Bătălie trecută · 2026-05-26 UTC
MCP Servers Confruntare — 26 mai 2026
Din categoria MCP Servers. 99 puncte plasate pe 5 luptători. onchain-mcp a luat coroana.
Clasament final
Lotul
Luptătorii
Profilurile fiecărui instrument care a concurat în această bătălie, clasate după scorul lor final.
Versiunea de server MCP a Bankless Onchain este un cadru pentru interacțiune cu datele de pe lanț, utilizând API-ul Bankless. Implementează protocolul Contextul Modelului (MCP) pentru a permite modelelor de inteligență artificială accesarea stării și a datelor de evenimente blockchain într-un mod structurat. Serverul furnizează operațiuni de date, inclusiv citirea stării contractelor, încărcarea registrelor de evenimente și recuperarea istoricului de tranzacții. Se adresează dezvoltatorilor și cercetătorilor care necesită interacțiune cu datele blockchain într-un mod structurat. Proiectul acesta nu mai primește update-uri și starea de mentenanță poate afecta stabilitatea și disponibilitatea featurilor sale.
Diviziunea criteriilor
- Acces structurat la datele de la blockchain
- Suport pentru diverse rețele de blockchain
- Funktionale pentru analiză de date (Statutul contului, log-urile de evenimente și cerințele de tranzactionare) în MCP - Context Model
- Aplicații pentru dezvoltătorii și cercetători
- Verificare serioasa a lărumitilor API-urilor și contextul într-Un Model Care Sunt MCP - Context
markitdown
Instrument Python pentru conversia fișierelor și documentelor de birou în Markdown.
MarkItDown este o utilitate lightweight Python pentru a converti diferite fişiere în Markdown pentru a fi utilizată cu LLM-uri și pipeline-uri de analiză a textului asociate. Este comparabilă cel mai mult cu textract, dar cu o focalizare asupra menţinerii structurii documentului importantă şi conţinutul ca Markdown, inclusiv titluri, liste, tabele, linkuri, etc. Rezultatul este deschis și prietenos pentru oameni și potrivit pentru utilizare, dar este conceput să fie consumat de instrumente de analiză a textului și poate nu este cel mai bun opţiune pentru convorbiri de documente fidel la specificarea umană a conţinutului. MarkItDown suportă în prezent conversia din PDF, PowerPoint, Word, Excel, Imagini (metadate EXIF și OCR), Audio (metadate EXIF și transcriere audio), HTML, formate bazate pe text (CSV, JSON, XML), fișiere ZIP, URL-urile Youtube, EPubs și multe altele. Se recomandă folosirea unui mediu virtual pentru a evita conflictele de dependințe. Cu Python 3.10 sau o versiune mai nouă puteți instala MarkItDown folosind pip: pip instală 'markitdown[all]' sau din surse cu: git clone git@github.com:microsoft/markitdown.git, apoi pip instală -e 'packages/markitdown[all]'. Utilizarea MarkItDown implică invocare de linie de comandă, fie prin specificare a fișierului de ieșire, fie prin împingere a conținutului, sau utilizarea unei funcții convert_* specializată pentru cazuri specifice de utilizare.
Diviziunea criteriilor
- Conversia PDF, PowerPoint, Word, Excel
- Suport pentru imagini (metadate EXIF și OCR)
- Suport pentru audio (metadate EXIF și transcriere vorbită)
- Suport pentru HTML, formate bazate pe text (CSV, JSON, XML)
- Suport pentru fișiere ZIP, adrese URL YouTube, EPubs
- Dependențe opționale pentru activarea diferitelor formate de fișiere
Serverul MCP pentru a se găsi cu ClickHouse Services și administrarea la librărie de securitate, inclusiv consultăre OAuth și OIDC prin FastMCP.
Diviziunea criteriilor
- run_query pentru a executa interogări SQL pe clusterul ClickHouse
- list_databases pentru a lista toate bazele de date din clusterul ClickHouse
- list_tables pentru a lista tabele într-o bază de date cu paginare
- run_chdb_select_query pentru a executa interogări SQL utilizând motorul ClickHouse încorporat al chDB
- Punct de Control al Stării pentru monitorizarea serverului
- Mai multe moduri de autentificare, incluzând OAuth și OIDC prin FastMCP
Serverul MCP pentru QA Sphere TMS este un client utilizat pentru integrarea modelelor lingvistice mari (LLM) cu QA Sphere (QSP) pentru a îmbunătăți capacitățile de creare a scripturilor de testare. După configurarea serverului (detalii disponibile pe GitHub), LLM-urile pot interacționa cu cazurile de testare automate ale QA Sphere. Prin utilizarea MCP (Protocol de apelare a modelelor), acesta permite dezvoltatorilor și testerilor să creeze rapid cazuri de testare bazate pe inteligența artificială, să automatizeze sarcini și să ruleze suite de testare integrate cu QAS Sphere. Soluția bazată pe MCP este susținută de utilizatori, permițând automatizarea unei game largi de sarcini QA, inclusiv descoperirea și execuția cazurilor de testare. În plus, puteți referenția modele lingvistice mari, automatiza sarcini și rula suite de testare integrate cu sistemul de gestionare a testelor QA Sphere.
Diviziunea criteriilor
- Sistem de server MCP pentru managementul de teste QA Sphere
- Suport pentru interacțiune cu Modelurile de Limbă Mari (LLMs)
- Acces la API și configurare
- Compatibilitate cu orice client MCP
MemoryMesh
Un server de graf de cunoștințe care utilizează Model Context Protocol (MCP) pentru a oferi persistență structurată a memoriei pentru modelele AI. v0.2.8
MemoryMesh este un serviciu de graf de cunoștințe proiectat pentru modelele AI, concentrându-se pe RPG-uri bazate pe text și storytelling interactiv. Asistă la menținerea memoriei sistematice, strucuturate între conversații, ceea ce înlesnește interacțiuni mai complexe și mai dinamice. Proiectul se bazează pe Knowledge Graph Memory Server din repository-ul MCP servers și păstrează funcționalitatea sa de bază. MemoryMesh îi oferă utilizatorilor puterea de a construi și gestiona informații structurată pentru modelele AI. MemoryMesh este un server de graf al cunoaştere lical care este în mod deosebit potrivit pentru RPG-uri bazate pe text, dar poate fi utilizat, de asemenea, pentru simulări de reţele sociale, planificarea organizaţională sau orice scenariu implicând date structurate. Caracteristici Cheie Instrumente bazate pe scheme dinamică: Definiți structura dvs. de date cu schema, iar MemoryMesh generează automat instrumente pentru adăugarea, actualizarea și ștergerea de date. Design intuitiv al schemei: Createază scheme care îndrumă inteligența artificială în a genera și a conecta noduri, folosind câmpuri necesare, tipuri enumerate și definiții de relații. Date metadata pentru ghidarea AI: Utilizați date metadata pentru a oferi context și structură, ajutând inteligența artificială să înțeleagă semnificația și relațiile din interiorul dvs. de date. Înlăturarea relațiilor: Definiți relațiile în cadrul schemei dvs. pentru a încuraja inteligența artificială să creeze legături între punctele de date legate. Feedback Informativ: Oferează feedback de eroare AI-ului, permitemu-l să învețe de la greșeli și să își amelioreze interacțiunile cu graful de cunoaștere. Suport Eveniment: Un sistem de evenimente monitorizează operații, oferind informații despre cum se modifică graful de cunoștințe. Node-urile reprezintă entități sau conținuturi dintr-un graf de cunoaștere, fiecare având un nume, un tip de nod, un metadate și un greutate. Muchiile reprezintă relațiile dintre node-uri, fiecare având un nod sursă, un nod țintă și un tip de muchie. Schemele sunt centru de MemoryMesh și definește structura de date cu instrumente automatic generate.
Diviziunea criteriilor
- Instrumente dinamice bazate pe scheme
- Proiectare intuitivă de scheme
- Metadate pentru ghidarea AI-ului
- Gestionarea relațiilor
- Feedback informativ
- Suport pentru evenimente