Cline 和 Cursor 等工具中启用人机协作工作流程。这对于开发需要复杂用户交互来进行测试的桌面应用程序尤其有用。

MCP Pedidos

A Model Context Protocol server that manages orders through a REST API, allowing users to create orders, authenticate, search for products and sizes, and manage cache.

mcp-server-server

MCP 服务器的服务器 (MCP fúwùqì de fúwùqì)

JobApply MCP Server

A Model Context Protocol server that helps with job applications by analyzing job postings and optimizing resumes and cover letters through document analysis tools.

DevHub MCP Server

启用通过 GitHub 集成来管理开发项目，从而在模型上下文协议中促进项目跟踪、仓库链接和元数据维护。

Gmail MCP

通过标准化的界面轻松管理您的电子邮件，该界面可用于起草、发送、检索和组织邮件。 通过完整的 Gmail API 覆盖范围（包括标签和线程管理）简化您的电子邮件工作流程。

HackerNews MCP Server

Enables AI assistants to search, retrieve, and interact with HackerNews content including stories, comments, polls, and user information. Provides comprehensive access to all HackerNews API endpoints with 15 specialized tools for content discovery and analysis.

Kommo MCP Server

Enables integration with Kommo CRM to manage leads, add notes and tasks, update custom fields, and list pipelines. Supports multi-tenant authentication and includes an approval system for bulk operations.

Jokes MCP Server

A humor-focused MCP server that delivers jokes through Microsoft Copilot Studio. Demonstrates how to deploy an MCP server on Azure and integrate it with Power Platform connectors for AI-powered agents.

JIRA MCP Integration

一个模型-上下文-协议 (MCP) 服务器，用于允许 Claude 桌面创建 Jira 工单。

Chrome MCP Server

Transforms Chrome browser into an AI-controlled automation tool that allows AI assistants like Claude to access browser functionality, enabling complex automation, content analysis, and semantic search while preserving your existing browser environment.

Gmail MCP Server

一个集成服务器，它允许 Claude Desktop 安全地访问和处理 Gmail 内容，同时保持适当的上下文管理和隐私控制。

MCP Servers

使用 Deno 构建类型安全的 Minecraft 服务器。

MCP-based Knowledge Graph Construction System

An automated system that processes raw text through a three-stage pipeline to assess data quality, enhance information, and generate structured knowledge graphs. It provides tools for triple extraction with confidence scoring and creates interactive HTML visualizations of the resulting graph.

SCMCP

一个MCP服务器，可以通过自然语言实现单细胞RNA测序分析，支持数据处理、可视化和分析任务，无需编码知识。

My UV MCP Server

A basic demonstration MCP server that provides a simple greeting tool, showcasing how to build and integrate custom MCP servers with Claude Desktop using Python and the uv package manager.

RPG Ledger MCP Server

Enables AI assistants to act as RPG Game Masters by managing campaign state including characters, inventory, quests, and logs through MCP tools. Supports campaign mutations and provides both MCP and HTTP API access to RPG session data.

Roba Labs MCP Server

Provides a comprehensive robotics information hub with details on frameworks like ROS and Gazebo, robot types, and curated learning resources. It enables AI assistants to access offline robotics documentation and development roadmaps without external API dependencies.

osint-mcp-server

Provides AI agents with 37 OSINT tools and 12 data sources to perform unified reconnaissance, domain analysis, and attack surface mapping. It enables agents to query, correlate, and reason across platforms like Shodan, VirusTotal, and Censys in parallel.

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。

Hello MCP Server 👋

一个简单的“Hello World”服务器，实现了模型上下文协议 (MCP)。

Revenyu MCP

Enables Frappe Framework applications to function as Streamable HTTP MCP servers by providing a WSGI-compatible implementation for tool registration and JSON-RPC handling. It allows developers to expose Frappe app functionality to LLMs through a simple decorator-based interface.