Vergangene Schlacht · 2026-05-26 UTC
MCP Servers Duell — 26. Mai 2026
Aus der Kategorie MCP Servers. 99 Marken verteilt auf 5 Kämpfer. onchain-mcp holte sich die Krone.
Endstand
Die Aufstellung
Die Kämpfer
Profile aller Tools, die in dieser Schlacht angetreten sind, nach Endpunktzahl sortiert.
Der Bankless Onchain MCP Server ist ein Framework für die Interaktion mit On-Chain-Daten über die Bankless API. Er implementiert das Model Context Protocol (MCP), um KI-Modellen einen strukturierten Zugriff auf Blockchain-Zustands- und Ereignisdaten zu ermöglichen. Der Server bietet verschiedene Datenoperationen, darunter das Lesen von Vertragszuständen, das Abrufen von Ereignisprotokollen und das Abrufen von Transaktionsverlaufsdaten. Er richtet sich an Entwickler und Forscher, die in strukturierter Weise mit Blockchain-Daten interagieren müssen. Dieses Projekt erhält keine Updates mehr, und sein Wartungsstatus könnte seine Stabilität und Verfügbarkeit von Funktionen beeinträchtigen.
Kriterienaufschlüsselung
- Vertragsoperationen (Vertragszustand lesen, Proxy abrufen, ABI abrufen, Quelle abrufen)
- Ereignisoperationen (Ereignisse abrufen, Ereignistopic erstellen)
- Transaktionsoperationen (Transaktionshistorie abrufen, Transaktionsinformationen abrufen)
markitdown
Python-Tool zum Konvertieren von Dateien und Büro-Dokumenten in Markdown.
MarkItDown ist ein leichtgewichtiges Python-Tool zum Konvertieren verschiedener Dateien in Markdown für die Verwendung mit LLMs und zugehörigen Textanalyse-Pipelines. Es ist am ehesten mit textract vergleichbar, aber mit einem Fokus auf die Erhaltung wichtiger Dokumentstrukturen und -inhalte als Markdown, einschließlich Überschriften, Listen, Tabellen, Links usw. Die Ausgabe ist oft vernünftig präsentabel und menschenfreundlich, aber sie soll von Textanalysetools verbraucht werden und ist möglicherweise nicht die beste Option für hochgenaue Dokumentkonvertierungen für den menschlichen Gebrauch. MarkItDown unterstützt derzeit die Konvertierung von PDF, PowerPoint, Word, Excel, Bildern (EXIF-Metadaten und OCR), Audio (EXIF-Metadaten und Sprachttranskription), HTML, textbasierten Formaten (CSV, JSON, XML), ZIP-Dateien, YouTube-URLs, EPubs und vielem mehr. Es wird empfohlen, eine virtuelle Umgebung zu verwenden, um Konflikte bei Abhängigkeiten zu vermeiden. Mit Python 3.10 oder höher können Sie MarkItDown mit pip installieren: pip install 'markitdown[all]' oder aus dem Quellcode mit: git clone git@github.com:microsoft/markitdown.git, dann pip install -e 'packages/markitdown[all]'. Die Verwendung von MarkItDown erfolgt über die Kommandozeile, entweder durch Angabe der Ausgabedatei, durch Weiterleiten von Inhalten oder durch die Verwendung der speziellsten convert_* Funktion für bestimmte Anwendungsfälle.
Kriterienaufschlüsselung
- Konvertierung von PDF, PowerPoint, Word, Excel
- Unterstützung von Bildern (EXIF-Metadaten und OCR)
- Unterstützung von Audio (EXIF-Metadaten und Sprachtranskription)
- Unterstützung von HTML, textbasierten Formaten (CSV, JSON, XML)
- Unterstützung von ZIP-Dateien, YouTube-URLs, EPubs
- Optionale Abhängigkeiten zur Aktivierung verschiedener Dateiformate
Der mcp-clickhouse MCP-Server ist ein MCP-Server für ClickHouse. Er bietet ClickHouse-Tools, darunter run_query zum Ausführen von SQL-Abfragen auf Ihrem ClickHouse-Cluster, list_databases zum Auflisten aller Datenbanken auf Ihrem ClickHouse-Cluster und list_tables zum Auflisten von Tabellen in einer Datenbank mit Pagination. Zusätzlich enthält er chDB-Tools wie run_chdb_select_query, um SQL-Abfragen mithilfe des eingebetteten ClickHouse-Engines von chDB auszuführen. Er stellt außerdem einen Health-Check-Endpunkt zur Überwachung der Servergesundheit und einen Sicherheitsmechanismus für die Authentifizierung bereit. Der Server lässt sich für interne Dienste, lokale Entwicklung oder mit OAuth/OIDC-Authentifizierungsanbietern über FastMCP einrichten.
Kriterienaufschlüsselung
- run_query zum Ausführen von SQL-Abfragen auf einem ClickHouse-Cluster
- list_databases zum Auflisten aller Datenbanken auf einem ClickHouse-Cluster
- list_tables zum Auflisten von Tabellen in einer Datenbank mit Pagination
- run_chdb_select_query zum Ausführen von SQL-Abfragen mithilfe des eingebetteten ClickHouse-Engines von chDB
- Health-Check-Endpunkt zur Überwachung des Servers
- Mehrere Authentifizierungsmodi, einschließlich OAuth und OIDC über FastMCP
Der MCP-Server für QA Sphere TMS ist ein Client, der zum Integrieren von Large Language Modellen (LLMs) mit dem QA Sphere (QSP) verwendet wird, um die Testskripterstellungsfähigkeiten zu verbessern. Nach dem Konfigurieren des Servers (Details stehen auf GitHub zur Verfügung), können LLMs mit den automatisierten Testfällen von QA Sphere interagieren. Durch das Ausnutzen des MCP (Model Callback Protokolls) ermöglicht es Entwickler und Tester, schnell AI-basierte Testfälle zu erstellen, Aufgaben zu automatisieren und Test-Suiten integriert mit QAS Sphere auszuführen. Die MCP-basierte Lösung ist von Benutzern unterstützt, was es ermöglicht, eine breite Palette von QA-Aufgaben zu automatisieren, einschließlich der Testfallentdeckung und -ausführung. Zusätzlich können große Sprachmodelle referenziert werden, Aufgaben automatisiert werden und Test-Suiten integriert mit dem QA Sphere-Testmanagement-System ausgeführt werden.
Kriterienaufschlüsselung
- MCP-Server für das QA Sphere-Testmanagement-System
- Unterstützung für die Interaktion mit großen Sprachmodellen (LLMs)
- API-Zugriff und -Konfiguration
- Kompatibel mit jedem MCP-Klienten
MemoryMesh
Ein Knowledge-Graph-Server, der das Model Context Protocol (MCP) nutzt, um strukturierte Gedächtnispersistenz für KI-Modelle bereitzustellen. v0.2.8
MemoryMesh ist ein Knowledge Graph Server, der für KI-Modelle entwickelt wurde, mit einem Schwerpunkt auf textbasierte RPGs und interaktives Geschichtenerzählen. Er hilft KI dabei, ein konsistentes, strukturiertes Gedächtnis über Gespräche hinweg aufrechtzuerhalten, um reichere und dynamischere Interaktionen zu ermöglichen. Das Projekt basiert auf dem Knowledge Graph Memory Server aus dem MCP-Server-Repository und behält dessen Kernfunktionalität bei. MemoryMesh ermöglicht es Benutzern, strukturierte Informationen für KI-Modelle zu erstellen und zu verwalten. MemoryMesh ist ein lokaler Knowledge Graph Server, der sich besonders gut für textbasierte RPGs eignet, aber auch für soziale Netzwerksimulationen, Organisationsplanung oder jedes andere Szenario mit strukturierten Daten verwendet werden kann. Wichtige Funktionen Dynamische schema-basierte Tools: Definieren Sie Ihre Datenstruktur mit Schemata, und MemoryMesh generiert automatisch Tools zum Hinzufügen, Aktualisieren und Löschen von Daten. Intuitives Schemadesign: Erstellen Sie Schemata, die den KI-Algorithmus bei der Generierung und Verbindung von Knoten unterstützen, indem Sie erforderliche Felder, enumerierte Typen und Beziehungsdefinitionen verwenden. Metadaten für KI-Anleitung: Verwenden Sie Metadaten, um Kontext und Struktur bereitzustellen, damit die KI die Bedeutung und Beziehungen innerhalb Ihrer Daten versteht. Beziehungsbehandlung: Definieren Sie Beziehungen innerhalb Ihrer Schemata, um die KI dazu anzuregen, Verbindungen zwischen verwandten Datenpunkten zu erstellen. Informatives Feedback: Bietet dem KI-System Fehlerfeedback, damit es aus Fehlern lernen und seine Interaktionen mit dem Wissensgraphen verbessern kann. Ereignisunterstützung: Ein Ereignissystem verfolgt Operationen und bietet Einblicke in die Änderungen des Wissensgraphen. Knoten stellen Entitäten oder Konzepte innerhalb des Wissensgraphen dar, jeder hat einen Namen, einen nodeType, Metadaten und ein Gewicht. Kanten stellen Beziehungen zwischen Knoten dar, jede hat einen Quellknoten, einen Zielknoten und einen edgeType. Schemata sind das Herzstück von MemoryMesh und definieren die Datenstruktur mit automatisch generierten Tools.
Kriterienaufschlüsselung
- Dynamische, schema-basierte Tools
- Intuitives Schemadeign Design
- Metadaten für KI‑Anleitung
- Behandeln von Beziehungen
- Informative Rückmeldungen
- Ereignisunterstützung