Batalla anterior · 2026-05-26 UTC
MCP Servers Duelo — 26 de mayo de 2026
De la categoría MCP Servers. 99 marcas colocadas entre 5 combatientes. onchain-mcp se llevó la corona.
Clasificación final
La formación
Los combatientes
Perfiles de cada herramienta que compitió en esta batalla, clasificadas por su puntuación final.
El servidor Bankless Onchain MCP es un marco para interactuar con datos en cadena a través de la API de Bankless. Implementa el Protocolo de Contexto de Modelo (MCP) para permitir que los modelos de inteligencia artificial accedan a datos de estado y eventos de blockchain de manera estructurada. El servidor proporciona varias operaciones de datos, incluyendo la lectura de estados de contratos, la obtención de registros de eventos y la recuperación de historial de transacciones. Está diseñado para desarrolladores e investigadores que necesitan interactuar con datos de blockchain de manera estructurada. Este proyecto ya no recibe actualizaciones, y su estado de mantenimiento puede afectar su estabilidad y disponibilidad de funciones.
Desglose de criterios
- Operaciones de contrato (leer estado de contrato, obtener proxy, obtener ABI, obtener fuente)
- Operaciones de evento (obtener eventos, crear tema de evento)
- Operaciones de transacción (obtener historial de transacciones, obtener información de transacción)
markitdown
Herramienta Python para convertir archivos y documentos de oficina a Markdown.
MarkItDown es una utilidad ligera de Python para convertir varios archivos a Markdown para uso con LLMs y pipelines de análisis de texto relacionados. Es comparable a textract, pero con un enfoque en preservar la estructura y el contenido importantes del documento como Markdown, incluidos títulos, listas, tablas, enlaces, etc. La salida suele ser razonablemente presentable y amigable para humanos, pero está destinada a ser consumida por herramientas de análisis de texto y puede no ser la mejor opción para conversiones de documentos de alta fidelidad para consumo humano. MarkItDown actualmente admite la conversión de PDF, PowerPoint, Word, Excel, Imágenes (metadatos EXIF y OCR), Audio (metadatos EXIF y transcripción de voz), HTML, formatos basados en texto (CSV, JSON, XML), archivos ZIP, URLs de Youtube, EPubs, y más. Se recomienda utilizar un entorno virtual para evitar conflictos de dependencias. Con Python 3.10 o superior, puede instalar MarkItDown usando pip: pip install 'markitdown[all]' o desde el código fuente con: git clone git@github.com:microsoft/markitdown.git, luego pip install -e 'packages/markitdown[all]' El uso de MarkItDown implica invocación desde la línea de comandos, ya sea especificando el archivo de salida, canalizando contenido o utilizando la función convert_* más específica para casos de uso particulares.
Desglose de criterios
- Conversión de PDF, PowerPoint, Word, Excel
- Soporte para Imágenes (metadatos EXIF y OCR)
- Soporte para Audio (metadatos EXIF y transcripción de voz)
- Soporte para HTML, formatos basados en texto (CSV, JSON, XML)
- Soporte para archivos ZIP, URLs de Youtube, EPubs
- Dependencias opcionales para activar varios formatos de archivo
El servidor MCP mcp-clickhouse es una MCP server para ClickHouse. Cuenta con Herramientas de ClickHouse, incluyendo run_query para ejecutar consultas SQL en tu cluster de ClickHouse, list_databases para listar todas las bases de datos en tu cluster de ClickHouse, y list_tables para listar tablas en una base de datos con paginación. Además, incluye herramientas chDB, como run_chdb_select_query, para ejecutar consultas SQL utilizando el motor de ClickHouse incorporado de chDB. También proporciona un Punto de Final de Verificación de Salud para verificar el estado del servidor y una Mecanismo de Seguridad para autenticación. El servidor puede configurarse para servicios internos, desarrollo local, o con proveedores de autenticación OAuth / OIDC a través de FastMCP.
Desglose de criterios
- run_query para ejecutar consultas SQL en cluster de ClickHouse
- list_databases para listar todas las bases de datos en cluster de ClickHouse
- list_tables para listar tablas en una base de datos con paginación
- run_chdb_select_query para ejecutar consultas SQL utilizando el motor de ClickHouse en chDB
- Punto de Final de Verificación de Salud para monitoreo del servidor
- Modos de autenticación múltiples, incluyendo OAuth y OIDC a través de FastMCP
El Servidor de MCP para QA Sphere TMS es un cliente utilizado para integrar Modelos de Lenguaje de Gran Escala (LLM) con QA Sphere (QSP) para mejorar las capacidades de creación de testigos de prueba. Después de configurar el servidor (detalles disponibles en GitHub), los LLMs pueden interactuar con los casos de prueba automatizados de QA Sphere. Al aprovechar el MCP (Model Callback Protocol), permite a los desarrolladores y los testadores crear casos de prueba basados en AI de manera rápida, automatizar tareas y ejecutar conjuntos de pruebas integrados con QAS Sphere. La solución basada en MCP es respaldada por el usuario, permitiendo automatizar una amplia gama de tareas de QA, incluida la descubierta y ejecución de casos de prueba. Además, puedes referenciar modelos de lenguaje de gran escala, automatizar tareas y ejecutar conjuntos de pruebas integrados con el Sistema de Gestión de Test de QA Sphere.
Desglose de criterios
- Servidor MCP para el sistema de administración de pruebas QA Sphere
- Soporte para la interacción con Modelos de Lenguaje de Gran Escala (LLMs)
- Acceso y configuración de API
- Compatibilidad con cualquier cliente MCP
MemoryMesh
Un servidor de gráfica de conocimiento que utiliza el Protocolo de Contexto de Modelo (MCP) para proporcionar persistencia de memoria estructurada para modelos de inteligencia artificial. v0.2.8
MemoryMesh es un servidor de grafos de conocimiento diseñado para modelos de inteligencia artificial, con un enfoque en juegos de rol basados en texto y narración interactiva. Ayuda a la inteligencia artificial a mantener una memoria estructurada y consistente a lo largo de las conversaciones, lo que permite interacciones más ricas y dinámicas. El proyecto se basa en el Knowledge Graph Memory Server del repositorio de servidores MCP y conserva su funcionalidad principal. MemoryMesh permite a los usuarios crear y gestionar información estructurada para modelos de inteligencia artificial. MemoryMesh es un servidor de gráfico de conocimiento local especialmente adecuado para juegos de rol basados en texto, pero también se puede utilizar para simulaciones de redes sociales, planificación organizacional o cualquier escenario que involucre datos estructurados. Características clave Herramientas dinámicas basadas en esquemas: Defina la estructura de sus datos con esquemas y MemoryMesh genera automáticamente herramientas para agregar, actualizar y eliminar datos. Diseño de esquema intuitivo: Cree esquemas que guían al AI en la generación y conexión de nodos, utilizando campos obligatorios, tipos enumerados y definiciones de relaciones. Metadatos para la orientación del AI: Utilice metadatos para proporcionar contexto y estructura, ayudando al AI a comprender el significado y las relaciones dentro de sus datos. Manejo de relaciones: Defina relaciones dentro de sus esquemas para fomentar que el AI cree conexiones entre puntos de datos relacionados. Comentarios Informativos: Proporciona retroalimentación de errores al AI, lo que le permite aprender de sus errores y mejorar sus interacciones con el grafo de conocimiento. Soporte de Eventos: Un sistema de eventos rastrea las operaciones, proporcionando información sobre cómo se está modificando el grafo de conocimiento. Los nodos representan entidades o conceptos dentro del gráfico de conocimiento, cada uno con un nombre, un tipo de nodo, metadatos y un peso. Las aristas representan relaciones entre nodos, cada una con un nodo de origen, un nodo de destino y un tipo de arista. Los esquemas son el corazón de MemoryMesh y definen la estructura de datos con herramientas generadas automáticamente.
Desglose de criterios
- Herramientas con esquema dinámico basado
- Diseño de esquema intuitivo
- Metadatos para orientación de IA
- Gestión de relaciones
- Feed-back informativo
- Soporte de eventos