MCP Servers შერკინება — 26 მაისი, 2026

1

onchain-mcp

Bankless onchain API-ის MCP-ში გადმოცემა

შეფასებები არ არისუფასო

სრული მიმოხილვა

Bankless Onchain MCP Server არის ჩარჩო, რომელიც საშუალებას გაძლევთ on-chain მონაცემებთან Bankless API‑ის მეშვეობით ურთიერთობა. იგი იყენებს Model Context Protocol (MCP)‑ს, რათა AI‑მოდელებს შესაძლებელი იყოს ბლოკჩეინის მდგომარეობისა და მოვლენათა მონაცემების სტრუქტურირებული წვდომა. სერვერი უზრუნველყოფს სხვადასხვა მონაცემთა ოპერაციას, მათ შორის კონტრაქტის მდგომარეობის წაკითხვას, მოვლენათა ჟურნალის მიღებას და ტრანსაქციების ისტორიის გადმოწერს. ის შეიქმნება დეველოპერებისა და მკვლევრებისათვის, რომლებიც საჭიროებენ ბლოკჩეინის მონაცემებთან სტრუქტურირებული ურთიერთობას. ეს პროექტი აღარ იღებს განახლებებს, და მისი მოვლის სტატუსი შესაძლოა შეïnvფიქტიროს მისი სტაბილურობა და ფუნქციონალის ხელმისაწვდომობა.

• კონტრაქტის ოპერაციები (კონტრაქტის მდგომარეობის წაკითხვა, პროქსის მიღება, ABI-ს მიღება, წყაროების მიღება)
• ღონისძიების ოპერაციები (ღონისძიებების მიღება, ღონისძიების თემა შექმნა)
• ტრანზაქციის ოპერაციები (ტრანზაქციის ისტორიას მიღება, ტრანზაქციის ინფორმაციის მიღება)

2

markitdown

Python‑ის ინსტრუმენტი ფაილებისა და ოფისის დოკუმენტების Markdown‑ში გადაკეთებისთვის

შეფასებები არ არისუფასო

სრული მიმოხილვა

MarkItDown არის მსუბუქ Python‑ის ინსტრუმენტი სხვადასხვა ფაილების Markdown‑ში გადაყვანისთვის, LLM‑ებთან და შესაბამისი ტექსტური ანალიზის ნაკადებთან გამოსაყენებლად. იგი ყველაზე მეტად შეადარება textract‑ს, მაგრამ ფокусირებულია მნიშვნელოვანი დოკუმენტის სტრუქტურის და შემცველობის Markdown‑ში შენარჩუნებაზე, სათაურებისა, სიების, ცხრილების, ბმულებისა და ა.შ. შედეგი ხშირად წარმოდგენად და ადამიანისთვის მეგობრულად ჩანს, მაგრამ ის განკუთვნილია ტექსტური ანალიზის ხელსაწყოებისთვის და შესაძლოა არ იყოს საუკეთესო არჩევანი მაღალი სიმაღლის დოკუმენტის გადაყვანისთვის ადამიანისთვის. MarkItDown ამჟამად მხარს უჭერს PDF, PowerPoint, Word, Excel, სურათების (EXIF მეტამონაცემები და OCR), აუდიოს (EXIF მეტამონაცემები და საუბრის ტრანსkripsი), HTML, ტექსტზე დაფუძნებულ ფორმატებს (CSV, JSON, XML), ZIP ფაილებს, Youtube URL-ებს, EPubs და ა.შ. რეკომენდებულია ვირტუალური გარემოს გამოყენება დამოკიდებულებების კონფლიქტების თავიდან ასაცილებლად. Python 3.10 ან უფრო მაღალ ვერსიით, შეგიძლიათ MarkItDown- ის pip‑ით დაინსტალიროთ: pip install 'markitdown[all]' ან წყაროდან: git clone git@github.com:microsoft/markitdown.git, შემდეგ pip install -e 'packages/markitdown[all]'. MarkItDown‑ის გამოყენება command-line invocation‑ით ხდება, output file‑ის მითითებით, content‑ის piping‑ით, ან specific use cases‑თვის narrowest convert_* function‑ის გამოყენებით.

• PDF, PowerPoint, Word, Excel-ის კონვერტაცია
• ხატულების მხარდაჭერა (EXIF მეტამონაცემები და OCR)
• ხმოვანი ფაილების მხარდაჭერა (EXIF მეტამონაცემები და მოსმენის ტრანსკრიპცია)
• HTML და ტექსტზე დაფუძნებული ფორმატები (CSV, JSON, XML) – მხარდაჭერა
• ZIP ფაილების, Youtube URL-ების და EPub-ების მხარდაჭერა
• ფაილის ფორმატების აქტივაციისთვის დამატებითი დამოკიდებულებების არჩევითი ხელმისაწვდომობა

3

mcp-clickhouse

mcp-clickhouse MCP სერვერი

შეფასებები არ არისუფასო

სრული მიმოხილვა

mcp-clickhouse MCP სერვერი არის MCP სერვერი ClickHouse-თვის. მისი ფუნქციებში შედის ClickHouse Tools, მათ შორის run_query SQL კითხვების შესრულებისთვის თქვენი ClickHouse კლัสტერზე, list_databases თქვენი ClickHouse კლัสტერის ყველა ბაზის სიისთვის, და list_tables ბაზაში ცხრილების გვერდიზებით ჩამონათვალისთვის. ასევე შეიცავს chDB Tools, როგორიცაა run_chdb_select_query, SQL კითხვების შესრულებისთვის chDB-დან ჩაშენებული ClickHouse ძრავის გამოყენებით. დამატებით, უზრუნველყოფს Health Check Endpoint-ს, რომელიც სერვერის მდგომარეობის შემოწმებისთვის და უსაფრთხოების მექანიზმს ავთენტიკაციისთვის. სერვერის კონფიგურირება შესაძლებელია შიდა მომსახურებისთვის, ლოკალურ განვითარებისათვის, ან OAuth / OIDC ავთენტიკაციის პროვაიდერებით FastMCP-ით.

• run_query — ClickHouse‑კლასტერზე SQL‑კითხვების შესრულება
• list_databases — ClickHouse‑კლასტერზე არსებული ყველა მონაცემთა ბაზის ჩამონათვალი
• list_tables — ცხრილების ჩამონათვალი გვერდებად
• run_chdb_select_query — chDB‑ის ჩასაშენებულ ClickHouse‑ენჯინით SQL‑კითხვების შესრულება
• Health Check Endpoint — სერვერის მონიტორინგისათვის
• მრავალი აუდენტიფიკაციის რეჟიმი, მათ შორის OAuth და OIDC FastMCP‑ის მეშვეობით

MCP სერვერი QA Sphere TMS-ისთვის არის კლიენტი, რომელიც გამოიყენება დიდი ენობრივი მოდელების (LLMs) ინტეგრაციისთვის QA Sphere (QSP)-თან, რათა გაზარდოს ტესტირების სკრიპტების შექმნის შესაძლებლობები. სერვერის კონფიგურაციის შემდეგ (დეტალები GitHub-ზეა), LLM-ები შეუძლიათ QA Sphere-ის ავტომატური ტესტ-შემოწმების შემთხვევებთან ურთიერთობა. MCP-ის (მოდელის უკანა კავშირის პროტოკოლი) გამოყენებით, ის საშუალებას აძლევს დეველოპერებს და ტესტერებს, სწრაფად შექმნან AI-ზე დაფუძნებული ტესტ-შემოწმების შემთხვევები, ავტომატიზაცია გააკეთონ ტასკები და ტესტ-შემოწმების კოლექციები გაეშვან QAS Sphere-თან ინტეგრირებული. MCP-ზე დაფუძნებული გადაჭრის მხარდაჭერა მომხმარებელთა მხრიდან ხდება, რაც საშუალებას იძლევა ფართო დიაპაზონის QA ამოცანების ავტომატიზაციას, მათ შორის ტესტ-შემთხვევების აღმოჩენა და შესრულება. გარდა ამისა, შეგიძლიათ მიმართოთ დიდ ენობრივ მოდელებს, ავტომატიზაცია გააკეთოთ ტასკებისთვის და გაეშვათ ტესტ-კომპლექტები, რომლებიც ინტეგრირებულია QA Sphere-ის ტესტ-მართვის სისტემასთან.

• MCP სერვერი QA Sphere ტესტ მენეჯმენტი სისტემისთვის
• დიდი ენათა მოდელების (LLMs) ურთიერთშესწორებად დახმარება
• API დანიშვნისა და კონფიგურაციის მხარდაჭერა
• მნიშვნელობაში მისადგომობა რომლებსაც დაჭერს

5

MemoryMesh

სიბლანური გრაფის სერვერი, რომელიც Model Context Protocol (MCP)-ის გამოყენებით AI‑მოდელებისთვის სტრუქტურირებული მეხსიერების მუდმივი შენარჩუნება უზრუნველყოფს. v0.2.8

შეფასებები არ არისუფასო

სრული მიმოხილვა

MemoryMesh არის ცოდნის გრაფის სერვერი, რომელიც განკუთვნილია AI‑მოდელებისთვის, ფოკუსირებულია ტექსტზე დაფუძნებულ RPG‑ებზე და ინტერაქტიულ ისტორიების წარმოსახვაზე. ის ეხმარება AI‑ს კონსისტენტული, სტრუქტურირებული მეხსიერება შეინარჩუნოს სხვადასხვა საუბრის განმავლობაში, რაც საშუალებას აძლევს უფრო მდიდარი და დინამიური ურთიერთქმედებებს. პროექტი დაფუძნებულია MCP სერვერების საცავში არსებული Knowledge Graph Memory Server-ზე და შეინარჩუნებს მის ძირითადი ფუნქციონალს. MemoryMesh მომხმარებლებს გაძლევთ საშუალებას შექმნათ და მართონ სტრუქტურირებული ინფორმაცია AI‑მოდელებისთვის. MemoryMesh არის ადგილობრივი ცოდნის გრაფის სერვერი, რომელიც განსაკუთრებით შესაფერისია ტექსტზე დაფუძნებული RPG‑ებისთვის, მაგრამ ასევე შეგიძლიათ გამოიყენოთ სოციალური ქსელის სიმულაციებში, ორგანიზაციული დაგეგმვისთვის ან ნებისმიერი სცენარისთვის, რომელიც მოიცავს სტრუქტურირებულ მონაცემებს. ძირითადი ფუნქციები დინამიკური სქემა-ბაზირებული ინსტრუმენტები: განსაზღვრეთ თქვენი მონაცემთა სტრუქტურა სქემებით, და MemoryMesh ავტომატურად ქმნის ინსტრუმენტებს მონაცემთა დამატებისთვის, განახლებისთვის და წაშლებისთვის. ინტუიციური სქემის დიზაინი: შექმენით სქემები, რომლებიც AI‑ს მიგზავენ ნოდების გენერაციისა და შეერთების პროცესში, საჭირო ველების, ჩამოთვლილი ტიპების და ურთიერთობების განსაზღვრებით. მეტამონაცემები AI‑ს მმართველობისთვის: გამოიყენეთ მეტამონაცემები კონტექსტისა და სტრუქტურის მიწოდებისთვის, რაც AI‑ს დაეხმარება თქვენი მონაცემების მნიშვნელობასა და ურთიერთობებს გაიგოს. ურთიერთობების დამუშავება: განსაზღვრეთ ურთიერთობები თქვენს სქემებში, რათა AI‑ს იყოს ხელსაყრელი დაკავშირებული მონაცემთა წერტილების შექმნა. Informative Feedback: უზრუნველყოფს შეცდომების უკუკავშირს AI‑ს, რაც საშუალებას აძლევს ის შეცდომებიდან ისწავლოს და გააუმჯობესოს თავისი ურთიერთქმედებები knowledge graph‑ით. Event Support: ღონისძიებების სისტემა ოპერაციების თვალყურისდევნას უზრუნველყოფს, აჩვენებს, თუ როგორ ხდება knowledge graph‑ის ცვლილება. კვანძები წარმოადგენს არსებებს ან კონცეფციებს ცოდნის გრაფში, თითოეულს აქვს სახელი, nodeType, მეტამონაცემები და წონა. წიბოები წარმოადგენს კვანძებს შორის ურთიერთობებს, თითოეულს აქვს საწყისი კვანძი, სამიზნე კვანძი და edgeType. სქემები არიან MemoryMesh-ის ძრავი და განსაზღვრავენ მონაცემთა სტრუქტურას ავტომატურად შექმნილი ინსტრუმენტებით.

• დინამიური სკემაზე დაფუძნებული ხელსაწყოები
• ინტუიტიური სკემის დიზაინი
• მეტა-მონაცემები AI‑ზე მითითებისთვის
• კავშირის მართვა
• ინფორმაციული უკუკავშირი
• მოვლენის მხარდაჭერა