Bataille passée · 2026-05-26 UTC
MCP Servers Duel — 26 mai 2026
De la catégorie MCP Servers. 99 marques placées sur 5 combattants. onchain-mcp a décroché la couronne.
Classement final
Le casting
Les combattants
Profils de chaque outil ayant concouru dans cette bataille, classés par leur score final.
Le serveur Bankless Onchain MCP est un cadre permettant d'interagir avec les données en chaîne via l'API Bankless. Il implémente le Model Context Protocol (MCP) afin que les modèles d'IA puissent accéder au state du blockchain et aux données d'événements de façon structurée. Le serveur propose diverses opérations de données, y compris la lecture d'état de contrat, la récupération des logs d'événements, et la récupération de l'historique des transactions. Il s'adresse aux développeurs et aux chercheurs qui ont besoin d'interagir avec les données blockchain de manière structurée. Ce projet ne reçoit plus de mises à jour, et son statut de maintenance peut influencer sa stabilité et la disponibilité des fonctionnalités.
Répartition des critères
- Opérations sur les contrats (lecture d'état, récupération du proxy, obtention de l'ABI, récupération de la source)
- Opérations sur les événements (récupération des événements, création de sujets d'événement)
- Opérations sur les transactions (obtenir l'historique des transactions, obtenir les informations sur une transaction)
markitdown
Outil Python pour convertir des fichiers et documents bureautiques en Markdown.
MarkItDown est une utilitaire Python léger pour convertir divers fichiers en Markdown afin d'être utilisés avec des LLMs et des pipelines d'analyse de texte. Il est comparable à textract, mais se concentre sur la préservation de la structure et du contenu important des documents sous forme de Markdown, y compris les titres, les listes, les tableaux, les liens, etc. La sortie est souvent raisonnablement présentable et conviviale, mais elle est destinée à être consommée par des outils d'analyse de texte, et peut ne pas être la meilleure option pour des conversions de documents haute-fidélité destinées à un usage humain. MarkItDown supporte actuellement la conversion de PDF, PowerPoint, Word, Excel, Images (métadonnées EXIF et OCR), Audio (métadonnées EXIF et transcription vocale), HTML, formats basés sur texte (CSV, JSON, XML), fichiers ZIP, URLs Youtube, EPub, et plus. Il est recommandé d'utiliser un environnement virtuel pour éviter les conflits de dépendances. Avec Python 3.10 ou supérieur, vous pouvez installer MarkItDown via pip: pip install 'markitdown[all]' ou depuis la source avec : git clone git@github.com:microsoft/markitdown.git, puis pip install -e 'packages/markitdown[all]'. L'utilisation de MarkItDown implique l'invocation en ligne de commande, soit en spécifiant le fichier de sortie, en transmettant le contenu via pipe, ou en utilisant la fonction convert_* la plus restreinte pour des cas d'utilisation spécifiques.
Répartition des critères
- Conversion de PDF, PowerPoint, Word, Excel
- Prise en charge des images (métadonnées EXIF et OCR)
- Prise en charge de l'audio (métadonnées EXIF et transcription de la parole)
- Prise en charge de HTML, formats basés sur du texte (CSV, JSON, XML)
- Prise en charge des fichiers ZIP, des URL Youtube, des EPubs
- Dépendances facultatives pour activer divers formats de fichiers
Le serveur MCP pour ClickHouse est un serveur MCP pour ClickHouse. Il comprend des outils ClickHouse, notamment run_query pour exécuter des requêtes SQL sur votre cluster ClickHouse, list_databases pour lister toutes les bases de données sur votre cluster ClickHouse, et list_tables pour lister les tables dans une base de données avec pagination. De plus, il inclut des outils chDB, comme run_chdb_select_query, pour exécuter des requêtes SQL à l'aide du moteur ClickHouse intégré de chDB. Il fournit également un point de terminaison de contrôle de l'état pour vérifier l'état de santé du serveur et un mécanisme de sécurité pour l'authentification. Le serveur peut être configuré pour les services internes, le développement local ou avec des fournisseurs d'authentification OAuth / OIDC via FastMCP.
Répartition des critères
- run_query pour exécuter des requêtes SQL sur le cluster ClickHouse
- list_databases pour lister toutes les bases de données sur le cluster ClickHouse
- list_tables pour lister les tables dans une base de données avec pagination
- run_chdb_select_query pour exécuter des requêtes SQL à l'aide du moteur ClickHouse intégré de chDB
- Point de terminaison de contrôle de l'état pour la surveillance du serveur
- Modes d'authentification multiples, y compris OAuth et OIDC via FastMCP
Le serveur MCP pour TMS d'analyse de qualité de sphere QA est un client utilisé pour intégrer les grands modèles de langage (LLMs) avec QSP afin d'améliorer les capacités de création de testscripts. Après avoir configuré le serveur (détails disponibles sur GitHub), les LLM peuvent interagir avec les cas de tests automatiques de QASphere. En utilisant le protocole de rappel du modèle (MCP), cela permet aux développeurs et aux testeurs de créer rapidement des cas de test basés sur l'intelligence artificielle, d'automatiser des tâches et de lancer des suites de tests intégrées avec QSP. La solution basée sur MCP est utilisée par les utilisateurs, permettant d'automatiser une large gamme de tâches d'analyse de qualité, y compris la découverte et l'exécution des cas de tests. De plus, vous pouvez référencer des grands modèles de langage, automatiser des tâches et lancer des suites de tests intégrées avec le système de gestion de test de QASphere.
Répartition des critères
- Serveur MCP pour le système de gestion de tests QA Sphere
- Support d'interactions avec les grandes modèles de langage (LLMs)
- Accès et configuration API
- Compatibilité avec n'importe quel client MCP
MemoryMesh
Un serveur de graphe de connaissances qui utilise le Model Context Protocol (MCP) pour fournir une persistance de mémoire structurée aux modèles d'IA. v0.2.8
MemoryMesh est un serveur de graphe de connaissances conçu pour les modèles d'IA, avec un focus sur les RPG basés sur le texte et la narration interactive. Il aide l'IA à maintenir une mémoire structurée et cohérente à travers les conversations, permettant des interactions plus riches et plus dynamiques. Le projet est basé sur le Knowledge Graph Memory Server du dépôt de serveurs MCP et conserve ses fonctionnalités principales. MemoryMesh permet aux utilisateurs de construire et de gérer des informations structurées pour les modèles d'IA. MemoryMesh est un serveur de graphe de connaissances local particulièrement adapté aux RPG textuels, mais qui peut également être utilisé pour des simulations de réseaux sociaux, une planification organisationnelle ou tout scénario impliquant des données structurées. Fonctionnalités clés Outils dynamiques basés sur des schémas : Définissez votre structure de données avec des schémas, et l'outil génère automatiquement des outils pour ajouter, mettre à jour et supprimer des données. Conception de schémas intuitive : Créez des schémas qui guident l'IA dans la génération et la connexion de nœuds, en utilisant des champs requis, des types énumérés et des définitions de relations. Métadonnées pour guider l'IA : Utilisez des métadonnées pour fournir un contexte et une structure, aidant l'IA à comprendre le sens et les relations au sein de vos données. Gestion des relations : Définissez des relations au sein de vos schémas pour encourager l'IA à créer des liens entre les points de données liés. Feedback informatif : Fournit un retour d'erreur à l'IA, lui permettant d'apprendre de ses erreurs et d'améliorer ses interactions avec le graphe de connaissances. Prise en charge des événements : Un système d'événements suit les opérations, fournissant des informations sur la façon dont le graphe de connaissances est modifié. Les nœuds représentent des entités ou des concepts au sein du graphe de connaissances, chacun ayant un nom, un nodeType, des métadonnées et un poids. Les arêtes représentent les relations entre les nœuds, chacune ayant un nœud source, un nœud cible et un edgeType. Les schémas sont le cœur de MemoryMesh et définissent la structure de données avec des outils générés automatiquement.
Répartition des critères
- Outils dynamiques basés sur les schémas
- Conception intuitive des schémas
- Métadonnées pour la guidance de l'IA
- Gestion des relations
- Feedback informatif
- Support des événements