发现优秀的 MCP 服务器

EasyHunt-AI

MCP server for AI-driven VAPT orchestration, enabling agents to plan and execute authorized security scans through a control plane that enforces scope, sanitization, budget, rate limits, human approval, and audit logging.

google-flow-mcp-server

Automates sports editorial graphic poster creation using Google Flow through a Playwright-based pipeline, exposing a FastMCP server for integration with MCP clients.

econdata

Wraps the Bureau of Labor Statistics public API v2 to provide economic data through natural language queries or direct tool calls.

perseus

MCP server with 24 tools for live workspace state resolution. Pre-resolves git status, service health, file queries, memory federation, and multi-agent coordination into markdown before the AI sees it. Single-file Python (pyyaml only), MIT. Serves over stdio and SSE. Published as io.github.tcconnally/perseus on the MCP Registry.

Wikipedia Summarizer MCP Server

一个 MCP (模型上下文协议) 服务器，它使用 Ollama LLM 获取并总结维基百科文章，可通过命令行和 Streamlit 界面访问。 非常适合从维基百科快速提取关键信息，而无需阅读整篇文章。

trm-mcp

A local, offline-first MCP server for searching, grepping, reading, rendering, and comparing long datasheet/TRM PDFs, using hybrid retrieval with BM25, dense embeddings, and visual page indexing.

tiktok-trends-mcp

Provides TikTok hashtag trend data including volume growth, viral spikes, and historical time series, enabling AI assistants to spot emerging trends before they go mainstream.

jobjourney-claude-plugin

An MCP server that enables AI-assisted job search workflows including job discovery, application tracking, resume evaluation, and cover letter generation, with support for multiple job sources and scheduled scraping.

Network AI Assistant

Asynchronous MCP server for unified multi-platform network infrastructure management, providing 97 tools across 10 connectors including SSH, MikroTik, Palo Alto, Aruba, Graylog, LibreNMS, Cisco APIC/NDFC, and Panorama.

Trilium MCP Server

Brings your Trilium Notes knowledge base into Claude Desktop, enabling full-text search, note management, and content interaction through natural language.

Viber MCP Server

Enables an AI assistant to send and read Viber messages by automating the Viber Desktop app on macOS through UI automation and OCR.

Arkon

Self-hosted enterprise knowledge hub that compiles organizational docs into a structured wiki and serves it to AI clients via MCP with fine-grained access control.

EasyAiFlows Automation Assessment

Assess your business's AI automation readiness across 20 industries. Get a personalized score, specific recommendations, and time/revenue impact estimates

Loom Advisor

Provides tools to list, retrieve, edit, and merge Loom screen recordings.

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.

vision-router-mcp

Enables AI agents to analyze images via user-configured cloud vision APIs (Gemini or OpenAI-compatible), returning structured results such as summaries, OCR text, and objects.

mcp-blueapron

Manage your Blue Apron subscription, browse weekly menus, select recipes, skip deliveries, and update preferences through AI assistants.

parallel-browser-mcp

parallel-browser-mcp is an MCP server for parallel browser automation. It exposes a numeric session model over MCP so one client can create and control multiple browser sessions at the same time across multiple browser providers.

Casper MCP Server

Enables AI agents to interact with the Casper Network through six tools including account balance, agent registry, transaction status, transfers, and DeFi pools, using the Model Context Protocol.

reference-mcp

An MCP server that helps AI agents comprehend a codebase by providing tools for navigating, searching, and understanding code structure and history.

bikky

Provides persistent memory for AI coding agents via MCP, enabling teams to share and recall facts across sessions. Automatically captures, classifies, and curates knowledge from supported transcript sources.

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.

DateTime MCP Server

Provides timezone-aware date and time information with configurable time formats and timezone support. Enables users to get current date and time in their preferred timezone and format through simple MCP tools.

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。

MCP Ollama Server

Enables natural language database queries by combining Ollama's language models with SQLite database access through an MCP server.

ecommerce-mcp-server

Enables AI agents to search products, lookup barcodes, and manage shopping carts and wishlists using free e-commerce APIs.

GigAPI MCP Server

An MCP server that provides seamless integration with Claude Desktop for querying and managing timeseries data in GigAPI Timeseries Lake.

app.wishpool/ukraine-payments-mcp

Enables AI agents to accept payments in Ukraine via LiqPay (cards, Apple Pay, Google Pay). Provides tools to create hosted checkout links and query payment status.

sfc-data-mcp

MCP server that wraps SFC financial data API into 32 tools for comprehensive A-share market data, including real-time quotes, rankings, limit-up statistics, news, themes, financials, charts, research reports, and watchlists.