awesome-mcp-list

GitHub
881 171 中等 1 次阅读 4天前Agent插件
AI 解读 由 AI 自动生成,仅供参考

awesome-mcp-list 是一个持续更新的开源项目,旨在为开发者提供一份精选且简洁的 MCP(Model Context Protocol)服务器列表。随着 AI 代理能力的增强,如何让大模型有效连接外部工具成为关键挑战,而该项目通过分类整理各类 MCP 服务,解决了用户寻找可靠集成方案难、信息分散的问题。

列表中涵盖了从浏览器自动化控制(如基于 Playwright 和 Puppeteer 的方案)、无需 API 密钥的网页搜索,到 YouTube 字幕提取、视频编辑分析以及语音处理等丰富场景。其独特亮点在于不仅收录了官方维护的核心服务,还聚合了社区中针对特定需求优化的高质量实现,例如支持 Docker 部署的浏览器服务或专为语言学习设计的语音评估工具。

这份清单特别适合 AI 应用开发者、系统集成工程师以及希望扩展大模型能力边界的研究人员使用。对于想要快速构建具备联网搜索、自动操作浏览器或多媒体处理能力的智能代理的创作者而言,awesome-mcp-list 提供了即插即用的灵感来源与技术基石,帮助用户跳过繁琐的筛选过程,直接聚焦于核心业务逻辑的开发。

使用场景

某内容运营团队需要每日从全球科技博客和 YouTube 频道抓取最新资讯,并自动剪辑成短视频素材。

没有 awesome-mcp-list 时

  • 搜索成本极高:开发者需在 GitHub 大海捞针,难以区分哪些是官方维护的 Puppeteer 服务,哪些是过时的个人项目。
  • 功能匹配困难:想要提取 YouTube 字幕或进行无 API 键的网页搜索,却找不到现成的 mcp-server-youtube-transcriptweb-search 组件,只能重复造轮子。
  • 集成风险大:盲目选用未经验证的浏览器控制脚本,常因缺乏 Docker 支持或依赖冲突导致自动化流程频繁崩溃。
  • 生态视野受限:完全忽略了视频编辑、语音评估等跨领域能力(如 video-editing-mcp),导致工作流仅停留在文本层面,无法实现多媒体自动化。

使用 awesome-mcp-list 后

  • 精准快速选型:直接查阅分类清晰的清单,秒级定位到带 Star 数参考的 browser-use-mcp-server 和官方 puppeteer 服务,大幅缩短调研时间。
  • 即插即用赋能:迅速集成无需 API 键的 Google 搜索工具和 YouTube 字幕提取器,当天即可打通“资讯获取 - 内容分析”闭环。
  • 稳定可靠部署:优先选择支持 Docker 和 VNC 的成熟方案(如 co-browser),确保浏览器自动化在服务器环境中稳定运行,零故障交付。
  • 工作流全面升级:意外发现并引入视频智能剪辑与语音评测工具,将原本单一的图文日报升级为包含自动剪辑片段的多媒体简报。

awesome-mcp-list 通过提供经过筛选的标准化服务器清单,让开发者从繁琐的基建挖掘中解放出来,专注于构建高价值的 AI 自动化业务流。

运行环境要求

操作系统
  • 未说明 (该仓库为 MCP 服务器列表,具体系统需求取决于列表中各个独立的子项目,涵盖 macOS
  • Linux 和 Windows)
GPU
  • 未说明 (大部分工具为 API 集成或脚本自动化,无统一 GPU 需求
  • 个别涉及本地 AI 模型的项目需参考其独立文档)
内存

未说明

依赖
notesawesome-mcp-list 本身只是一个 curated list(精选列表),并非单一可运行的软件工具。它列出了数十个不同的 MCP 服务器项目,每个项目都有独立的运行环境、依赖库和安装方式(如 npx, uvx, docker run 等)。用户需根据想要使用的具体工具(例如 browser-use-mcp-server 或 aws-mcp-server),前往其对应的 GitHub 仓库查看详细的系统需求。
python未说明 (部分项目提及使用 Python、Go、Java 或 Node.js,但无统一版本要求)
awesome-mcp-list hero image

快速开始

令人惊叹的 MCP 服务器 - 精简列表

请注意,此列表会持续更新和优化。如果您觉得有用,请给这个仓库点个赞——它非常值得收藏!

📂 浏览器控制

🎨 艺术与文化

  • burningion/video-editing-mcp GitHub 星标:在视频库中实现由 AI 驱动的视频编辑、分析和搜索功能。
  • fasuizu-br/speech-ai-examples GitHub 星标:语音 AI MCP 服务器,具备发音评估(音素级评分,17MB 模型,响应时间小于 300ms)、文本转语音及语音转文字功能。包含 8 种工具,适用于语言学习、辅助功能及语音应用。
  • r-huijts/rijksmuseum-mcp GitHub 星标:连接荷兰国立博物馆 API,用于访问艺术藏品及相关信息。
  • yuna0x0/anilist-mcp GitHub 星标:通过集成 AniList API 提供动漫和漫画相关信息。
  • austenstone/myinstants-mcp GitHub 星标:一个包含来自 myinstants.com 数百万条表情包音效的声音板 MCP 服务器。支持搜索、播放及分类浏览。运行命令:npx myinstants-mcp

☁️ 云平台

🖥️ 命令行

💬 沟通

👤 客户数据平台

🗄️ 数据库

💻 开发者工具

🧮 数据科学工具

📂 文件系统

💰 金融与金融科技

🎮 游戏

🧠 知识与记忆

  • modelcontextprotocol/server-memory GitHub 星标:提供基于知识图谱的持久化内存系统(官方服务器集合的一部分)。
  • CheMiguel23/MemoryMesh GitHub 星标:提供以 AI 角色扮演为重点的增强型图谱记忆。
  • topoteretes/cognee-mcp GitHub 星标:使用图/向量存储管理 AI 记忆,并可从 30 多种数据源中摄取数据(Cognee 项目的一部分)。
  • @hannesrudolph/mcp-ragdocs GitHub 星标:利用向量搜索检索并处理文档。
  • @kaliaboi/mcp-zotero GitHub 星标:将 LLM 连接到 Zotero 云收藏和资料来源。
  • graphlit/graphlit-mcp-server GitHub 星标:将来自各种来源的数据摄取到 Graphlit 项目中,用于搜索和检索。
  • CanopyHQ/phloem GitHub 星标:本地优先的 AI 内存,具备因果图、引用验证功能,且无需任何网络连接。
  • omega-memory/core GitHub 星标:面向 AI 编程代理的持久化内存,支持语义搜索、自动捕获、智能遗忘及跨会话学习。在 LongMemEval 测试中排名第一(95.4%)。本地优先,完全不依赖云端。

🗺️ 位置服务

🎯 营销

  • henu-wang/geoscore-mcp GitHub 星标:AI 搜索优化(GEO)。扫描网站以评估其 AI 搜索准备情况,生成 llms.txt 文件、Schema.org 修复以及元标签优化。
  • bzsasson/screaming-frog-mcp GitHub 星标:Screaming Frog SEO Spider 的 MCP 服务器——列出已保存的爬虫任务,导出 SEO 审计数据,读取并筛选结果,同时通过自然语言管理爬虫存储。
  • open-strategy-partners/osp_marketing_tools GitHub 星标:提供来自 Open Strategy Partners 的一系列营销工具。

📊 监控

🔎 搜索

🛠️ 工具库

星标历史

星标历史图表

相似工具推荐

openclaw

OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你

349.3k|★★★☆☆|昨天
Agent开发框架图像

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。

162.1k|★★★☆☆|2天前
开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上

143.9k|★★☆☆☆|今天
开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。

107.9k|★★☆☆☆|昨天
开发框架图像Agent

markitdown

MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具,专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片(含 OCR)、音频(含语音转录)、HTML 乃至 YouTube 链接等多种格式的解析,能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天,大语言模型(LLM)虽擅长处理文本,却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点,它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式,成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外,它还提供了 MCP(模型上下文协议)服务器,可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用,尤其是那些需要构建文档检索增强生成(RAG)系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性,但其核心优势在于为机器

93.4k|★★☆☆☆|昨天
插件开发框架

LLMs-from-scratch

LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目,旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型(LLM)。它不仅是同名技术著作的官方代码库,更提供了一套完整的实践方案,涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型,却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码,用户能够透彻掌握 Transformer 架构、注意力机制等关键原理,从而真正理解大模型是如何“思考”的。此外,项目还包含了加载大型预训练权重进行微调的代码,帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API,而是渴望探究模型构建细节的技术人员而言,这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计:将复杂的系统工程拆解为清晰的步骤,配合详细的图表与示例,让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础,还是为未来研发更大规模的模型做准备

90.1k|★★★☆☆|昨天
语言模型图像Agent