Προηγούμενη μάχη · 2026-05-26 UTC
MCP Servers Αναμέτρηση — 26 Μαΐου 2026
Από την κατηγορία MCP Servers. 99 βαθμοί τοποθετήθηκαν σε 5 μαχητές. Το onchain-mcp πήρε το στέμμα.
Τελική κατάταξη
Η σύνθεση
Οι μαχητές
Προφίλ κάθε εργαλείου που διαγωνίστηκε σε αυτή τη μάχη, καταταγμένα με βάση την τελική τους βαθμολογία.
Ο Bankless Onchain MCP Server είναι ένα πλαίσιο για την αλληλεπίδραση με δεδομένα on‑chain μέσω του Bankless API. Υλοποιεί το Model Context Protocol (MCP) ώστε τα AI μοντέλα να έχουν πρόσβαση στην κατάσταση του blockchain και στα δεδομένα γεγονότων με δομημένο τρόπο. Ο server προσφέρει διάφορες λειτουργίες δεδομένων, συμπεριλαμβανομένης της ανάγνωσης κατάστασης συμβολαίων, της λήψης logs γεγονότων και της ανάκτησης ιστορικού συναλλαγών. Εξυπηρετεί προγραμματιστές και ερευνητές που χρειάζονται να αλληλεπιδρούν με δεδομένα blockchain με δομημένο τρόπο. Αυτό το έργο δεν λαμβάνει πλέον ενημερώσεις, και η κατάσταση συντήρησής του μπορεί να επηρεάσει τη σταθερότητα και τη διαθεσιμότητα των λειτουργιών.
Κατανομή κριτηρίων
- Λειτουργίες συμβολαίου (ανάγνωση κατάστασης συμβολαίου, λήψη proxy, λήψη ABI, λήψη πηγαίου κώδικα)
- Λειτουργίες γεγονότων (λήψη γεγονότων, δημιουργία θέματος γεγονότος)
- Λειτουργίες συναλλαγών (λήψη ιστορικού συναλλαγών, λήψη πληροφοριών συναλλαγής)
markitdown
Python εργαλείο για τη μετατροπή αρχείων και εγγράφων γραφείου σε Markdown.
MarkItDown είναι ένα ελαφρύ εργαλείο Python για τη μετατροπή διαφόρων αρχείων σε Markdown για χρήση με LLMs και συναφή pipelines ανάλυσης κειμένου. Είναι πιο σύμφωνο με το textract, αλλά με έμφαση στη διατήρηση της σημαντικής δομής και του περιεχομένου του εγγράφου ως Markdown, συμπεριλαμβανομένων επικεφαλίδων, λιστών, πινάκων, συνδέσμων κ.λπ. Η έξοδος είναι συχνά αρκετά παρουσιαστική και φιλική προς τον άνθρωπο, αλλά προορίζεται να καταναλωθεί από εργαλεία ανάλυσης κειμένου και ενδέχεται να μην αποτελεί τη βέλτιστη επιλογή για μετατροπές εγγράφων υψηλής πιστότητας για ανθρώπινη κατανάλωση. Η MarkItDown υποστηρίζει προς το παρόν τη μετατροπή από PDF, PowerPoint, Word, Excel, Images (EXIF metadata και OCR), Audio (EXIF metadata και μεταγραφή ομιλίας), HTML, Text-based formats (CSV, JSON, XML), ZIP files, Youtube URLs, EPubs, και άλλα. Συνιστάται η χρήση ενός εικονικού περιβάλλοντος για αποφυγή συγκρούσεων εξαρτήσεων. Με Python 3.10 ή νεότερο, μπορείτε να εγκαταστήσετε το MarkItDown χρησιμοποιώντας το pip: pip install 'markitdown[all]' ή από την πηγή με: git clone git@github.com:microsoft/markitdown.git, έπειτα pip install -e 'packages/markitdown[all]'. Η χρήση του MarkItDown περιλαμβάνει την εκτέλεση από τη γραμμή εντολών, είτε καθορίζοντας το αρχείο εξόδου, είτε μεταφέροντας περιεχόμενο μέσω σωλήνου (pipe), είτε χρησιμοποιώντας τη συγκεκριμένη συνάρτηση convert_* για ειδικές περιπτώσεις.
Κατανομή κριτηρίων
- Μετατροπή PDF, PowerPoint, Word, Excel
- Υποστήριξη για Εικόνες (EXIF μεταδεδομένα και OCR)
- Υποστήριξη για ήχος (EXIF μεταδεδομένα και μεταγραφή ομιλίας)
- Υποστήριξη για HTML, κείμενο-βάσιμα μορφότυπα (CSV, JSON, XML)
- Υποστήριξη για ZIP αρχεία, Youtube URLs, EPubs
- Προαιρετικές εξαρτήσεις για ενεργοποίηση διαφόρων μορφών αρχείων
Ο mcp-clickhouse MCP server είναι ένας MCP server για το ClickHouse. Διαθέτει ClickHouse Tools, όπως run_query για εκτέλεση SQL queries στο cluster του ClickHouse, list_databases για λήψη όλων των βάσεων δεδομένων στο cluster, και list_tables για λήψη των πινάκων σε μια βάση δεδομένων με σελιδοποίηση. Επιπλέον, περιλαμβάνει chDB Tools, όπως run_chdb_select_query, για εκτέλεση SQL queries χρησιμοποιώντας το ενσωματωμένο ClickHouse engine του chDB. Παρέχει επίσης έναν Health Check Endpoint για έλεγχο της υγείας του server και έναν μηχανισμό ασφαλείας για πιστοποίηση. Ο server μπορεί να ρυθμιστεί για εσωτερικές υπηρεσίες, τοπική ανάπτυξη, ή με OAuth / OIDC προμηθευτές πιστοποίησης μέσω FastMCP.
Κατανομή κριτηρίων
- run_query για εκτέλεση ερωτημάτων SQL σε cluster ClickHouse
- list_databases για απαρίθμηση όλων των βάσεων δεδομένων σε cluster ClickHouse
- list_tables για απαρίθμηση πινάκων σε βάση δεδομένων με σελιδοποίηση
- run_chdb_select_query για εκτέλεση ερωτημάτων SQL χρησιμοποιώντας την ενσωματωμένη μηχανή ClickHouse του chDB
- Health Check Endpoint για παρακολούθηση του server
- Πολλαπλά μοντέλα αυθεντικοποίησης, συμπεριλαμβανομένων OAuth και OIDC μέσω FastMCP
Το MCP Server for QA Sphere TMS είναι ένας πελάτης που χρησιμοποιείται για την ενσωμάτωση Μεγάλων Γλωσσικών Μοντέλων (LLMs) με το QA Sphere (QSP) προκειμένου να ενισχύσει τις δυνατότητες δημιουργίας σεναρίων δοκιμών. Μετά τη ρύθμιση του διακομιστή (λεπτομέρειες διαθέσιμες στο GitHub), τα LLMs μπορούν να αλληλεπιδράσουν με τις αυτοματοποιημένες δοκιμές του QA Sphere. Χρησιμοποιώντας το MCP (Model Callback Protocol), επιτρέπει στους προγραμματιστές και τους δοκιμαστές να δημιουργούν γρήγορα δοκιμές βασισμένες σε AI, να αυτοματοποιούν εργασίες και να εκτελούν σύνολα δοκιμών ενσωματωμένα με το QAS Sphere. Η λύση βασισμένη σε MCP είναι υποστηριζόμενη από χρήστες, επιτρέποντας την αυτοματοποίηση μιας ευρείας γκάμας εργασιών QA, συμπεριλαμβανομένης της ανακάλυψης και εκτέλεσης test-case. Επιπλέον, μπορείτε να ανατρέχετε σε large language models, να αυτοματοποιείτε εργασίες και να εκτελείτε test suites ενσωματωμένα με το QA Sphere Test Management System.
Κατανομή κριτηρίων
- Σερβέρ MCP για τη διαχείριση δοκιμών QA Sphere
- Απενεργοποίηση υποστήριξης για την διαλειτουργία με Ιεραρχικά Μοντέλα Γλώσσας (LLMs)
- Πρόσβαση API και پیکουρίσματος
- Ανθεκτική με οποιοδήποτε klient MCP
MemoryMesh
Ένας διακομιστής γράφημα γνώσεων που χρησιμοποιεί το Model Context Protocol (MCP) για να παρέχει δομημένη μνήμη για μοντέλα AI. v0.2.8
Το MemoryMesh είναι ένας διακομιστής Knowledge Graph σχεδιασμένος για μοντέλα AI, με έμφαση σε κείμενα RPGs και διαδραστική αφήγηση. Βοηθά τα AI να διατηρούν συνεπή, δομημένη μνήμη μεταξύ των συνομιλιών, επιτρέποντας πιο πλούσιες και δυναμικές αλληλεπιδράσεις. Το έργο βασίζεται στον Knowledge Graph Memory Server από το αποθετήριο MCP servers και διατηρεί τη βασική του λειτουργικότητα. Το MemoryMesh ενδυναμώνει τους χρήστες να δημιουργούν και να διαχειρίζονται δομημένες πληροφορίες για μοντέλα AI. Το MemoryMesh είναι ένας τοπικός διακομιστής γραφήματος γνώσης που είναι ιδιαίτερα κατάλληλος για RPG με βάση κείμενο, αλλά μπορεί επίσης να χρησιμοποιηθεί για προσομοιώσεις κοινωνικών δικτύων, οργανωτική σχεδίαση ή οποιοδήποτε σενάριο που εμπλέκει δομημένα δεδομένα. Βασικά Χαρακτηριστικά: Δυναμικά Εργαλεία βασισμένα σε Σχήματα – Ορίστε τη δομή των δεδομένων σας με σχήματα και το MemoryMesh δημιουργεί αυτόματα εργαλεία για προσθήκη, ενημέρωση και διαγραφή δεδομένων. Ευφυής Σχεδίαση Σχημάτων – Δημιουργήστε σχήματα που καθοδηγούν το AI στην παραγωγή και σύνδεση κόμβων, χρησιμοποιώντας απαιτούμενα πεδία, απαρίθμητους τύπους και ορισμούς σχέσεων. Μεταδεδομένα για Καθοδήγηση AI – Χρησιμοποιήστε μεταδεδομένα για να παρέχετε συμφραζόμενα και δομή, βοηθώντας το AI να κατανοήσει το νόημα και τις σχέσεις μέσα στα δεδομένα σας. Διαχείριση Σχέσεων – Ορίστε σχέσεις εντός των σχημάτων σας ώστε να ενθαρρύνετε το AI να δημιουργήσει συνδέσεις μεταξύ συναφών σημείων δεδομένων. Informative Feedback: Παρέχει ανατροφοδότηση σφαλμάτων στο AI, επιτρέποντάς του να μαθαίνει από τα λάθη και να βελτιώνει τις αλληλεπιδράσεις του με το γράφο γνώσης. Event Support: Ένα σύστημα συμβάντων παρακολουθεί τις λειτουργίες, παρέχοντας πληροφορίες για το πώς τροποποιείται ο γράφος γνώσης. Οι κόμβοι (nodes) αντιπροσωπεύουν οντότητες ή έννοιες μέσα στον γράφο γνώσης, κάθε ένας με όνομα, nodeType, metadata και βάρος. Οι ακμές (edges) αντιπροσωπεύουν σχέσεις μεταξύ κόμβων, κάθε μία με source node, target node και edgeType. Τα σχήματα (schemas) αποτελούν την καρδιά του MemoryMesh και καθορίζουν τη δομή δεδομένων με αυτόματα δημιουργημένα εργαλεία.
Κατανομή κριτηρίων
- Δυναμικά εργαλεία βασισμένα σε σχήμα
- Ευφυής σχεδίαση σχήματος
- Μεταδεδομένα για την καθοδήγηση AI
- Διαχείριση σχέσεων
- Πληροφοριακό ανάδραση
- Υποστήριξη γεγονότων