Минула битва · 2026-05-26 UTC
MCP Servers Протистояння — 26 травня 2026 р.
З категорії MCP Servers. 99 позначок поставлено серед 5 бійців. onchain-mcp здобув корону.
Підсумкові результати
Учасники
Бійці
Профілі кожного інструмента, який змагався в цій битві, ранжовані за підсумковим балом.
Сервер Bankless Onchain MCP є фреймворком для взаємодії з даними на ланцюгу через Bankless API. Він реалізує Протокол контексту моделі (MCP), щоб дозволити моделям ШІ доступ до стану блокчейну та даних подій у структурованому вигляді. Сервер надає різні дані операцій, включаючи читання стану контракту, отримання журналів подій та отримання історії транзакцій. Він підходить для розробників та дослідників, яким потрібно взаємодіяти з даними блокчейну у структурованому вигляді. Цей проект більше не отримує оновлень, і його статус обслуговування може вплинути на його стабільність та доступність функцій.
Розподіл критеріїв
- Операції з контрактами (читання стану контракту, отримання проксі, отримання ABI, отримання джерела)
- Операції з подіями (отримання подій, створення теми події)
- Операції з транзакціями (отримання історії транзакцій, отримання інформації про транзакцію)
markitdown
Інструмент Python для перетворення файлів та документів офісної програми у Markdown.
MarkItDown є легковажної утилітиєю Python для перетворення різної документації на розширення Markdown для використання з розпізнаванням мовних моделей та пов'язаними текстовими аналізними потоками роботи. Його найбільш подібна утиліта textract, але з акцентом на збережені важливих документів структурі та вмісті у вигляді розширення Markdown, що включає підзаголовки, списки, таблиці, посилання тощо. Вихід часто відносно добре надається та сприймається людьми з чуттям, але його метою є споживання текстовими аналізними інструментами, і тому може не бути найкращою опцією для високоякісного документів перетворення для споживання людини. MarkItDown на поточний момент підтримує перетворення із файлау PDF, презентацій PowerPoint, документів Word, табличних даних Excel, зображень (збереження EXIF-міток та виявлення тексту зображень шляхом OСR), аудіозаписів (збереження EXIF-міток та виявлення мови шляхом трансляції мови), з HTML, текстових форматів (CSV, JSON, XML), скомпільованих ZIP-файлів, URL-адрес Youtube, EPubs та інших форматів. Рекомендується використовувати віртуальне середовище, щоб уникнути конфліктів залежностей. З Python 3.10 або вище ви можете встановити MarkItDown за допомогою pip: pip install 'markitdown[all]' або завантаживши з джерела: git clone git@github.com:microsoft/markitdown.git, потім pip install -e 'packages/markitdown[all]'. Використання сервісу відбувається шляхом виклику з командової лінії, при цьому вказується назва файлу виходу, чи передається вміст через трубопровід, або в окремих випадках використовується функція convert_* для спеціалізованих завдань.
Розподіл критеріїв
- Перетворення файлі PDF, PowerPoint, Word, Excel
- підтримка для зображень (EXIF метаданих та розпізнавання OCR)
- підтримка для аудіо (EXIF метаданих та мовної трансляції)
- підтримка для HTML, текстовий формат базових даних (CSV, JSON, XML)
- підтримка для ZIP файли, Youtube URLs, EPubs
- опціональні залежності активувати різні формати файлів
mcp-clickhouse MCP сервер - це MCP сервер для ClickHouse. Він містить інструменти ClickHouse, такі як run_query для виконання SQL-запитів на вашому кластері ClickHouse, list_databases для переліку всіх баз даних на вашому кластері ClickHouse, та list_tables для переліку таблиць у базі даних із сторінками. Крім того, він містить інструменти chDB, такі як run_chdb_select_query, для виконання SQL-запитів за допомогою вбудованого механізму ClickHouse у chDB. Також він надає кінцеву точку перевірки стану для перевірки стану сервера та механізм безпеки для автентифікації. Сервер можна налаштувати для внутрішніх служб, локального розроблення або з постачальниками автентифікації OAuth / OIDC через FastMCP.
Розподіл критеріїв
- run_query для виконання SQL-запитів на кластері ClickHouse
- list_databases для переліку всіх баз даних на кластері ClickHouse
- list_tables для переліку таблиць у базі даних із сторінками
- run_chdb_select_query для виконання SQL-запитів за допомогою вбудованого механізму ClickHouse у chDB
- Кінцева точка перевірки стану для моніторингу сервера
- Кілька режимів автентифікації, включаючи OAuth та OIDC через FastMCP
Сервер MCP для QA Sphere TMS є клієнтом, що використовується для інтеграції великих мовних моделей (LLMs) з QA Sphere (QSP) з метою підвищення можливостей створення тестових сценаріїв. Після налаштування сервера (деталі доступні на GitHub) LLMs можуть взаємодіяти з автоматизованими тестовими випадками QA Sphere. Використовуючи MCP (Model Callback Protocol), він дозволяє розробникам та тестувальникам швидко створювати тестові випадки на основі ШІ, автоматизувати завдання та запускати набори тестів, інтегровані з QAS Sphere. Рішення на основі MCP підтримується користувачами, що дозволяє автоматизувати широкий спектр QA-завдань, включаючи виявлення і виконання тестових випадків. Додатково ви можете посилатися на великі мовні моделі, автоматизувати завдання та запускати набори тестів, інтегровані з системою управління тестами QA Sphere.
Розподіл критеріїв
- сервер MCP для системи управління тестами QA Sphere
- Підтримка взаємодії з великими мовними моделями (LLM)
- Доступ до API та налаштування
- Сумісний з будь‑яким клієнтом MCP
MemoryMesh
Сервер знань зі структурою, який використовує протокол Model Context Protocol (MCP) для забезпечення структурованої пам'яті для моделей ШІ. v0.2.8
MemoryMesh – сервер знавчо-графової бази даних, розроблений для моделей АІ, з різюмкою на текстову рольову гри та інтерактивну історію. Він допомагає АІ зберігати міцну, добре організовану пам'ять під час розмов, що забезпечує багатші та динамічніші взаємодіії. Проект заснований на сервері знавчно-графової пам'яті із репозиторію MCP servers та зберігає найважливішу його функціональність. MemoryMesh надає користувачам можливість створювати та керувати добре організовану інформацію для моделей АІ. MemoryMesh - локальний сервер знаньної графіки, який особливо добре підходить для текстових рольових ігор у віртуальному світі, але також можна використовувати для відпрацювання сценаріїв соціальної мережі, організації, або будь-якої іншої ситуації, при якій передбачається обробка структураних даних Ключові функції: Динамічні засоби формування схеми: Визначте структуру даних за допомогою схем, і MemoryMesh автоматично генерує засоби для додавання, оновлення та видалення даних. Інтуїтивна розробка схеми: Створіть схеми, які вказують AI у генерації та підключенні вузлів, використовуючи обов'язкові поля, обмежені типи та визначення стосунків. Метадані для керівництва AI: Використовуйте метадані для надання контексту та структури, сприяючи розумінню AI значення та стосунків у вашій даних. Обробка стосунків: Визначайте стосунки у своїх схемах для того, щоб стимулювати AI створювати зв'язки між пов'язаними вузлами даних. Інформаційні Відгуки: надає помилкове відгук щодо AI, дозволяючи йому навчатися від помилок та покращувати взаємодію зі знаковою мережею. Підтримка подій: системою подій відслідковуються операції, забезпечуючи інформацію про те, як знаковою мережею змінюється. Ноди представляють об'єкти чи концепції у визначенні знань, кожен із іменем, nodeType, метаданими та важливістю. Еджі представляють зв'язки між нодами, кожен із джерельною нодою, цілевою нодою та типом еджа. Шеми є серцем MemoryMesh і визначають структуру даних з автоматично згенерованими інструментами.
Розподіл критеріїв
- Динамічні інструменти на основі схем
- Інтуїтивне проектування схем
- Метадані для керівництва ШІ
- Обробка відносин
- Інформативний зворотний зв'язок
- Підтримка подій