Iepriekšējā cīņa · 2026-05-26 UTC
MCP Servers Sadursme — 2026. gada 26. maijs
No MCP Servers kategorijas. 99 atzīmes izvietotas starp 5 cīnītājiem. onchain-mcp izcīnīja kroni.
Gala rezultāti
Sastāvs
Cīnītāji
Katra rīka profili, kas piedalījās šajā cīņā, sarindoti pēc to gala rezultāta.
Bankless Onchain MCP Server ir rīks, kurš ļauj sazināties ar datiem, kas ir saglabāti pēc reģistra līnijas (on-chain data) Bankless API uniestojuma ietvaros. Tas realizē Model Context Protocol (MCP) protokolu, lai AI modeliem būtu iespēja piekārties blockchain stāva un notikumu dati strukturētā formā. Serveris piedāvā dažādas datu operācijas, to skaitā, kontraktu stāsta lektavāšanu, notikumu logu ieguvei un transakcijas vēstures atjaunošanu. Tas adresē tiek developeriem un pētnieces, kuriem nepieciešams sazināties ar blockchain datiem strukturētā veidā. Šis projekts vēlāk ne vairāk nav saņēmis aktualizāciju, un viņa uzturēšanas stāvoklis var atbilstoši ietekāties uz stabilitāti un iespēju pieejamību.
Kritēriju sadalījums
- Kontraktu operācijas (lasīt kontraktu stāvokli, iegūt proxy, ABI, avotu)
- Notikumu operācijas (iegūt notikumus, izveidot notikumu tēmu)
- Darījumu operācijas (iegūt darījumu vēsturi, iegūt darījuma informāciju)
markitdown
Python rīks, lai pārveidotu failus un ofisa dokumentus uz Markdown.
MarkItDown ir viegls Python utilitāte, kas konvertē dažādus failus uz Markdown, lai tos izmantotu LLMs un saistītās teksta analīzes ķēdēs. Tas ir vislabāk salīdzināms ar textract, bet koncentrējas uz svarīgas dokumenta struktūras un satura saglabāšanu Markdown formātā, ieskaitot virsrakstus, sarakstus, tabulas, saites utt. Iezīme ir atkarībā no lietošanas konteksta: parasti izvada saprotamu un cilvēkam draudzīgu rezultātu, taču tas ir paredzēts, lai būtu apstrādāts teksta analīzes rīkiem, un ne vislabāk piemērots cilvēku lietošanai ar augstu precizitāti. MarkItDown atbalsta pārvēršanu no PDF, PowerPoint, Word, Excel, attēliem (EXIF metadati un OCR), audio (EXIF metadati un runas transkripcija), HTML, teksta balstītiem formātiem (CSV, JSON, XML), ZIP failiem, Youtube URL, EPubs un daudz ko citu. Ieteicams izmantot virtuālo vidi, lai izvairītos no atkarību konfliktu. Ar Python 3.10 vai augstāku var instalēt MarkItDown, izmantojot pip: pip install 'markitdown[all]' vai no avota ar: git clone git@github.com:microsoft/markitdown.git pip install -e 'packages/markitdown[all]' MarkItDown lietošanas veids ietver komandas rindas izsaukšanu, kas var ietvert izvadfaila norādīšanu, saturu kanāla pārvietošanu vai izmantot visietalākās convert_* funkcijas konkrētiem lietošanas gadījumiem.
Kritēriju sadalījums
- Pārveide no PDF, PowerPoint, Word, Excel
- Atbalsts attēliem (EXIF metadati un OCR)
- Atbalsts audio (EXIF metadati un runas transkripcija)
- Atbalsts HTML, teksta balstītiem formātiem (CSV, JSON, XML)
- Atbalsts ZIP failiem, Youtube URL, EPubs
- Neobligātās atkarības, lai aktivizētu dažādus failu formātus
mcp-clickhouse MCP serveris ir MCP serveris ClickHouse. Tam ir ClickHouse rīki, tostarp run_query, lai izpildītu SQL vaicājumus uz ClickHouse klastera, list_databases, lai uzskaitītu visas datubāzes uz ClickHouse klastera, un list_tables, lai uzskaitītu tabulas datubāzē ar pagināciju. Turklāt tam ir chDB rīki, piemēram, run_chdb_select_query, lai izpildītu SQL vaicājumus, izmantojot chDB iekļuvušo ClickHouse dzinēju. Tāpat pieejams Health Check Endpoint, lai pārbaudītu servera veselību, un drošības mehānisms autentifikācijai. Serveris var tikt konfigurēts iekšējiem servisām, vietējai izstrādei vai ar OAuth/OIDC autentifikācijas pakalpojumiem caur FastMCP.
Kritēriju sadalījums
- run_query, lai izpildītu SQL vaicājumus ClickHouse klasterī
- list_databases, lai uzskaitītu visas datubāzes ClickHouse klasterī
- list_tables, lai uzskaitītu tabulas datubāzē ar pagināciju
- run_chdb_select_query, lai izpildītu SQL vaicājumus, izmantojot chDB iekļuvušo ClickHouse dzinēju
- Health Check Endpoint servera uzraudzībai
- Daudzveidīgi autentifikācijas režīmi, ieskaitot OAuth un OIDC caur FastMCP
QA Sphere TMS servera klienta 'MCP' ir instrumentāls programs lielām valodas modeļiem apstrādāt, lai atsātinātu testprogrammu izveidi spējības QA Sphere (QSP) sistēmā. Pēc servera konfigurēšanas (detaļas pieejamas GitHub, vietnē) LLMs var savstarpēji savstarpticies ar QA Sferas automatizētajām testaprātīgās iespējas. Apstrādājot MCP (Model Callback Protocol), tas ļauj uzņēmumu izstrādātājiem un testers izstrādāt saviem projektu testaprātīgās iespējas, automatie uzdevumus un palaist integrēta saistību ar QA Sferu testapraņu rūkā. Izmantojot MCP-bāzētu risību, varēsiet automatizēt lielu skaņu daļu pārbaudes uzdevumu, to skaitā testa gadārīšana un izpildīšana. Papildus, varat ierobežojiet lielos valodu modelus, automatizēt uzdevumus un veikt testu sētiju, kas integritēs ar QA Sphere testu pārvaldības sistēmu.
Kritēriju sadalījums
- MCP server servera par QA Sphere testēšanas sistēmu pārvaldībai
- Pieslēguma lai komunikētu ar Large Language Models (LLM) lielajai valodai
- API piekļuves un konfigurācijas
- Saderība ar jebkuru MCP klientu
MemoryMesh
Zināšanu grafu serveris, kas izmanto Modeļa konteksta protokolu (MCP), lai nodrošinātu strukturētu atmiņas saglabāšanu AI modeļiem. v0.2.8
MemoryMesh ir zināšanu grafika serveris, kas paredzēts AI modeliem, argalību uz priekšu tekstbāzētiem RPG un interaktīvo stāstijuma funkcijām. Tas palīdz AI aizsātināt pastāvīgu, strukturētu atmiņu konversācijās, atvēlot iespēju vākt bagātākas un dinamiskākās intereses. Projekts pamatūts uz zināšanu grafika serveriu no MCP serveru katalogā un saglabā vienas funkcijas pamatni. MemoryMesh atļauj lietotājiem veidot un vadīt strukturētu informāciju, lai pildītu AI modeliem vajadzības. MemoryMesh ir vietējs zinību grafika serveris, kura ir īpaši piemērots tekstu bāzētiem RPG spēliem, bet var tiešiem arī būt izmantots sociālo tīklu simulācijām, organizācijas plānošanai, vai nevienu scenāriju, kas saistās ar struktūrisko datu. Sākotnējie rīki ar dinamikām schema-bāzētie aprīkojumi: definētu datu struktūru ar schema, un MemoryMesh automātiski ģenerē rīkus par datu pievienošanu, labošanu un dzēšanu. Intuītīvs schema dizains: izveidojiet schema, kura vadītu AI ģenerēšanu vārpmatos un to savienošanu, izmantojot obligātos laukus, izveidotos tipus un saistību definīcijas. Dati par AI vadību: izmantotu metadatu, lai sniegtu kontekstu un struktūru, palīdzībai AI, lai saprastu datu nozīmi un saistības telpā. Saistību aprīkojums: definētu saistības savās schema, lai ievelkotu AI izveidot saistības starp saistītajām datu punktiem. Informācijas Atbalsts: sniedz nepieklājuma atbalstu ražošanas sistēmai, iesaistot to mācīties no ierašiem un uzlabotu to sadarbību ar zinību grafu. Eventa Atbalsts: eventu sistēma pilda operācijas, sniedzot atskaites, kā ir zinību grafu modificēts. Nodes ir reprezentabīgi entitātes vai koncepti, kas atrodas zināšanu grafā, arvien ir nosaukums, nodeType, metadati un svārstību. Edi (edges) reprezentē attiecības starp nodiem, pieejama ar izvietotā nodu source un target, un edgeType. Iestatījumi (schemas) ir MemoryMesh galvene un definē datu kastītu ar automatiski generētiem kārtību.
Kritēriju sadalījums
- Dinamiski skēmu balstīti rīki
- Intuitīvs skēmu dizains
- Metadati AI vadībai
- Attiecību apstrāde
- Informējoša atsauksme
- Notikumu atbalsts