发现 MCP 服务

MCP 文本编辑器服务器通过模型上下文协议（Model Context Protocol）提供面向行的文本文件编辑功能。针对大语言模型（LLM）工具进行了优化，支持高效的部分文件访问以减少令牌使用。需要 Python 3.13 及以上版本，且可选支持 Docker 部署。

一个用于 PageIndex 的模型上下文协议（MCP）服务器，支持基于推理的检索增强生成（RAG）系统。支持本地 PDF 处理和 URL 文档处理，采用 API 密钥验证。API 密钥必须通过环境变量 PAGEINDEX_API_KEY 提供。

Fast MCP 是一种用 Ruby 实现的 Model Context Protocol (MCP) 服务器，便于将 AI 模型与 Ruby 应用程序集成。它支持多种传输方式，包括 STDIO、HTTP 和 SSE。基本使用不需要额外的数据文件。

用于分析和查询 GitHub 仓库的 GitHub Chat MCP 服务器，利用 GitHub Chat API。需要通过环境变量配置 GitHub Chat API 密钥。

EdgeBox 是一个功能全面、基于图形界面的本地大模型（LLM）代理沙箱，完全支持 MCP 协议。需要已安装并运行 Docker Desktop。

An MCP server that indexes local code into a graph database to provide context to AI assistants. Supports multiple graph database backends and 14 programming languages. Install via pip. No external data files required by default.

一种 MCP 服务器实现，允许 AI 助手与 Confluent Cloud REST API 进行交互。需要一个包含 Confluent Cloud 凭据和配置的 .env 文件，具体要求请参阅 README。

Jupyter MCP 服务器是一个实现模型上下文协议（Model Context Protocol）的服务器，提供与在任何 JupyterLab 环境中运行的 Jupyter 笔记本的交互。它需要一个正在运行的 JupyterLab 实例，可以通过环境变量（如 IdentityProvider.token）启动。该服务器支持实时控制和智能执行笔记本单元。

基于 TypeScript 的 MCP 服务器，支持通过 Cline 测试 REST API。该工具允许您在开发环境中直接测试和交互任何 REST API 端点。

QGISMCP 通过模型上下文协议（MCP）将 QGIS 与 Claude AI 连接，允许 Claude 直接与 QGIS 交互和控制。此集成支持快速项目创建、图层加载、代码执行等功能。需要外部安装 QGIS（版本 3.X，已在 3.22 测试）和 Python 3.10 或更高版本。服务器通过 uv 包管理器运行，并连接到 QGIS 插件套接字服务器。

一个 Model Context Protocol（MCP）服务器，提供工具以通过大语言模型（LLMs）以编程方式读取和搜索 IDA Database。需要将插件文件复制到 IDA 的插件目录中，以实现 IDA 端的集成。

Redis MCP 服务器是用于代理应用程序的自然语言界面，旨在管理和搜索 Redis 中的数据。它与 MCP 客户端集成，实现基于 AI 的工作流程，支持与结构化和非结构化的 Redis 数据交互。配置需要设置环境变量，包括 Redis 连接信息（如 REDIS_HOST、REDIS_PORT、REDIS_DB、REDIS_USERNAME、REDIS_PWD）以及 TLS 设置。

一个 MCP 服务器，能够为大型语言模型（LLMs）提供高效访问多种编程语言的包文档和语言服务器协议（LSP）功能。需要 Node.js >= 20、Go、Python 3 以及互联网连接以实现全部功能。

具有 CDP 级访问权限的终极隐身浏览器自动化 MCP 服务器。需要安装 requirements.txt 中列出的 Python 依赖项。

用于树突分析的 MCP 服务器，提供基于 tree-sitter 的代码分析功能，并支持上下文管理。需要 Python 3.10 及以上版本，以及针对优先语言的 tree-sitter 语言解析器。

基于 Electron 构建的跨平台桌面应用程序，利用模型上下文协议（MCP）连接并与各种大型语言模型（LLMs）交互。需要外部 JSON 配置文件（例如 src/main 中的 config.json）来指定 LLM 服务器的命令和路径。

pyghidra-mcp 是一个命令行的模型上下文协议（MCP）服务器，结合了 Ghidra 的逆向工程能力与基于大型语言模型（LLM）的工具，通过 Python 实现。需要安装 Ghidra，并将环境变量 GHIDRA_INSTALL_DIR 设置为 Ghidra 的安装目录。

高级 MCP 服务器，提供语义路由、代码生成、工作流和 AI 辅助开发工具。需要通过环境变量在 .env 文件中进行外部配置，包括 OPENROUTER_API_KEY 以及输出路径和安全边界的可选路径。

一个强大的知识图谱服务器，面向 AI 代理，基于 Neo4j 构建，并集成了模型上下文协议（MCP）。配置需要环境变量，包括 OPENAI_API_KEY、MODEL_NAME 以及 Neo4j 连接设置。

一个 Model Context Protocol (MCP) 服务器实现，提供与 Snowflake 数据库的交互功能。该服务器支持通过工具运行 SQL 查询，并将数据洞察和模式上下文作为资源暴露。运行此服务器需要设置 Snowflake 凭据的环境变量，如 SNOWFLAKE_USER、SNOWFLAKE_ACCOUNT、SNOWFLAKE_ROLE、SNOWFLAKE_DATABASE、SNOWFLAKE_SCHEMA、SNOWFLAKE_WAREHOUSE 和 SNOWFLAKE_PASSWORD。

用于 JFrog 平台 API 的 Model Context Protocol (MCP) 服务器，支持仓库管理、构建跟踪、发布生命周期管理等功能。无需外部数据文件。

一个用于连接 Model Context Protocol（MCP）服务器的 Python 客户端，使用 Ollama 实现，支持本地运行的 LLM（大型语言模型）调用工具。需要本地运行 Ollama 以及 Python 3.10+。支持通过 JSON 文件和命令行参数进行配置。

一个用于通过大型语言模型（LLM）自动化 PlayCanvas 编辑器的 MCP 服务器。需要在 Node.js 环境中运行服务器脚本。无需明确依赖外部数据文件。

Model Context Protocol (MCP) 集成插件，适用于 Obsidian，支持通过原子操作和结构化的记忆系统让 AI 助手与您的知识库交互。需要按照安装步骤将插件文件放入 Obsidian 的插件文件夹中。