Batalha anterior · 2026-05-26 UTC
MCP Servers Duelo — 26 de maio de 2026
Da categoria MCP Servers. 99 marcas colocadas em 5 combatentes. onchain-mcp conquistou a coroa.
Classificação final
A formação
Os combatentes
Perfis de cada ferramenta que competiu nesta batalha, ordenados pela pontuação final.
O Servidor Bankless Onchain MCP é uma estrutura para interagir com dados on-chain por meio da API Bankless. Ele implementa o Modelo de Protocolo de Contexto (MCP) para permitir que modelos de IA acessem dados de estado e eventos de blockchain de forma estruturada. O servidor fornece várias operações de dados, incluindo leitura de estado de contrato, obtenção de registros de eventos e recuperação de histórico de transações. Atende a desenvolvedores e pesquisadores que precisam interagir com dados de blockchain de forma estruturada. Este projeto não está mais recebendo atualizações e seu status de manutenção pode afetar sua estabilidade e disponibilidade de recursos.
Divisão de critérios
- Operações de contrato (ler estado de contrato, obter proxy, obter ABI, obter fonte)
- Operações de eventos (obter eventos, construir tópico de evento)
- Operações de transação (obter histórico de transações, obter informações de transação)
markitdown
Ferramenta Python para converter arquivos e documentos de escritório para Markdown.
MarkItDown é uma utilidade leve em Python para converter vários arquivos para Markdown para uso com LLMs e pipelines de análise de texto relacionados. É mais comparável ao textract, mas com foco em preservar a estrutura e o conteúdo importantes do documento como Markdown, incluindo títulos, listas, tabelas, links etc. A saída costuma ser razoavelmente apresentável e amigável ao humano, mas destina‑se a ser consumida por ferramentas de análise de texto, podendo não ser a melhor opção para conversões de documentos de alta fidelidade para consumo humano. MarkItDown atualmente suporta a conversão a partir de PDF, PowerPoint, Word, Excel, Imagens (metadados EXIF e OCR), Áudio (metadados EXIF e transcrição de fala), HTML, formatos baseados em texto (CSV, JSON, XML), arquivos ZIP, URLs do Youtube, EPubs e mais. Recomenda‑se usar um ambiente virtual para evitar conflitos de dependências. Com Python 3.10 ou superior, você pode instalar o MarkItDown usando o pip: pip install 'markitdown[all]' ou a partir do código‑fonte com: git clone git@github.com:microsoft/markitdown.git, depois pip install -e 'packages/markitdown[all]'. O uso do MarkItDown envolve invocação via linha de comando, seja especificando o arquivo de saída, canalizando o conteúdo, ou usando a função convert_* mais restrita para casos de uso específicos.
Divisão de critérios
- Conversão de PDF, PowerPoint, Word, Excel
- Suporte a Imagens (metadados EXIF e OCR)
- Suporte a Áudio (metadados EXIF e transcrição de fala)
- Suporte a HTML, formatos baseados em texto (CSV, JSON, XML)
- Suporte a arquivos ZIP, URLs do YouTube, EPubs
- Dependências opcionais para ativar vários formatos de arquivo
O servidor mcp-clickhouse MCP é um servidor MCP para ClickHouse. Ele inclui Ferramentas ClickHouse, como run_query para executar consultas SQL em seu cluster ClickHouse, list_databases para listar todos os bancos de dados em seu cluster ClickHouse e list_tables para listar tabelas em um banco de dados com paginação. Além disso, inclui Ferramentas chDB, como run_chdb_select_query, para executar consultas SQL usando o mecanismo ClickHouse incorporado do chDB. Ele também fornece um Endpoint de Verificação de Saúde para verificar a saúde do servidor e um mecanismo de segurança para autenticação. O servidor pode ser configurado para serviços internos, desenvolvimento local ou com provedores de autenticação OAuth / OIDC por meio do FastMCP.
Divisão de critérios
- run_query para executar consultas SQL no cluster ClickHouse
- list_databases para listar todos os bancos de dados no cluster ClickHouse
- list_tables para listar tabelas em um banco de dados com paginação
- run_chdb_select_query para executar consultas SQL usando o mecanismo ClickHouse incorporado do chDB
- Endpoint de Verificação de Saúde para monitoramento do servidor
- Múltiplos modos de autenticação, incluindo OAuth e OIDC por meio do FastMCP
O Servidor MCP para QA Sphere TMS é um cliente usado para integrar Modelos de Linguagem Grandes (LLMs) com QA Sphere (QSP) para impulsionar as capacidades de criação de scripts de teste. Depois de configurar o servidor (detalhes disponíveis no GitHub), os LLMs podem interagir com os casos de teste automatizados do QA Sphere. Ao aproveitar o MCP (Protocolo de Callback de Modelo), ele permite que desenvolvedores e testadores criem rapidamente casos de teste baseados em IA, automatizem tarefas e executem suites de teste integradas com o QAS Sphere. A solução baseada em MCP é apoiada por usuários, permitindo que uma ampla gama de tarefas de QA seja automatizada, incluindo descoberta e execução de casos de teste. Além disso, você pode referenciar grandes modelos de linguagem, automatizar tarefas e executar suites de teste integradas ao Sistema de Gerenciamento de Testes do QA Sphere.
Divisão de critérios
- Servidor MCP do sistema de gerenciamento de testes QA Sphere
- Suporte à interação com Modelos de Linguagem Grande (LLMs)
- Acesso à API e configuração
- Compatível com qualquer cliente MCP
MemoryMesh
Um servidor de grafo de conhecimento que utiliza o Protocolo de Contexto de Modelo (MCP) para fornecer persistência de memória estruturada para modelos de IA. v0.2.8
MemoryMesh é um servidor de grafo de conhecimento projetado para modelos de IA, com foco em RPGs baseados em texto e narrativas interativas. Ele ajuda a IA a manter uma memória consistente e estruturada ao longo das conversas, possibilitando interações mais ricas e dinâmicas. O projeto é baseado no Knowledge Graph Memory Server do repositório MCP servers e mantém sua funcionalidade central. MemoryMesh capacita os usuários a criar e gerenciar informações estruturadas para modelos de IA. MemoryMesh é um servidor local de grafo de conhecimento que é particularmente adequado para RPGs baseados em texto, mas também pode ser usado para simulações de redes sociais, planejamento organizacional ou qualquer cenário que envolva dados estruturados. Recursos principais Ferramentas Dinâmicas Baseadas em Esquemas: Defina sua estrutura de dados com esquemas, e o MemoryMesh gera automaticamente ferramentas para adicionar, atualizar e excluir dados. Design Intuitivo de Esquemas: Crie esquemas que orientam a IA na geração e conexão de nós, usando campos obrigatórios, tipos enumerados e definições de relacionamento. Metadados para Orientação da IA: Use metadados para fornecer contexto e estrutura, ajudando a IA a entender o significado e as relações dentro dos seus dados. Manipulação de Relacionamentos: Defina relacionamentos dentro dos seus esquemas para incentivar a IA a criar conexões entre pontos de dados relacionados. Feedback Informativo: Fornece feedback de erro à IA, permitindo que ela aprenda com os erros e melhore suas interações com o grafo de conhecimento. Suporte a Eventos: Um sistema de eventos rastreia as operações, oferecendo insights sobre como o grafo de conhecimento está sendo modificado. Os nós representam entidades ou conceitos dentro do grafo de conhecimento, cada um com um nome, nodeType, metadados e peso. As arestas representam relacionamentos entre nós, cada uma com nó de origem, nó de destino e edgeType. Os esquemas são o coração do MemoryMesh e definem a estrutura de dados com ferramentas geradas automaticamente.
Divisão de critérios
- Ferramentas dinâmicas baseadas em esquemas
- Projeto de esquema intuitivo
- Metadados para orientação de IA
- Manipulação de relacionamentos
- Feedback informativo
- Suporte a eventos