Minulý súboj · 2026-05-26 UTC
MCP Servers Súboj — 26. mája 2026
Z kategórie MCP Servers. 99 body udelených medzi 5 bojovníkov. onchain-mcp získal korunu.
Konečné poradie
Zostava
Bojovníci
Profily každého nástroja, ktorý súťažil v tomto súboji, zoradené podľa ich konečného skóre.
Bankless Onchain MCP Server je rámec pre interakciu s on-chain dátami prostredníctvom Bankless API. Implementuje Model Context Protocol (MCP), aby umožnil AI modelom prístup k stavu blockchainu a údajom o udalostiach štruktúrovaným spôsobom. Server poskytuje rôzne dátové operácie, vrátane čítania stavu kontraktov, získavania logov udalostí a načítania histórie transakcií. Je určený pre vývojárov a výskumníkov, ktorí potrebujú pracovať s blockchain dátami štruktúrovane. Projekt už nie je aktualizovaný a jeho stav údržby môže ovplyvniť stabilitu a dostupnosť funkcií.
Rozdelenie kritérií
- Operácie so smart kontraktmi (čítanie stavu kontraktu, získanie proxy, získanie ABI, získanie zdrojového kódu)
- Operácie s udalosťami (získanie udalostí, vytvorenie témy udalosti)
- Operácie s transakciami (získanie histórie transakcií, získanie informácií o transakcii)
markitdown
Python nástroj pre konverziu súborov a kancelárskych dokumentov do formátu Markdown.
MarkItDown je ľahká Pythonova utilita na konverziu rôznych súborov do formátu Markdown pre použitie s LLM a súvisiacimi potrubiami analýzy textu. Je najviac porovnateľná s textract, ale so zameraním na zachovanie dôležitej štruktúry a obsahu dokumentu ako Markdown, vrátane hláv, zoznamov, tabuliek, odkazov atď. Výstup je často primerane prezentovateľný a užívateľsky prívetivý, ale je určený na spotrebu nástrojmi analýzy textu a nemusí byť tou najlepšou voľbou pre vysoko verné konverzie dokumentov pre ľudskú spotrebu. MarkItDown v súčasnosti podporuje konverziu z PDF, PowerPoint, Word, Excel, obrázkov (metadáta EXIF a OCR), zvuku (metadáta EXIF a prepis reči), HTML, textových formátov (CSV, JSON, XML), súborov ZIP, adries URL služby YouTube, EPubov a mnoho ďalšieho. Odporúča sa používať virtuálne prostredie, aby sa predišlo konfliktom závislostí. S Pythonom 3.10 alebo vyšším môžete nainštalovať MarkItDown pomocou pip: pip install 'markitdown[all]' alebo zo zdroja pomocou: git clone git@github.com:microsoft/markitdown.git, potom pip install -e 'packages/markitdown[all]' Používanie MarkItDown zahŕňa volanie z príkazového riadku, a to buď zadaním výstupného súboru, prečítaním obsahu alebo použitím najužšej funkcie convert_* pre konkrétne prípady použitia.
Rozdelenie kritérií
- Konverzia PDF, PowerPointu, Wordu, Excelu
- Podpora obrázkov (EXIF metadáta a OCR)
- Podpora zvuku (EXIF metadáta a prepis hovoru)
- Podpora HTML, textových formátov (CSV, JSON, XML)
- Podpora ZIP súborov, YouTube URL, EPubov
- Voliteľné závislosti pre aktiváciu rôznych formátov súborov
mcp-clickhouse MCP server je MCP server pre ClickHouse. Obsahuje nástroje ClickHouse, vrátane run_query na vykonávanie SQL dopytov na vašom ClickHouse klasteri, list_databases na zobrazenie všetkých databáz na vašom ClickHouse klasteri a list_tables na zobrazenie tabuliek v databáze s stránkovaním. Ďalej obsahuje chDB nástroje, ako run_chdb_select_query, na vykonávanie SQL dopytov pomocou vstavaného ClickHouse enginu chDB. Poskytuje aj Health Check Endpoint na kontrolu zdravia servera a bezpečnostné mechanizmy pre autentifikáciu. Server možno nastaviť pre interné služby, lokálny vývoj alebo s OAuth / OIDC poskytovateľmi autentifikácie cez FastMCP.
Rozdelenie kritérií
- run_query na vykonávanie SQL dopytov na ClickHouse klasteri
- list_databases na zobrazenie všetkých databáz na ClickHouse klasteri
- list_tables na zobrazenie tabuliek v databáze s stránkovaním
- run_chdb_select_query na vykonávanie SQL dopytov pomocou vstavaného ClickHouse enginu chDB
- Health Check Endpoint pre monitorovanie servera
- Viacnásobné módy autentifikácie, vrátane OAuth a OIDC cez FastMCP
MCP Server pre QA Sphere TMS je klient používaný na integráciu Large Language Models (LLMs) s QA Sphere (QSP) s cieľom zvýšiť možnosti tvorby testovacích skriptov. Po nakonfigurovaní servera (podrobnosti sú dostupné na GitHub) môžu LLMs komunikovať s automatizovanými testovacími prípadmi v QA Sphere. Využitím MCP (Model Callback Protocol) umožňuje vývojárom a testerom rýchlo vytvárať AI‑založené testovacie prípady, automatizovať úlohy a spúšťať testovacie sady integrované s QAS Sphere. Riešenie založené na MCP je podporované používateľmi, čo umožňuje automatizovať širokú škálu QA úloh, vrátane objavovania a spúšťania testovacích prípadov. Okrem toho môžete odkazovať na veľké jazykové modely, automatizovať úlohy a spúšťať testovacie sady integrované s QA Sphere Test Management System.
Rozdelenie kritérií
- Server pre manažment testov v QA Sphere systém
- Podpora interakcie s veľkými jazykovými modelami (LLMs)
- Pristup k API a konfigurácia
- Kompatibilita s akoukoľvek klientom MCP
MemoryMesh
Server znalostného grafu, ktorý využíva Model Context Protocol (MCP) na poskytovanie štruktúrovanej trvalej pamäti pre AI modely. v0.2.8
MemoryMesh je server znalostného grafu navrhnutý pre modely AI, so zameraním na textové RPG hry a interaktívne rozprávanie. Pomáha AI udržiavať konzistentnú, štruktúrovanú pamäť naprieč konverzáciami, čo umožňuje bohatšie a dynamickejšie interakcie. Projekt je založený na Knowledge Graph Memory Server z repozitára MCP servers a zachováva jeho základnú funkčnosť. MemoryMesh umožňuje používateľom vytvárať a spravovať štruktúrované informácie pre modely AI. MemoryMesh je lokálny server znalostného grafu, ktorý je obzvlášť vhodný pre textové RPG hry, ale môže byť tiež použitý pre simulácie sociálnych sietí, organizačné plánovanie alebo akýkoľvek scenár zahŕňajúci štrukturované dáta. Kľúčové funkcie Dynamické nástroje založené na schéme: Definujte svoju dátovú štruktúru pomocou schém a MemoryMesh automaticky vygeneruje nástroje na pridávanie, aktualizáciu a odstránenie dát. Intuitívny dizajn schémy: Vytvárajte schémy, ktoré vedú AI pri generovaní a prepojení uzlov pomocou povinných polí, enumerovaných typov a definícií vzťahov. Metadáta pre vedenie AI: Použite metadáta na poskytnutie kontextu a štruktúry, čím pomôžete AI pochopiť význam a vzťahy v rámci vašich dát. Spracovanie vzťahov: Definujte vzťahy v rámci svojich schém, aby ste povzbudili AI k vytváraniu spojení medzi súvisiacimi dátovými bodmi. Informatívna spätná väzba: Poskytuje chybnú spätnú väzbu AI, čo jej umožňuje učiť sa z chýb a zlepšovať svoje interakcie s grafom znalostí. Podpora udalostí: Systém udalostí sleduje operácie a poskytuje informácie o tom, ako sa modifikuje graf znalostí. Uzlové body predstavujú entity alebo koncepty v rámci znalostného grafu, pričom každý z nich má názov, nodeType, metadáta a váhu. Hrany predstavujú vzťahy medzi uzlovými bodmi, pričom každá hrana má zdrojový uzol, cieľový uzol a edgeType. Schémy sú srdcom MemoryMesh a definujú dátovú štruktúru s automaticky vygenerovanými nástrojmi.
Rozdelenie kritérií
- Dynamické nástroje založené na schéme
- Intuitívne navrhovanie schém
- Metadata pre vedenie AI
- Spracovanie vzťahov
- Informujúca spätná väzba
- Podpora udalostí