下载最佳用于编码的 Mcp 服务器 - 最优秀的软件和应用
agentdeals，由Robhunter开发，是一个开源的模型上下文协议（MCP）服务器，允许AI代理查询策划的开发者基础设施优惠数据库。该工具公开可搜索的端点和资格、类别及最近性过滤器，返回供应商条款和免费层限制。它可以生成策划的堆栈建议和基于规模的资源估算，用于项目规划。目标受众是开发者、DevOps工程师和使用代理来告知基础设施决策的AI高级用户。
codex-agent-mem，由MarceloCaporale开发，是一个本地内存层，使AI编码代理能够持久访问过去的项目交互和会话上下文。它帮助代理在不重复设置的情况下继续工作，通过在会话之间保持项目连续性。该工具强调紧凑的上下文管理和本地控制。其受众包括将AI助手集成到日常编码任务中的开发人员，他们需要更一致的多会话状态和更快的迭代。
源代码，由Mcp2cli提供，是一个MCP服务器，允许AI模型直接访问本地源代码库。它读取文件，列出目录结构，运行项目范围的文本和模式搜索，并将文件元数据注入模型的上下文中，以便语言模型可以协助调试、重构和功能开发。关键要素包括本地MCP集成、仅限本地执行和轻量级CLI安装。该工具适合使用MCP客户端（如Claude Desktop）的软件工程师和网页开发人员。
哦-我的-mcp，来自全新资源网，适配模型上下文协议服务器，以连接与MCP兼容的AI客户端与本地和网络资源进行互动任务。该工具暴露服务器端点，允许助手获取当前信息，操作本地工具，并与文件互动，同时提供一个可供开发者扩展的架构。针对开发者、AI重度用户和研究人员，它优先考虑透明代码和本地控制，以便技术熟练的用户可以根据他们的工作流程定制集成。
MCP NATS，由 Sinadarbouy 提供，是一个开源的模型上下文协议服务器，它将大型语言模型连接到 NATS 消息系统，以便 AI 代理可以参与事件驱动的工作流。该工具将消息操作公开为 MCP 可访问的工具，以便 LLM 客户端可以在对话中调用消息传递和同步请求-回复模式。它需要 Node.js 运行时和对正在运行的 NATS 服务器的访问，旨在为将 AI 嵌入分布式系统的软件架构师和 DevOps 工程师服务。
llmrouter，由Paul Arlott创建，是一个MCP服务器，负责将请求路由到多个LLM提供商，以实现统一访问。该工具将模型端点暴露为MCP工具，并允许开发人员通过工具参数选择提供商，如OpenAI或Anthropic，同时支持请求参数，如温度和最大令牌。配置依赖于单个YAML文件，用于模型和API密钥。使用MCP客户端的开发人员和高级用户可以获得一个集中式网关，以便在现有工作流中测试和集成不同的模型。
napari-mcp，由Royerlab开发，是一个MCP服务器，允许AI代理控制napari进行图像分析。该工具将napari的Python API作为语言模型的工具，支持自然语言命令加载图像、调整图层和在查看器上运行处理代码片段。主要功能包括MCP集成、状态感知和交互式画布更新。生物图像分析师、研究人员和数据科学家可以在可访问的本地napari会话中受益于更快的脚本化工作流程和AI辅助实验。
mcp-zen-of-languages，来自 Anselmoo，是一个 MCP 服务器，提供编程语言哲学给 AI 模型，以便生成的代码遵循特定语言的风格。它充当一个上下文提供者，编码助手可以查询以在生成过程中偏向风格、结构和命名。关键功能包括将语言原则传递到模型上下文、MCP 兼容性，以及一个可扩展的实践库。目标用户是希望 AI 输出符合人类惯例并提高可维护性的开发者和提示工程师。
FS-MCP，由Chayan 1906创建，是一个模型上下文协议服务器，连接AI助手与本地文件以进行文本本地化。该工具允许模型读取、解释和写入结构化文件的本地化版本，处理JSON、YAML和Markdown，同时关注文件结构。它包括可配置的目录权限，旨在为希望将自动化的、在库中的本地化步骤集成到其工作流程中的开发人员、本地化工程师和内容经理提供服务。
devir，来自Productdevbook，是一个MCP服务器，允许AI代理控制访问本地开发工作区。它允许模型读取、写入、搜索文件并执行shell命令，以便代理可以直接提出和应用代码更改。关键功能包括目录管理、实时交互和兼容客户端的MCP合规性。该工具面向使用AI编码助手的开发人员和工程师，旨在让他们在项目中进行更快的程序化编辑。
crossplane-mcp-server，由Shilucloud创建，连接语言模型与Crossplane以进行云管理任务。该服务器暴露了一个基于Kubernetes的控制面，以便AI代理可以通过自然语言查询、监控和配置资源。它实现了模型上下文协议，集成了标准Kubernetes身份验证，并支持声明式工作流。云原生工程师和平台团队获得了一种在支持MCP的IDE和自动化管道中原型化AI驱动的基础设施操作的方法。
mcp-vertex-search-snippets，来自UnitVectorY Labs，是一个MCP服务器，连接MCP兼容的AI客户端与Google Cloud Vertex AI Search，以便模型使用私有文档来提供答案。该工具专注于返回简洁的文本片段和逐字提取的段落，以便模型接收针对性的上下文，而不是整个文件。它是可配置的，旨在降低运营开销和快速部署。需要特定领域基础的开发人员和企业AI工程师受益最大。
Fal.ai MCP 服务器是一个强大的工具，旨在生成多种媒体类型，包括图像、视频和音频。它基于模型上下文协议（MCP）运行，并通过多种传输模式（如 STDIO 和 HTTP/SSE）进行访问。该服务器支持来自 Fal.ai 平台的 600 多个模型，使用户能够利用先进的 AI 能力进行创意项目。主要功能包括原生异步处理、长任务的队列支持，以及丰富的媒体生成工具，用于创作和编辑。用户可以通过提供文本提示或现有媒体文件轻松生成内容，提供用于编辑图像、生成视频和创作音乐的工具。该服务器可以使用 Docker、Python 或直接通过 Claude Desktop 的插件系统运行，使其在不同环境中灵活使用。凭借其动态模型发现功能，用户可以高效地探索和利用各种针对其特定需求量身定制的 AI 模型。
context-sherpa，来自Hackafterdark，是一个模型上下文协议（MCP）服务器，连接本地项目文件与大型语言模型，以提高查询相关性。该服务器索引目录，遍历项目，并提取上下文感知的片段，以便助手接收针对性的摘录，而不是完整文件。它与MCP兼容的客户端（如Claude Desktop）集成，并在Node.js上运行。开发人员、数据科学家和技术研究人员从代码库和文档中获得更扎实的AI响应，而无需手动复制粘贴。
MCP-Kubernetes 是一个强大的模型上下文协议服务器，旨在与 Kubernetes 集群高效交互。它提供了一整套功能，包括资源管理、Pod 操作和上下文管理，使其成为开发人员和 DevOps 团队的必备工具。用户可以执行各种操作，例如列出、创建和删除 Kubernetes 资源，以及在 Pod 内执行命令。该应用程序还支持多种身份验证模式，确保安全访问集群，并通过 OpenTelemetry 仪器提供可观察性功能。安装过程简单，只需一个简单的 Go 命令即可。设置完成后，用户可以轻松管理多个集群，利用其与 Cluster API (CAPI) 的联合能力。服务器支持标准 I/O 和可流式传输的 HTTP 传输类型，以满足不同的部署需求。此外，非破坏性模式和干运行功能等安全特性增强了操作安全性。总体而言，MCP-Kubernetes 是一个高效管理…
gh-mcp 是一个 GitHub CLI 扩展，旨在简化运行 github-mcp-server 的过程。该工具自动管理 GitHub 个人访问令牌，使用户能够无缝地使用现有的 `gh` CLI 凭据进行身份验证。支持包括 Windows、Linux 和 macOS 在内的多个平台，为需要与 GitHub 的模型上下文协议接口的开发人员提供了多功能解决方案。通过 `gh` CLI 安装非常简单，用户可以根据需要轻松更新扩展。该扩展允许各种配置，包括启用特定的 API 工具集和以只读模式运行。它优先考虑安全性，确保 GitHub…
Obsidian-llm-wiki，由2233admin开发，是一个开源的MCP服务器，将语言模型连接到Obsidian库以进行上下文感知查询。该工具为模型提供可搜索的markdown笔记和目录结构的访问，以便助手在提示期间参考个人研究。它在Node.js运行时上运行，并与MCP兼容的客户端配合使用。研究人员、学生和知识工作者可以查询他们的个人维基，而无需手动复制和粘贴，同时将笔记保存在本地存储中，同时启用模型辅助的探索。
genesys-cloud-mcp-server 由 MakingChatbots 实现模型上下文协议，以便 LLM 客户端可以以对话方式查询 Genesys Cloud 操作数据。它将平台 API 映射为可调用工具，以便 AI 客户端可以回答操作问题并在没有手动仪表板导航的情况下呈现交互数据。该服务器支持自然语言查询、多区域配置和 MCP 兼容客户端，以实现零 UI 分析。预期用户包括联络中心经理、质量团队、运营分析师和 Genesys Cloud 生态系统内的开发人员。
bbkt（Bare Bones Knowledge Tool）由Zach Snell开发，作为AI模型的持久内存服务器，提供一个本地优先的知识图谱，能够在会话之间保留事实。它暴露了搜索和查询端点，以便MCP兼容的客户端可以检索上下文并保持对话的连续性。该实现强调简约、本地JSON持久性和协议合规性。开发人员、研究人员和运行MCP客户端的高级用户获得了一种简单的方法，将长期记忆添加到LLM工作流中。
