mcphub.nvim
mcphub.nvim 是一款专为 Neovim 打造的 MCP(模型上下文协议)客户端插件。它旨在打破编辑器与外部 AI 服务之间的壁垒,让用户能在熟悉的编码环境中无缝连接、管理和测试各类 MCP 服务器。
对于依赖 AI 辅助编程的开发者而言,以往配置和切换不同的 AI 工具往往需要繁琐的外部设置或复杂的命令行操作。mcphub.nvim 通过提供直观的交互界面,将这一过程简化为编辑器内的自然工作流。用户可以直接在 Neovim 中调用 MCP 服务器提供的工具、资源和提示词(Prompts),并与其常用的聊天插件深度集成,从而实现更流畅的人机协作体验。
这款工具特别适合热衷于定制开发环境的程序员、技术研究人员以及重度 Neovim 用户。其核心技术亮点在于对 MCP 协议特性的全面支持,包括工具调用、资源管理及模板化提示词,并具备实时监听服务器列表变化的能力,确保状态同步零延迟。基于 Lua 编写且遵循 MIT 协议,mcphub.nvim 以轻量、灵活的方式,帮助开发者将强大的 AI 上下文能力直接融入代码编辑的每一个环节。
使用场景
一位后端开发者正在 Neovim 中重构微服务架构,需要频繁调用本地数据库查询工具、读取分布式日志资源,并让 AI 助手基于实时上下文生成代码。
没有 mcphub.nvim 时
- 配置割裂且繁琐:开发者需在终端手动启动多个 MCP 服务器,并在不同的聊天插件配置文件中硬编码连接信息,每次新增工具都要重启编辑器。
- 状态黑盒难以调试:无法直观看到哪些资源(Resources)或提示词(Prompts)已加载,当 AI 无法调用预期工具时,只能翻阅晦涩的日志文件排查连接故障。
- 响应滞后影响流:当后端服务更新导致可用工具列表变化时,编辑器无法感知,开发者必须手动重载配置才能同步最新的能力列表,打断心流。
- 交互体验不统一:管理服务器、测试工具参数和实际对话分散在不同窗口,缺乏统一的界面来预览和验证 MCP 服务器的具体能力。
使用 mcphub.nvim 后
- 一站式无缝集成:直接在 Neovim 内通过直观界面管理所有 MCP 服务器,无需离开编辑器即可配置、启动并与喜爱的聊天插件自动对接。
- 可视化实时监控:提供清晰的面板展示已加载的工具、资源和提示词列表,支持实时查看状态变更,故障排查从“猜谜”变为“可视”。
- 动态热更新支持:借助对工具列表和资源变更的实时监听,一旦后端服务更新接口,mcphub.nvim 立即同步最新能力,确保 AI 始终基于最新上下文工作。
- 闭环测试与管理:内置测试功能允许开发者在调用前直接验证工具参数和返回值,将服务器管理、能力测试与代码生成整合在同一工作流中。
mcphub.nvim 通过将复杂的 MCP 协议转化为 Neovim 原生的可视化工作流,让开发者从繁琐的配置管理中解放,专注于真正的智能编码协作。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明

快速开始
MCP Hub 是一个适用于 Neovim 的 MCP 客户端,可将 MCP(模型上下文协议) 服务器无缝集成到你的编辑工作流中。它提供了一个直观的界面,用于管理、测试和使用你最喜欢的聊天插件中的 MCP 服务器。

💜 赞助商
特别感谢:
✨ 功能
| 类别 | 功能 | 支持 | 详情 |
|---|---|---|---|
| 能力 | |||
| 工具 | ✅ | 完全支持 | |
| 🔔 工具列表变更 | ✅ | 实时更新 | |
| 资源 | ✅ | 完全支持 | |
| 🔔 资源列表变更 | ✅ | 实时更新 | |
| 资源模板 | ✅ | URI 模板 | |
| 提示 | ✅ | 完全支持 | |
| 🔔 提示列表变更 | ✅ | 实时更新 | |
| 根 | ❌ | 不支持 | |
| 采样 | ❌ | 不支持 | |
| MCP 服务器传输方式 | |||
| 可流式HTTP | ✅ | 远程服务器的主要传输协议 | |
| SSE | ✅ | 远程服务器的备用传输方式 | |
| STDIO | ✅ | 用于本地服务器 | |
| 远程服务器的身份验证 | |||
| OAuth | ✅ | 带 PKCE 流程 | |
| 头部信息 | ✅ | 用于 API 密钥/令牌 | |
| 聊天集成 | |||
| Avante.nvim | ✅ | 工具、资源、资源模板、提示(作为 slash_commands) | |
| CodeCompanion.nvim | ✅ | 工具、资源、模板、提示(作为 slash_commands)、🖼 图像响应 | |
| CopilotChat.nvim | ✅ | 工具、资源、函数调用支持 | |
| 市场 | |||
| 服务器发现 | ✅ | 可浏览经过验证的 MCP 服务器 | |
| 安装 | ✅ | 手动安装以及借助 AI 自动安装 | |
| 配置 | |||
通用 ${} 语法 |
✅ | 环境变量及命令执行贯穿所有字段 | |
| VS Code 兼容性 | ✅ | 支持 servers 键、${env:}、${input:} 以及预定义变量 |
|
| JSON5 支持 | ✅ | 通过 lua-json5 支持注释和尾随逗号 |
|
| 工作区管理 | |||
| 项目本地配置 | ✅ | 自动检测并与全局配置合并 | |
| 高级功能 | |||
| 智能文件监听 | ✅ | 通过监听配置文件实现智能更新 | |
| 多实例 | ✅ | 所有 Neovim 实例保持同步 | |
| 关机延迟 | ✅ | 可以作为 systemd 服务运行,并在停止中心之前设置延迟 | |
| Lua 原生 MCP 服务器 | ✅ | 一次编写,处处可用。可以直接用 Lua 编写工具、资源和提示 | |
| 开发模式 | ✅ | 文件更改时热重载 MCP 服务器,便于开发 |
🎥 演示
MCP Hub + CodeCompanion + Github
MCP Hub + Avante + Figma
🚀 快速入门
访问我们的 文档网站 获取详细指南和示例
👋 获取帮助
- 查看 故障排除指南
- 加入我们的 Discord 服务器 进行讨论、获取帮助和了解最新动态
:gift: 贡献
请阅读 CONTRIBUTING.md 指南。
🚧 待办事项
- Neovim MCP 服务器(某种程度上):改进编辑功能、差异对比、终端集成等(欢迎提出想法)
- 增强的帮助视图,包含全面的文档
- 将 MCP 资源作为聊天插件中的变量
- 将 MCP 提示作为聊天插件中的斜杠命令
- 允许 LLM 动态启动和停止 MCP 服务器
- 支持 SSE 传输协议
- 在 avante 中支持 /slash_commands
- 支持可流式传输的 HTTP 传输协议
- 支持 OAuth
- 添加类型定义
- 完善文档
- 添加测试
- 在 avante 中支持 #variables
👏 致谢
感谢以下项目:
- nui.nvim:启发了我们的文本高亮工具
- ravitemer/mcp-registry:提供了市场 API
版本历史
v6.2.02025/07/31v6.0.02025/07/18v5.13.02025/07/14v5.12.02025/07/09v5.11.12025/07/08v5.11.02025/06/26v5.10.02025/06/24v5.9.02025/06/24v5.8.02025/06/22v5.7.52025/06/18v5.7.42025/06/16v5.7.32025/06/13v5.7.22025/06/11v5.7.12025/06/10v5.7.02025/06/05v5.6.12025/05/30v5.6.02025/05/28v5.5.02025/05/26v5.4.02025/05/24v5.3.12025/05/24常见问题
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
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。
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
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。
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
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
MCP HUB










