鏈接：https://github.com/punkpeye/awesome-mcp-servers

服務器調用 相關專欄：實現Json-Rpc

---

docs：精選MCP服務器資源列表

本專欄為精選 模型上下文協議（MCP）服務器的列表。
MCP 是一種標準協議語言，允許*AI客戶端與各類計算機程序和服務（MCP服務器）進行交互。
這些服務器通過提供對特定工具或資源*（涵蓋文件系統、數據庫、瀏覽器自動化及云平臺等）的訪問，擴展AI能力。

本列表按分類整理服務器資源，包含構建新服務器的框架及支持生態系統的工具集。

我們提供了向列表貢獻 新服務器模型 的指南。

可視化概覽

章節結構

1. 客戶端
2. MCP服務器
3. 工具/資源
4. 模型上下文協議（MCP）
5. 分類體系
6. 開發框架
7. 生態工具
8. 貢獻指南

---

第一章：客戶端

歡迎來到awesome-mcp-servers！

我們將從理解這個激動人心的生態系統中的不同組件開始探索之旅。

我們的第一站是客戶端。

試想一個AI模型，比如您可能使用的智能聊天機器人。這種AI雖然具備卓越的智能，但其知識通常受限于訓練數據。

它無法直接讀取您電腦上的文件，也無法實時獲取股票行情。

假設希望AI助手讀取桌面新建的report.txt文檔，AI本身無法直接訪問本地文件——這存在嚴重安全隱患！這正是客戶端的用武之地。

什么是客戶端？

簡而言之，客戶端是調用MCP服務器的軟件實體。

它通常是AI模型本身，或是托管/交互AI模型的應用程序。

當AI遇到超出其知識范疇的請求（如"讀取我電腦中的report.txt文件"），客戶端負責將需求轉化為標準化請求，通過模型上下文協議（MCP）發送至專用工具。

核心流程如下：

• 客戶端識別AI需要外部資源支持的操作（如文件讀取、數據庫查詢）
• 通過MCP協議向特定MCP服務器發送結構化請求
• 服務器執行操作并返回結果
• 客戶端將結果反饋給AI進行后續處理

這種機制使AI能力突破訓練數據限制，實現與現實世界的深度交互。

---

典型客戶端形態

客戶端呈現多樣化形式：

• **AI聊天應用**：如Claude Desktop等應用，在與用戶對話時后臺調用MCP客戶端功能
• 智能開發環境：如Cursor、Windsurf、Zed等集成AI的編程工具，通過文件系統服務器實現代碼文件讀寫
• AI托管平臺：任何需要擴展AI能力的軟件系統，均可集成MCP客戶端組件

參閱README文檔"客戶端"章節，可見已支持的客戶端案例：

• Glama Chat（多模態AI客戶端）
• Cursor（智能編程IDE）
• Zed（協作式代碼編輯器）

文件讀取案例

以讀取report.txt文件為例，完整流程如下：

1. 用戶指令：“請總結report.txt內容”
2. AI識別文件讀取需求，客戶端定位可用文件系統MCP服務器
3. 客戶端構建MCP請求（示例為簡化版協議）：

{"tool_name": "read_file","params": {"path": "report.txt"}
}

• tool_name：指定操作類型（文件讀取）
• params：傳遞文件路徑參數

4. 請求發送至文件系統MCP服務器
5. 服務器執行本地文件讀取（需通過權限驗證）
6. 返回文件內容至 AI 客戶端
7. AI生成摘要并反饋用戶

底層交互流程

該流程展示用戶指令如何通過 客戶端-MCP服務器(json請求) -AI的協同處理完成。

總結

客戶端是擴展AI能力的門戶，負責將AI的需求轉化為標準化MCP請求，通過MCP服務器實現文件管理、數據查詢等多樣化操作。

這種架構使AI突破數據局限，成為真正智能化的數字助手。

下一章我們將深入探討交互的另一端——接收并執行請求的MCP服務器。

下一章：MCP服務器

---

第二章：MCP服務器

歡迎回來！

在第一章：客戶端中，我們認識了客戶端——這個常駐于AI應用中的信使組件，當AI需要與其訓練數據之外的實體交互時，客戶端負責發起請求。

那么誰來接收這些請求？
又是誰實際執行諸如文件讀取、數據庫查詢等操作？

這正是**MCP服務器**的職責所在。

什么是MCP服務器？

MCP服務器如同AI的智能助理。

當**客戶端**傳遞請求時，服務器憑借其專業化工具與知識體系完成具體操作。

作為理解模型上下文協議（MCP）的軟件實體，MCP服務器兼具翻譯器與執行者的雙重屬性。

各類MCP服務器專注于特定領域的功能實現：

• 文件系統服務器：管理本地文件的讀寫操作
• 數據庫服務器：執行數據庫連接與查詢
• 瀏覽器自動化服務器：控制網頁瀏覽器進行數據采集
• 版本控制服務器：對接Git等代碼倉庫系統

本資源列表（awesome-mcp-servers）正是此類專業化服務器的集合！

每個條目代表著一個可擴展AI能力的"權限執行者"。

文件讀取案例解析（服務器視角）

延續第一章的案例：用戶通過客戶端請求AI總結report.txt文件內容。

從服務器端觀察完整流程：

1. 文件系統MCP服務器持續監聽客戶端請求

2. 接收客戶端構建的MCP請求（簡化示例）：

   {"tool_name": "read_file","params": {"path": "report.txt"}
   }
   

   • tool_name：指定操作類型（文件讀取）
   • params：傳遞文件路徑參數

3. 服務器解析請求，定位report.txt文件路徑

4. 在權限驗證通過后執行本地文件讀取

5. 構建MCP響應報文：

   {"status": "success","result": {"content": "這是report.txt的內容..."}
   }
   

   • status：操作狀態（成功/失敗）
   • result：返回文件內容或其他執行結果

6. 將響應報文返回客戶端

7. 客戶端將文件內容傳遞給AI進行后續處理

底層交互流程

服務器端處理邏輯：

該流程揭示MCP服務器作為核心執行組件的運作機制——接收原始請求，通過專用接口（如磁盤訪問）執行操作，最終返回結構化結果。

服務器代碼實現示例

以下Python代碼片段演示read_file請求處理邏輯：

import jsondef handle_mcp_request(request_json):"""MCP請求處理函數"""request = json.loads(request_json)tool_name = request.get("tool_name")params = request.get("params", {})if tool_name == "read_file":path = params.get("path")if path:try:with open(path, 'r') as f:content = f.read()# 構建成功響應response = {"status": "success","result": {"content": content}}except FileNotFoundError:# 構建異常響應response = {"status": "error","error": {"message": f"文件未找到: {path}"}}except Exception as e:response = {"status": "error","error": {"message": f"文件讀取錯誤: {e}"}}else:response = {"status": "error","error": {"message": "缺少路徑參數"}}else:response = {"status": "error","error": {"message": f"未知指令: {tool_name}"}}return json.dumps(response)# 客戶端請求示例
# client_request = '{"tool_name": "read_file", "params": {"path": "report.txt"}}'
# server_response = handle_mcp_request(client_request)
# print(server_response)

• handle_mcp_request函數解析傳入的JSON請求
• 校驗tool_name與path參數有效性
• 通過Python原生文件接口執行讀取操作
• 構建符合MCP規范的響應報文

實際生產級服務器還需實現網絡通信、多工具管理、安全防護等進階功能

但上述示例清晰展現了MCP服務器的核心邏輯：請求解析→操作執行→響應反饋。

總結

MCP服務器是MCP生態系統的動力核心。

作為專業化服務提供者，它接收客戶端請求，通過對接工具與資源執行具體操作，最終返回結構化結果。

通過部署不同MCP服務器，AI模型得以突破原始訓練限制，獲得文件管理、在線服務交互等擴展能力。

下一章我們將深入探討工具與資源——服務器所對接的實際操作對象（如數據庫、文件系統、Web API等）。

下一章：工具與資源