Battaglia passata · 2026-05-26 UTC
MCP Servers Sfida — 26 maggio 2026
Dalla categoria MCP Servers. 99 segni piazzate tra 5 sfidanti. onchain-mcp ha conquistato la corona.
Classifica finale
La formazione
Gli sfidanti
Profili di ogni strumento che ha gareggiato in questa battaglia, ordinati per punteggio finale.
Il server Bankless Onchain MCP è un framework per interagire con i dati on-chain tramite l'API Bankless. Implementa il Model Context Protocol (MCP) per consentire ai modelli AI di accedere ai dati di stato e di eventi della blockchain in modo strutturato. Il server fornisce varie operazioni sui dati, tra cui la lettura dello stato dei contratti, il recupero dei registri degli eventi e la storia delle transazioni. Si rivolge a sviluppatori e ricercatori che necessitano di interagire con i dati della blockchain in modo strutturato. Questo progetto non riceve più aggiornamenti e il suo stato di manutenzione potrebbe influire sulla stabilità e sulla disponibilità delle funzionalità.
Suddivisione dei criteri
- Operazioni dei contratti (lettura dello stato del contratto, ottenimento del proxy, ottenimento dell'ABI, ottenimento della sorgente)
- Operazioni degli eventi (ottenimento degli eventi, creazione di un argomento degli eventi)
- Operazioni delle transazioni (ottenimento della storia delle transazioni, ottenimento delle informazioni sulla transazione)
markitdown
Strumento Python per la conversione di file e documenti da ufficio in Markdown.
MarkItDown è una utility Python leggera per la conversione di vari file in Markdown per l'uso con LLM e pipeline di analisi di testo correlate. È la più simile a textract, ma con un focus sul mantenere importante struttura e contenuto del documento in Markdown, compresi gli intesti, le liste, le tabelle, i link, ecc. L'output è spesso presentabile in modo ragionevole e amichevole per l'uomo, ma è pensato per essere consumato da strumenti di analisi di testo, e potrebbe non essere la miglior opzione per le conversioni di documenti di alta fedeltà per lo sfruttamento umano. Attualmente MarkItDown supporta la conversione da PDF, PowerPoint, Word, Excel, Immagini (metadati EXIF e OCR), Audio (metadati EXIF e trascrizione di dialogo), HTML, formati testuali basati su testo (CSV, JSON, XML), file ZIP, URL di Youtube, EPubs e molte altre forme. È consigliabile utilizzare un ambiente virtuale per evitare conflitti di dipendenza. Con Python 3.10 o superiore, puoi installare MarkItDown con pip: pip install 'markitdown[all]' o direttamente dalla sorgente con: git clone git@github.com:microsoft/markitdown.git, quindi pip install -e "packages/markitdown[all]". L'utilizzo di MarkItDown prevede la chiamata dell'interfaccia della riga di comando, sia specificando il file di output, che la pipa del contenuto, o mediante la più ristretta funzione convert_*, per casi d'uso specifici.
Suddivisione dei criteri
- Conversione di PDF, PowerPoint, Word, Excel
- Sostegno per le immagini (metadati EXIF e OCR)
- Sostegno per l'audio (metadati EXIF e trascrizione del discorso)
- Sostegno per l'HTML, i formati di testo (CSV, JSON, XML)
- Sostegno per i file ZIP, gli URL di Youtube, gli EPubs
- Dipendenze facoltative per attivare vari formati di file
Il server MCP ClickHouse è un MCP server per ClickHouse. Offre strumenti per ClickHouse, tra cui run_query per eseguire query SQL sul tuo cluster ClickHouse, list_databases per elencare tutte le basi di dati sul tuo cluster ClickHouse e liste le tabelle di una base di dati con paginazione. Inoltre, include strumenti chDB come run_chdb_select_query, per eseguire query SQL utilizzando l'engine ClickHouse embedded di chDB. Fornisce anche un endpoint di Controllo dello Stato per verificare lo stato del server e un meccanismo di sicurezza per l'autenticazione. Il server può essere configurato per servizi interni, sviluppo locale o con provider di autenticazione OAuth / OIDC grazie a FastMCP.
Suddivisione dei criteri
- run_query per eseguire query SQL sul cluster ClickHouse
- list_databases per elencare tutte le basi di dati sul cluster ClickHouse
- list_tables per elencare le tabelle in una base di dati con paginazione
- run_chdb_select_query per eseguire query SQL utilizzando motore ClickHouse embedded di chDB
- Endpoint Controllo dello Stato per monitoraggio del server
- Modalità di autenticazione multiple, compreso OAuth e OIDC attraverso FastMCP
Il Server di MCP per TMS di QA Sphere è un client utilizzato per integrare i Modelli di Lingua Grande (LLM) con QA Sphere (QSP) per migliorare le capacità di creazione di script di test. Dopo aver configurato il server (dettagli disponibili su GitHub), i LLM possono interagire con i casi di test automatizzati di QA Sphere. Attraverso l'utilizzo del protocollo di callback di MCP, consente ai developer e ai tester di creare velocemente casi di test basati su AI, automatizzare task e eseguire suite di test integrate con la TMS di QA Sphere. La soluzione basata sul protocollo MCP è supportata dall'utente, consentendo di automatizzare un ampio range di attività di QA, compresa la scoperta e l'esecuzione dei casi di test. Inoltre, puoi riferirti a modelli di linguaggio grande, automatizzare task e eseguire suite di test integrate con il sistema di gestione dei casi di test di QA Sphere.
Suddivisione dei criteri
- Server MCP per il sistema di gestione di test di QA Sphere
- Supporto per l'interazione con i Modelli di Linguaggio Granulari (LLM)
- Accesso e configurazione dell'API
- Compatibilità con qualsiasi cliente MCP
MemoryMesh
Un server di grafo di conoscenza che utilizza il Protocollo di contesto del modello (MCP) per fornire la persistenza della memoria strutturata per i modelli AI. v0.2.8
MemoryMesh è un server di knowledge graph progettato per modelli di intelligenza artificiale, con un focus su RPG basati su testo e storytelling interattivo. Aiuta l'intelligenza artificiale a mantenere una memoria strutturata e coerente durante le conversazioni, abilitando interazioni più ricche e dinamiche. Il progetto si basa sul Knowledge Graph Memory Server dal repository dei server MCP e ne mantiene la funzionalità principale. MemoryMesh consente agli utenti di costruire e gestire informazioni strutturate per modelli di intelligenza artificiale. MemoryMesh è un server di grafo della conoscenza locale particolarmente adatto per gli RPG basati su testo, ma può essere utilizzato anche per simulazioni di reti sociali, pianificazione organizzativa o qualsiasi scenario che coinvolga dati strutturati. Funzionalità chiave Strumenti dinamici basati su schemi: definisci la struttura dei dati con schemi e MemoryMesh genera automaticamente strumenti per aggiungere, aggiornare ed eliminare dati. Progettazione intuitiva dello schema: crea schemi che guidano l'AI nella generazione e connessione di nodi, utilizzando campi obbligatori, tipi enumerati e definizioni di relazioni. Metadati per la guida dell'AI: utilizza i metadati per fornire contesto e struttura, aiutando l'AI a comprendere il significato e le relazioni all'interno dei dati. Gestione delle relazioni: definisci le relazioni all'interno degli schemi per incoraggiare l'AI a creare connessioni tra punti di dati correlati. Feedback Informativo: fornisce un feedback sugli errori all'AI, permettendogli di apprendere dagli errori e migliorare le sue interazioni con il grafo di conoscenza. Supporto agli Eventi: un sistema di eventi traccia le operazioni, fornendo informazioni dettagliate su come il grafo di conoscenza viene modificato. I nodi rappresentano entità o concetti all'interno del grafo di conoscenza, ciascuno con un nome, un tipo di nodo (nodeType), metadati e un peso. I bordi rappresentano relazioni tra nodi, ciascuno con un nodo sorgente, un nodo bersaglio e un tipo di bordo (edgeType). Gli schemi sono il fulcro di MemoryMesh e definiscono la struttura dei dati con strumenti generati automaticamente.
Suddivisione dei criteri
- Strumenti dinamici a schema basati:
- Progettazione intuitiva del schema
- Metadati per la guida dell'AI
- Gestione delle relazioni
- Feed-back informativo
- Supporto degli eventi