MCP Servers Obračun — 26. svibnja 2026.

1

onchain-mcp

Donosi bankless onchain API u MCP

Još nema recenzijaBesplatno

Puna recenzija

Bankless Server za MCP je okvir za vezu s on-chain podacima preko Bankless APIs. Implementirao je protokol Model Context Protocol (MCP) kako bi omogućio korištenje umjetne inteligencije modela da pristupaju blovk čanskom stanju i podacima o događajima u sustavu. Server omogućuje različite operacije s podacima, uključujući čitanje stanja ugovora, preuzimanje zapisa o događajima i dobivanje povijesti transakcija. Uskačuje se razvojačkom dijeljenju i istraživačima koji moraju interaktivirati s podacima na blockchainu u sustavu. Projekt je više nije proučavao, a mogućnost popravljanja može utjecati na njegovu stabilnost i dostupnost značajki.

• Operacije ugovora (čitaj stanje ugovora, dohvaćaj proxy, dohvaćaj ABI, dohvaćaj izvor)
• Operacije događaja (dohvaćaj događaje, ustvori tema događaja)
• Operacije transakcija (dohvaćaj historija transakcija, dohvaćaj informacije o transakciji)

2

markitdown

Python alat za konverziju datoteka i uredskih dokumenta u Markdown.

Još nema recenzijaBesplatno

Puna recenzija

MarkItDown je lagani Python alat za pretvaranje različitih datoteka u Markup za uporabu s LLM-ovima i srodne text analize tokove. Najpribližniji je njega tekstaktract, ali s naglaskom na očuvanje važne dokument strukture i sadržaja u obliku Markup, uključujući naslove, spiskove, table, poveznice itd. Izlaz često je razumljiv i prijevozni za ljudi, ali njime se predviđa konzumacija teksta analitičkim alatima, i može se očekivati da nije najbolja opcija za visokofidelijske preinake dokumenta za ljudska mjesta. MarkItDown trenutačno podržava pretvaranje iz PDF, PowerPoint-a, Worda, Excela, Slika (EXIF podataka i OCR-a), Audio (EXIF podataka i transkripcije glasa), HTML-a, tekstualnih formata (CSV, JSON, XML), ZIP fajlova, URL-ova sa Youtube-a, EPub-ova i još mnogih formatsa. Preporučljivo je koristiti virtualnu okolinu kako bi se izbjegle konflikte u ovisnostima. Sa Python 3.10 ili višem verzijama, možete instalirati MarkItDown pomoću pip-a: pip instaliraj 'markitdown[all]' ili iz izvornog koda uz: git clone git@github.com:microsoft/markitdown.git, zatim pip instaliraj -e 'packages/markitdown[all]'. Uporaba MarkItDowna obuhvaća poziv preko pozivi komandne linije, bilo time što se određuje rezultatska datoteka, ili se sadržaj šalje putem pipe ili kako korištenjem najstrožeg convert_* funkcionala za specifične slučajeve uporabe.

• Konverzija PDF, PowerPoint, Word, Excel
• Podrška za Slike (EXIF metapodaci i OCR)
• Podrška za Audio (EXIF metapodaci i transkripcija govora)
• Podrška za HTML, tekstualne formate (CSV, JSON, XML)
• Podrška za ZIP datoteke, Youtube URL-ove, EPub-ove
• Predstavljeni ovisnosti za aktiviranje različitih datoteka

3

mcp-clickhouse

MCP server za mcp-clickhouse

Još nema recenzijaBesplatno

Puna recenzija

MCP server mcp-clickhouse služi kao MCP server za ClickHouse. Ovdje se nalaze alati za ClickHouse, od kojih su run_query za izvršavanje SQL upita na vama dostupnom ClickHouse klasteru, list_databases za prikazivanje svih baza na vama dostupnom ClickHouse klasteru i list_tables za prikazivanje tabela u bazi s paginacijom. Osim toga, uključuje alate chDB kao što je run_chdb_select_query, koji omogućava izvršavanje SQL upita kako bi se upotrijebio ugrađeni ClickHouse engine u chDB-u. Također, nudi Endpoint za Provjeru Zdravljja kako se provjerava zdravstveno stanje servera i mehanizam sigurnosti za autentifikaciju. Server se može postaviti za unutarnje usluge, lokalno razvoja ili uz pomoć provajdera autentifikacije OAuth / OIDC kroz FastMCP.

• izvrši SQL upiti na klasteru ClickHouse pomoću metode run_query
• pregled svih baza na klasteru ClickHouse pomoću metode list_databases
• pregled tabela unutar baze pomoću metode list_tables uz paginaciju
• izvrši SQL upite korištenjem ugrađenog enginea ClickHouse u chDB pomoću metode run_chdb_select_query
• Zdravstveni status endpoint radi praćenja svrhe za nadzor
• Više modova autenticiranja, uključujući OAuth i OIDC kroz FastMCP

MCP Server za QA Sphere TMS je klijentski servis koji se koristi za integraciju Velikih jezičnih modela (LLM) s QA Sphere-om (QSP) kako bi se poboljšale sposobnosti stvaranja testnih skripta. Nakon upravljanja serverom (podrobnosti dostupne na GitHubu), LLM-ovi mogu komunicirati s QA Sferinim automatskim testnim slučajevima. Koristeći MPC (Model Callback Protocol), omogućava programerima i testnim radionicama da brzo kreiraju testne slučajeve bazirane na AI-u, obrađuju zadaće i pokreću integrirane testne pakete s QASFERom. Rješenje bazirano na MCP-ju podržava korištenje korisnika, što omogućava automatizaciju velikog broja zadataka kvalitete (QA), uključujući otkrivanje i izvršenje testnih slučajeva. Nadalje, možete referencirati velike lingvističke modele, automatizirati zadatke i pokrenuti skupa testova koji su integrirani s sustavom upravljanja testovima QA Sphere.

• Služba za MCP za upravljanje testiranjem QA Sphere sistema
• Podrška za interakciju s velikim jezikovnim modelima (LLM)
• Dostupnost i konfiguracija API-ja
• Zarada kompatibilna s bilo kojim klijentom MCP-a

5

MemoryMesh

Služitelj grafova znanja koji uporablja Model Context Protocol (MCP) za pružanje strukturirane upamćene podatkovne persitencije za modelima AI-a, v0.2.8.

Još nema recenzijaBesplatno

Puna recenzija

Mjeshar Memory je poslužitelj grafa znanja dizajniran za models AI, sa ključnim fokusom na tekstualne avanture i interaktivno pripovijetko. On pomaže AI da održava konsistentne, strukturirane memorije kroz razgovore, omogućavajući bogatije i dinamičnije interakcije. Projekt izgrađen je na temelju Poslužitelja Grafa Znanja iz MCP repositarja i zadržava njegovo osnovno funkcioniranje. Mjeshar Memory omogućava korisnicima da-grade i upravlja strukturiranim informacijama za models AI. MemoryMesh je lokalni server znači za grafov graf znanja koji je posebno povoljan za tekstualne RPG-ove, ali može se koristiti i za simulacije društvenih mreža, organizacijski planiranje ili bilo koju drugu situaciju koja uključuje strukturirana podataka. Glavne značajske značajke Dinamički struktura - bazirani alati: Definiraj strukturu svojih podataka upotrebom schema, pa će MemoryMesh automatizirano stvoriti alate za dodavanje, ažuriranje i brisanje podataka. Intuicijan dizajn schema: Kreiraj schema koja vodila AI u generiranju i povezivanju čvorova, upotrebom obavezno polja, numeriranih tipova i definicija odnosa. Podaci za vodstvo AI-a: Upotrijebite podatke o metapodacima za pružanje konteksta i strukture, pomažući AI-u da razumije značenje i odnose unutar vaših podataka. Odnosi: Definiraj odnose unutar svojih schema kako bi se povećala vjerojatnost da će AI stvoriti veze između povezanih podataka. Informacijski FeedBack: Omogućava povratne informacije o pogrešcima AI-u, omogućavajući joj da učini koristi iz pogrešaka i poboljša interakcije s grafom znanja. Sistem podrške događajima: sistem događaja praćenja operacija, pružajući uvid u način na koji se graf znanja mijenja. Čvorovi predstavljaju entitete ili koncepte unutar grafa znanja, gdje svaki čvor ima ime, tip čvora (nodeType), metadata i težinu. Šarke predstavljaju odnose između čvorova, gdje svaka šarke ima izvorna čvor, ciljni čvor i tip šarke (edgeType). Šemate su srdca MemoriMreže i definiraju strukturu podataka sa automatiziranim generiranim alatima.

• Dinamični schema-based alati
• Intuitivni dizajn schema
• Podaci za vodila AI-a
• Upravljanje odnosima
• Informacijske povratne informacije
• Podrška za događaje