MCP Servers

<p align="center">
<img src="assets/logo_landscape.png" width="800" />
</p>

<div align="center">

# MCP.science: 用于科学研究的开源 MCP 服务器 🔍📚

[![License: MIT](https://img.shields.io/badge/License-MIT-yellow.svg)](https://opensource.org/licenses/MIT)

*加入我们，通过 AI 和开源工具加速科学发现！*
</div>


## 目录

- [关于](#about)
- [什么是 MCP？](#what-is-mcp)
- [本仓库中可用的服务器](#available-servers-in-this-repo)
- [如何将 MCP 服务器集成到您的客户端](#how-to-integrate-mcp-servers-into-your-client)
- [如何构建您自己的 MCP 服务器](#how-to-build-your-own-mcp-server)
- [贡献](#contributing)
- [许可](#license)
- [致谢](#acknowledgments)

## 关于
本仓库包含一系列专门为科学研究应用设计的开源 [MCP](https://modelcontextprotocol.io/introduction) 服务器。这些服务器使 AI 模型（如 Claude）能够通过标准化协议与科学数据、工具和资源进行交互。

## 什么是 MCP？
> MCP 是一个开放协议，它标准化了应用程序如何向 LLM 提供上下文。可以将 MCP 视为 AI 应用程序的 USB-C 端口。正如 USB-C 提供了一种将设备连接到各种外围设备和配件的标准化方式一样，MCP 提供了一种将 AI 模型连接到不同数据源和工具的标准化方式。
> 
> MCP 帮助您在 LLM 之上构建代理和复杂的工作流程。LLM 经常需要与数据和工具集成，而 MCP 提供了：
>
> - 越来越多的预构建集成，您的 LLM 可以直接插入
> - 在 LLM 提供商和供应商之间切换的灵活性
> - 在您的基础设施中保护数据的最佳实践
> 
> 来源：[https://modelcontextprotocol.io/introduction](https://modelcontextprotocol.io/introduction)

## 本仓库中可用的服务器

#### [材料项目](./servers/materials-project/)
一个专门的工具，使 AI 助手能够搜索、可视化和操作来自材料项目数据库的材料科学数据。需要材料项目 API 密钥。

#### [Python 代码执行](./servers/python-code-execution/)
一个安全的沙盒环境，允许 AI 助手执行 Python 代码片段，并控制对标准库模块的访问，从而实现数据分析和计算任务，而不会产生安全风险。

#### [SSH Exec](./servers/ssh-exec/)
一个远程命令执行工具，使 AI 助手能够通过 SSH 在远程系统上安全地运行经过验证的命令，并具有可配置的限制和身份验证选项。

#### [Web Fetch](./servers/web-fetch/)
一个通用的 Web 内容检索工具，允许 AI 助手从网站获取和处理 HTML、PDF 和纯文本内容，从而实现从在线资源收集信息。

#### [TXYZ 搜索](./servers/txyz-search/)
一个全面的搜索平台，使 AI 助手能够执行学术和学术搜索、通用 Web 搜索，或根据查询自动选择最佳搜索类型。需要 TXYZ API 密钥。


## 如何将 MCP 服务器集成到您的客户端
### 前提条件
- [MCPM](https://mcpm.sh/): 由我们开发的 MCP 管理器，易于使用、开源、社区驱动、永久免费。
- [uv](https://docs.astral.sh/uv/): 一款用 Rust 编写的极快的 Python 包和项目管理器。您可以通过运行以下命令安装它：
    ```bash
    curl -sSf https://astral.sh/uv/install.sh | bash
    ```
- MCP 客户端：例如 [Claude Desktop](https://claude.ai/download) / [Cursor](https://cursor.com) / [Windsurf](https://windsurf.com/editor) / [Chatwise](https://chatwise.app/) / [Cherry Studio](https://cherry-ai.com/)

### 将 MCP 服务器集成到您的客户端

MCP 服务器可以与任何兼容的客户端应用程序集成。在这里，我们将以 [`web-fetch`](./servers/web-fetch/) mcp 服务器（包含在本仓库中）为例，逐步介绍集成过程。


#### 客户端集成

使用 MCPM，您可以轻松地将 MCP 服务器集成到您的客户端应用程序中。

```bash
mcpm add web-fetch

您可能需要重新启动客户端应用程序才能使更改生效。

然后，您可以通过要求获取 Web 内容来验证集成是否正常工作：

• "你能获取并总结来自 https://modelcontextprotocol.io/ 的内容吗？"
• 应该调用 web-fetch 工具，并且应该检索内容。

查找其他服务器

我们建议您查看 本仓库中可用的服务器 或 MCPM 注册表 以获取更多服务器。

如何构建您自己的 MCP 服务器

优势

通过构建您自己的 MCP 服务器，您可以：

• 提高准确性：LLM 可以利用您精确的计算方法，而不是近似它们
• 增强功能：使用您的专用工具扩展 LLM 可以执行的操作
• 保持控制：您的代码保留在您的系统上，LLM 仅在需要时调用它
• 分享专业知识：通过友好的对话界面使您的专业知识易于访问

前提条件

如果您不是经验丰富的开发人员，请不要担心！本指南旨在易于访问。您需要：

• 熟悉 Python 的基本知识（足以理解简单的函数）
• 您要集成的现有研究脚本或工具
• 您的计算机上安装了 Python

预期内容

本指南将引导您完成以下步骤：

1. 设置您的开发环境
2. 创建基本的 MCP 服务器结构
3. 集成您现有的科学代码
4. 使用 LLM 测试您的服务器
5. 扩展和改进您的服务器

每个步骤都包含详细的说明和解释。如果您遇到任何困难，请记住 MCP 社区随时为您提供帮助！

让我们开始创建您的新服务器。

创建新服务器的步骤

1. 初始化服务器包

使用 UV 创建一个新的服务器包：

uv init --package --no-workspace servers/your-new-server
uv add --directory servers/your-new-server mcp

请注意命名约定：每个 MCP 服务器有 3 个不同的名称：

1. 代码目录的名称（文件夹名称，也是服务器目录中 pyproject.toml 的 project.name 中定义的名称）：使用连字符，例如：

   # servers/your-server/pyproject.toml
   [project]
   name = "your-server"
   

2. python 包的名称（servers/your-server/src 中目录的名称）：使用 snake_case，例如：servers/your-server/src/your_server
3. 脚本的名称（在 servers/your-server/pyproject.toml 的 [project.scripts] 部分中定义）：使用 snake_case 并以 mcp- 为前缀（需要手动修改），例如：

   [project.scripts]
   mcp-your-server = "your_server:main"
   

2. 实现最简单的服务器

让我们首先实现一个提供简单加法工具的基本服务器。创建或更新 servers/your-new-server/src/your_new_server/__init__.py：

def main():
    from mcp.server.fastmcp import FastMCP
    import logging

    # Configure logging
    logging.basicConfig(
        level=logging.INFO,
        format='%(asctime)s - %(levelname)s - %(name)s - %(message)s'
    )
    logger = logging.getLogger(__name__)

    # Initialize MCP server
    mcp = FastMCP()

    # Define your tools
    @mcp.tool()
    async def add(a: int, b: int) -> str:
        return str(a + b)

    # Start server
    logger.info('Starting your-new-server')
    mcp.run('stdio')

3. 在本地启动服务器

使用以下命令运行您的服务器：

uv run --directory servers/your-new-server your-new-server

成功启动后，您应该看到类似于以下的输出：

2025-04-01 10:22:36,402 - INFO - your_new_server - Starting your-new-server

4. 添加更多工具

您可以通过定义新函数并使用 @mcp.tool() 装饰它们来向您的服务器添加更多工具。例如：

import numpy as np

@mcp.tool()
async def mean(a: int, b: int) -> str:
    return str(np.mean([a, b]))

您的服务器可能需要更多依赖项，您可以使用 uv add 添加它们（pyproject.toml 将自动更新）。

5. 测试您的服务器

在本地运行您的 MCP 服务器并将其与客户端集成。 以 Claude Desktop 为例：

• 打开 Claude Desktop，找到 "Claude" -> "Settings"
• 进入 "Developer" 选项卡，点击 "Edit Config" 进入配置文件目录
• 将您的服务器添加到配置文件，例如：

{
    // ...
    "mcpServers": {
        "your-new-server": {
            "command": "uv",
            "args": [
                "run",
                "--directory",
                "/path/to/your-new-server",
                "mcp-your-new-server"
            ]
        }
    }
}

6. 完成 README.md，提交更改并创建拉取请求

更好的 README.md 将使其他人更容易理解和使用您的服务器。

(可选) 7. 将其添加到 MCPM 注册表

为了让其他人更容易访问您的服务器，您可以按照 MCPM 注册表中的说明将其添加到 MCPM 注册表。

贡献

我们热烈欢迎对 MCP.science 的贡献！您可以帮助改进现有服务器、添加新服务器或您认为可以使该项目更好的任何内容。

如果您不熟悉 GitHub 以及如何为开源存储库做出贡献，那么这可能有点挑战性，但对您来说仍然很容易。我们建议您首先阅读以下内容：

• 如何在 GitHub 上创建您的第一个拉取请求
• 创建拉取请求

简而言之，您可以按照以下步骤操作：

1. 将存储库 Fork 到您自己的 GitHub 帐户
2. 将 Fork 的存储库克隆到您的本地计算机
3. 创建一个功能分支 (git checkout -b feature/amazing-feature)
4. 进行更改并提交它们 (git commit -m 'Add amazing feature')
5. 推送到分支 (git push origin feature/amazing-feature)
6. 打开一个拉取请求

请确保您的 PR 符合以下条件：

• 清晰的提交消息
• 正确的文档更新
• 新功能的测试覆盖率

许可

本项目根据 MIT 许可证获得许可 - 有关详细信息，请参阅 LICENSE 文件。

致谢

感谢所有贡献者！