Miniona bitwa · 2026-05-26 UTC
MCP Servers Pojedynek — 26 maja 2026
Z kategorii MCP Servers. 99 ocen oddanych na 5 zawodników. onchain-mcp zdobył koronę.
Klasyfikacja końcowa
Zestawienie
Zawodnicy
Profile każdego narzędzia, które rywalizowało w tej bitwie, uszeregowane według ich wyniku końcowego.
Serwer Bankless Onchain MCP jest frameworkiem do interakcji z danymi on-chain za pomocą API Bankless. Implementuje protokół Model Context Protocol (MCP), aby umożliwić modelom AI dostęp do stanu blockchain i danych zdarzeń w ustrukturyzowany sposób. Serwer zapewnia różne operacje danych, w tym odczytywanie stanu kontraktu, pobieranie rejestrów zdarzeń i pobieranie historii transakcji. Przeznaczony jest dla deweloperów i badaczy, którzy potrzebują wchodzić w interakcje z danymi blockchain w ustrukturyzowany sposób. Ten projekt nie otrzymuje już aktualizacji, a jego status konserwacji może wpłynąć na jego stabilność i dostępność funkcji.
Podział kryteriów
- Operacje na kontraktach (odczyt stanu kontraktu, pobranie proxy, pobranie ABI, pobranie źródła)
- Operacje na zdarzeniach (pobieranie zdarzeń, budowanie tematu zdarzenia)
- Operacje na transakcjach (pobieranie historii transakcji, pobranie informacji o transakcji)
markitdown
Narzędzie Python do konwertowania plików i dokumentów biurowych do formatu Markdown.
MarkItDown jest lekkim narzędziem Python do konwertowania różnych plików na format Markdown dla potrzeb korzystania z modeli LLM oraz powiązanych analiz tekstowych. Jest ono najbardziej porównywalne do textract, ale z mniejszym naciskiem na ochronę ważnej struktury i zawartości dokumentów w formacie Markdown, obejmując pozycje nagłówkowe, listy, tabele, odniesienia, itp. Wyjście jest często przyzwoicie przedstawialne i użyteczne dla ludzi, ale przeznaczone jest w szczególności do przetwarzania przez narzędzia analizujące tekst, a może nie jest najlepszym rozwiązaniem dla wysokiego stopnia wierności przekształceń dokumentów do użytku przez człowieka. Obecnie markitdown wspiera przekonwertowanie plików: PDF, Excela, Worda, prezentacji PowerPointa, wizualizacji obrazów (dane EXIF i odczyt z tekstów), plików audio (dane EXIF i transkrypcja mowy), stron HTML, tekstowych formaci danych (CSV, JSON, XML), ZIP, URL adresów na youtube, EPubów oraz wielu innych formatów. Zaleca się korzystanie z środowiska wirtualnego aby uniknąć konfliktów zależności. Z Pythonem 3.10 lub wyższym możesz zainstalować MarkItDown za pomocą pip: pip install 'markitdown[wszystko]' lub bezpośrednio ze źródła za pomocą: git clone git@github.com:microsoft/markitdown.git a następnie pip install -e 'packages/markitdown[wszystko]'. Zastosowanie MarkItDown obejmuje wywołanie z konsoli poleceń, np. określając plik wyjściowy, przekazanie treści za pomocą operatora pipingu lub użycie najszerszej funkcji convert_* dla przypadków używania węższych.
Podział kryteriów
- Konwersja PDF, PowerPoint, Word, Excel
- Obsługa obrazów (metadane EXIF i OCR)
- Obsługa audio (metadane EXIF i transkrypcja mowy)
- Obsługa HTML, formatów tekstowych (CSV, JSON, XML)
- Obsługa plików ZIP, adresów URL YouTube, EPubs
- Opcjonalne zależności do aktywowania różnych formatów plików
Serwer mcp-clickhouse MCP to serwer MCP dla ClickHouse. Zawiera narzędzia ClickHouse, w tym run_query do wykonywania zapytań SQL na klastrze ClickHouse, list_databases do wyświetlania wszystkich baz danych na klastrze ClickHouse oraz list_tables do wyświetlania tabel w bazie danych z paginacją. Dodatkowo zawiera narzędzia chDB, takie jak run_chdb_select_query, do wykonywania zapytań SQL przy użyciu wbudowanego silnika ClickHouse chDB. Zapewnia również punkt kontrolny stanu zdrowia do sprawdzania stanu serwera oraz mechanizm bezpieczeństwa do uwierzytelniania. Serwer można ustawić dla wewnętrznych usług, lokalnego rozwoju lub z dostawcami uwierzytelniania OAuth / OIDC przez FastMCP.
Podział kryteriów
- run_query do wykonywania zapytań SQL na klastrze ClickHouse
- list_databases do wyświetlania wszystkich baz danych na klastrze ClickHouse
- list_tables do wyświetlania tabel w bazie danych z paginacją
- run_chdb_select_query do wykonywania zapytań SQL przy użyciu wbudowanego silnika ClickHouse chDB
- Punkt kontrolny stanu zdrowia do monitorowania serwera
- Wiele trybów uwierzytelniania, w tym OAuth i OIDC przez FastMCP
Serwer MCP dla QA Sphere TMS jest klientem służącym do integracji dużych modeli językowych (LLM) z QA Sphere (QSP), aby zwiększyć możliwości tworzenia skryptów testowych. Po skonfigurowaniu serwera (szczegóły dostępne na GitHubie), LLM mogą współdziałać z zautomatyzowanymi przypadkami testowymi QA Sphere. Wykorzystując MCP (Model Callback Protocol), umożliwia to deweloperom i testerom szybkie tworzenie testów opartych na AI, automatyzację zadań oraz uruchamianie zestawów testów zintegrowanych z QAS Sphere. Rozwiązanie oparte na MCP jest wspierane przez użytkowników, umożliwiając automatyzację szerokiego zakresu zadań QA, w tym odkrywania i wykonywania przypadków testowych. Dodatkowo możesz odwoływać się do dużych modeli językowych, automatyzować zadania oraz uruchamiać zestawy testów zintegrowane z QA Sphere Test Management System.
Podział kryteriów
- Serwer MCP dla systemu zarządzania testami QA Sphere
- Obsługa interakcji z dużymi modelami językowymi (LLM)
- Dostęp i konfiguracja API
- Zgodny z dowolnym klientem MCP
MemoryMesh
Serwer grafu wiedzy, który wykorzystuje protokół Model Context Protocol (MCP) do zapewnienia uporządkowanego przechowywania pamięci dla modeli AI. v0.2.8
MemoryMesh to serwer grafu wiedzy, zaprojektowany dla modeli AI, z uwzględnieniem tekstowych gier RPG i interaktywnej narracji. Pozwala to modelom AI utrzymać konsystentne, strukturalne pamięć podczas konwersacji, włączając tak bardziej urozmaicone i dynamiczne interakcje. Projekt oparty jest na serwerze grafu wiedzy Memory z repozytorium MCP oraz zachowuje istotną funkcjonalność. MemoryMesh umożliwia użytkownikom tworzenie i zarządzanie strukturą informacji dla modeli AI. MemoryMesh to lokalny serwer graphu wiedzy, którego cechy szczególnie sprawdzają się w tekstowych gierach RPG, ale można również go wykorzystać do symulacji sieci społecznych, planowania organizacyjnego czy w dowolnej sytuacji, w której są zaangażowane strukturyzowane dane. Kluczowe cechy Dynamiczne Schema-Based Tools: Definiuj strukturę danych za pomocą schematów, a MemoryMesh automatycznie generuje narzędzia do dodawania, aktualizacji i usuwania danych. Intuicyjna Projektowanie Schematów: Utwórz schematy, które przewodniczą AI w generowaniu i połączaniu węzłów, korzystając z wymaganych pól, typów zlecanych i definicji relacji. Dane Metadanych dla Przewodnictwa AI: Użyj metadanych, aby dostarczyć kontekst i strukturę, która pomoże AI w zrozumieniu znaczenia i relacji w danych. Obsługa Relacji: Definiuj relacje w schematach, aby zachęcić AI do tworzenia połączeń między danych, które mają powiązania. Informacyjne Wprowadzenie Dodatkowej Informacji: Przesyła komuniakaty o błędach do sztucznej inteligencji, umożliwiając jej naukę od popełnianych błędów i poprawę współdziałania z węzołami wiedzy. Obsługa Zdarzeń: System zdarzeń śledzi operacje, zapewniając wgląd w sposoby modyfikowania węzłów wiedzy. Węzły reprezentują jednostki lub koncepty w grafie wiedzy, każdy posiadający nazwę, rodzaj węzła (nodeType), metadata oraz wagę. Krawędzie reprezentują relacje pomiędzy węzłami, każda posiadająca źródłowy węzeł (source node), węzeł docelowy (target node) oraz rodzaj krawędzi (edgeType). Schematy są sercem MemoryMesh i określają strukturę danych zautomatyzowanymi narzędziami.
Podział kryteriów
- Dynamiczne narzędzia oparte na schematach
- Intuicyjne projektowanie schematów
- Metadane dla wskazówek AI
- Obsługa relacji
- Informacyjne sprzężenie zwrotne
- Wsparcie zdarzeń