Tidligere kamp · 2026-05-26 UTC
MCP Servers Oppgjør — 26. mai 2026
Fra kategorien MCP Servers. 99 merker plassert på tvers av 5 kjempere. onchain-mcp tok kronen.
Endelige plasseringer
Oppstillingen
Kjemperne
Profiler av hvert verktøy som konkurrerte i denne kampen, rangert etter sin endelige poengsum.
Bankless Onchain MCP Server er en ramme for å samhandle med on‑chain data via Bankless API. Den implementerer Model Context Protocol (MCP) for å gi AI‑modeller mulighet til å få tilgang til blockchain‑tilstand og hendelsesdata på en strukturert måte. Serveren tilbyr ulike datoperasjoner, inkludert lesing av kontraktsstatus, henting av hendelseslogger og innhenting av transaksjonshistorikk. Den er tilpasset utviklere og forskere som trenger å samhandle med blockchain‑data på en strukturert måte. Dette prosjektet mottar ikke lenger oppdateringer, og vedlikeholdstilstanden kan påvirke stabiliteten og tilgjengeligheten av funksjoner.
Kriteriumfordeling
- Kontrakt‑operasjoner (les kontraktstatus, hent proxy, hent ABI, hent kilde)
- Hendelsesoperasjoner (hent hendelser, bygg hendelse‑tema)
- Transaksjonsoperasjoner (hent transaksjonshistorikk, hent transaksjonsinfo)
markitdown
Python-verktøy for å konvertere filer og kontordokumenter til Markdown.
MarkItDown er et lettvint Python‑verktøy for å konvertere ulike filer til Markdown for bruk med LLM‑er og relaterte tekstanalysepipelines. Det er mest likt textract, men med fokus på å bevare viktig dokumentstruktur og innhold i Markdown, inkludert overskrifter, lister, tabeller, lenker osv. Utdata er ofte rimelig presentable og menneskevennlig, men det er ment å bli konsumert av tekstanalyseverktøy og kan ikke være det beste alternativet for høyt nøyaktige dokumentkonverteringer for menneskelig bruk. MarkItDown støtter i dag konvertering fra PDF, PowerPoint, Word, Excel, bilder (EXIF‑metadata og OCR), lyd (EXIF‑metadata og tale‑transkripsjon), HTML, tekstbaserte formater (CSV, JSON, XML), ZIP‑filer, YouTube‑URL-er, ePubs og mer. Det anbefales å bruke et virtuelt miljø for å unngå avhengighetskonflikter. Med Python 3.10 eller nyere kan du installere MarkItDown med pip: pip install 'markitdown[all]' eller fra kilden med: git clone git@github.com:microsoft/markitdown.git, deretter pip install -e 'packages/markitdown[all]'. Bruken av MarkItDown innebærer invokasjon fra kommandolinjen, enten ved å spesifisere outputfilen, pipe’ innhold, eller ved å bruke den mest spesifikke convert_*‑funksjonen for konkrete brukstilfeller.
Kriteriumfordeling
- Konvertering av PDF, PowerPoint, Word, Excel
- Støtte for bilder (EXIF‑metadata og OCR)
- Støtte for lyd (EXIF‑metadata og tale‑transkripsjon)
- Støtte for HTML, tekstbaserte formater (CSV, JSON, XML)
- Støtte for ZIP‑filer, YouTube‑URL‑er, ePub‑er
- Valgfrie avhengigheter for å aktivere ulike filformater
mcp-clickhouse MCP-serveren er en MCP-server for ClickHouse. Den tilbyr ClickHouse‑verktøy, blant annet run_query for å utføre SQL‑spørringer på ditt ClickHouse‑klynge, list_databases for å liste alle databaser på klyngen, og list_tables for å vise tabeller i en database med paginering. I tillegg inneholder den chDB‑verktøy, som run_chdb_select_query, for å kjøre SQL‑spørringer ved hjelp av chDBs innebygde ClickHouse‑motor. Serveren gir også en Health Check Endpoint for å sjekke serverens helsetilstand, samt en sikkerhetsmekanisme for autentisering. Serveren kan konfigureres for interne tjenester, lokal utvikling eller med OAuth / OIDC‑autentiseringsleverandører via FastMCP.
Kriteriumfordeling
- run_query for å utføre SQL-forespørsler på en ClickHouse-klynge
- list_databases for å vise alle databaser på en ClickHouse-klynge
- list_tables for å vise tabeller i en database med paginering
- run_chdb_select_query for å utføre SQL-forespørsler med chDBs innebygde ClickHouse-motor
- Health Check Endpoint for serverovervåking
- Flere autentiseringsmoduser, inkludert OAuth og OIDC via FastMCP
MCP Server for QA Sphere TMS er en klient brukt for å integrere Large Language Models (LLMs) med QA Sphere (QSP) for å øke testskriptopprettingsmulighetene. Etter å ha konfigurert serveren (detaljer tilgjengelig på GitHub), kan LLMs interagere med QA Sphere sine automatiserte testtilfeller. Ved å bruke MCP (Model Callback Protocol) muliggjør det utviklere og testere å raskt lage AI-baserte testtilfeller, automatisere oppgaver og kjøre testserier integrert med QAS Sphere. MCP-basert løsning er brukerstøttet, og gjør det mulig å automatisere et bredt spekter av QA-oppgaver, inkludert oppdagelse og utførelse av testcases. I tillegg kan du referere til store språkmodeller, automatisere oppgaver og kjøre testpakker integrert med QA Sphere Test Management System.
Kriteriumfordeling
- Tjeneste for MCP-server til QA Sphere test management system
- Støtte for interaksjon med Large Language Models (LLMs)
- API-tilgang og konfigurasjon
- Kompatibelt med alle MCP-klIENTer
MemoryMesh
En kunnskapsgrafserver som bruker Model Context Protocol (MCP) for å tilby strukturert minnepersistens for AI-modeller. v0.2.8
MemoryMesh er en kunnskapsgraf‑server designet for AI‑modeller, med fokus på tekstbaserte RPG‑er og interaktive fortellerhistorier. Den hjelper AI med å opprettholde en konsistent, strukturert hukommelse på tvers av samtaler, og muliggjør rikere og mer dynamiske interaksjoner. Prosjektet er basert på Knowledge Graph Memory Server fra MCP servers repository og beholder sin kjernefunksjonalitet. MemoryMesh gir brukerne mulighet til å bygge og administrere strukturerte informasjon for AI‑modeller. MemoryMesh er en lokal kunnskapsgrafserver som er spesielt godt egnet for tekstbaserte rollespill, men som også kan brukes til simuleringer av sosiale nettverk, organisasjonsplanlegging eller i alle scenarioer som involverer strukturert data. Viktige funksjoner Dynamisk skjemabasert verktøy: Definer datastrukturen med skjemaer, og MemoryMesh genererer automatisk verktøy for å legge til, oppdatere og slette data. Intuitiv skjemadesign: Lag skjemaer som guider AI i å generere og koble noder, ved å bruke påkrevde felt, enumererte typer og relasjonsdefinisjoner. Metadata for AI-veiledning: Bruk metadata for å gi kontekst og struktur, slik at AIen forstår betydningen og relasjonene i dine data. Relasjonsbehandling: Definer relasjoner i skjemaene for å oppmuntre AIen til å skape forbindelser mellom relaterte datapunkter. Informativ tilbakemelding: Gir feiltilbakemeldinger til AI-en, slik at den kan lære av feil og forbedre sine interaksjoner med kunnskapsgrafen. Hendelsestøtte: Et hendelsessystem sporer operasjoner og gir innsikt i hvordan kunnskapsgrafen blir endret. Noder representerer entiteter eller konsepter i kunnskapsgrafen, hver har et navn, nodeType, metadata og vekt. Kanter representerer relasjoner mellom noder, hver med en kilde-node, mål-node og edgeType. Skjemaer er kjernen i MemoryMesh og definerer datastrukturen med automatisk genererte verktøy.
Kriteriumfordeling
- Dynamiske skjema-baserte verktøy
- Intuitiv skjema-design
- Metadata for AI-veiledning
- Håndtering av relasjoner
- Informativ tilbakemelding
- Event-støtte