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

服务器调用 相关专栏：实现Json-Rpc

---

docs：精选MCP服务器资源列表

本专栏为精选 模型上下文协议（MCP）服务器的列表。
MCP 是一种标准协议语言，允许*AI客户端与各类计算机程序和服务（MCP服务器）进行交互。
这些服务器通过提供对特定工具或资源*（涵盖文件系统、数据库、浏览器自动化及云平台等）的访问，扩展AI能力。

本列表按分类整理服务器资源，包含构建新服务器的框架及支持生态系统的工具集。

我们提供了向列表贡献 新服务器模型 的指南。

可视化概览

章节结构

1. 客户端
2. MCP服务器
3. 工具/资源
4. 模型上下文协议（MCP）
5. 分类体系
6. 开发框架
7. 生态工具
8. 贡献指南

---

第一章：客户端

欢迎来到awesome-mcp-servers！

我们将从理解这个激动人心的生态系统中的不同组件开始探索之旅。

我们的第一站是客户端。

试想一个AI模型，比如您可能使用的智能聊天机器人。这种AI虽然具备卓越的智能，但其知识通常受限于训练数据。

它无法直接读取您电脑上的文件，也无法实时获取股票行情。

假设希望AI助手读取桌面新建的report.txt文档，AI本身无法直接访问本地文件——这存在严重安全隐患！这正是客户端的用武之地。

什么是客户端？

简而言之，客户端是调用MCP服务器的软件实体。

它通常是AI模型本身，或是托管/交互AI模型的应用程序。

当AI遇到超出其知识范畴的请求（如"读取我电脑中的report.txt文件"），客户端负责将需求转化为标准化请求，通过模型上下文协议（MCP）发送至专用工具。

核心流程如下：

• 客户端识别AI需要外部资源支持的操作（如文件读取、数据库查询）
• 通过MCP协议向特定MCP服务器发送结构化请求
• 服务器执行操作并返回结果
• 客户端将结果反馈给AI进行后续处理

这种机制使AI能力突破训练数据限制，实现与现实世界的深度交互。

---

典型客户端形态

客户端呈现多样化形式：

• **AI聊天应用**：如Claude Desktop等应用，在与用户对话时后台调用MCP客户端功能
• 智能开发环境：如Cursor、Windsurf、Zed等集成AI的编程工具，通过文件系统服务器实现代码文件读写
• AI托管平台：任何需要扩展AI能力的软件系统，均可集成MCP客户端组件

参阅README文档"客户端"章节，可见已支持的客户端案例：

• Glama Chat（多模态AI客户端）
• Cursor（智能编程IDE）
• Zed（协作式代码编辑器）

文件读取案例

以读取report.txt文件为例，完整流程如下：

1. 用户指令：“请总结report.txt内容”
2. AI识别文件读取需求，客户端定位可用文件系统MCP服务器
3. 客户端构建MCP请求（示例为简化版协议）：

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

• tool_name：指定操作类型（文件读取）
• params：传递文件路径参数

4. 请求发送至文件系统MCP服务器
5. 服务器执行本地文件读取（需通过权限验证）
6. 返回文件内容至 AI 客户端
7. AI生成摘要并反馈用户

底层交互流程

该流程展示用户指令如何通过 客户端-MCP服务器(json请求) -AI的协同处理完成。

总结

客户端是扩展AI能力的门户，负责将AI的需求转化为标准化MCP请求，通过MCP服务器实现文件管理、数据查询等多样化操作。

这种架构使AI突破数据局限，成为真正智能化的数字助手。

下一章我们将深入探讨交互的另一端——接收并执行请求的MCP服务器。

下一章：MCP服务器

---

第二章：MCP服务器

欢迎回来！

在第一章：客户端中，我们认识了客户端——这个常驻于AI应用中的信使组件，当AI需要与其训练数据之外的实体交互时，客户端负责发起请求。

那么谁来接收这些请求？
又是谁实际执行诸如文件读取、数据库查询等操作？

这正是**MCP服务器**的职责所在。

什么是MCP服务器？

MCP服务器如同AI的智能助理。

当**客户端**传递请求时，服务器凭借其专业化工具与知识体系完成具体操作。

作为理解模型上下文协议（MCP）的软件实体，MCP服务器兼具翻译器与执行者的双重属性。

各类MCP服务器专注于特定领域的功能实现：

• 文件系统服务器：管理本地文件的读写操作
• 数据库服务器：执行数据库连接与查询
• 浏览器自动化服务器：控制网页浏览器进行数据采集
• 版本控制服务器：对接Git等代码仓库系统

本资源列表（awesome-mcp-servers）正是此类专业化服务器的集合！

每个条目代表着一个可扩展AI能力的"权限执行者"。

文件读取案例解析（服务器视角）

延续第一章的案例：用户通过客户端请求AI总结report.txt文件内容。

从服务器端观察完整流程：

1. 文件系统MCP服务器持续监听客户端请求

2. 接收客户端构建的MCP请求（简化示例）：

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

   • tool_name：指定操作类型（文件读取）
   • params：传递文件路径参数

3. 服务器解析请求，定位report.txt文件路径

4. 在权限验证通过后执行本地文件读取

5. 构建MCP响应报文：

   {"status": "success","result": {"content": "这是report.txt的内容..."}
   }
   

   • status：操作状态（成功/失败）
   • result：返回文件内容或其他执行结果

6. 将响应报文返回客户端

7. 客户端将文件内容传递给AI进行后续处理

底层交互流程

服务器端处理逻辑：

该流程揭示MCP服务器作为核心执行组件的运作机制——接收原始请求，通过专用接口（如磁盘访问）执行操作，最终返回结构化结果。

服务器代码实现示例

以下Python代码片段演示read_file请求处理逻辑：

import jsondef handle_mcp_request(request_json):"""MCP请求处理函数"""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()# 构建成功响应response = {"status": "success","result": {"content": content}}except FileNotFoundError:# 构建异常响应response = {"status": "error","error": {"message": f"文件未找到: {path}"}}except Exception as e:response = {"status": "error","error": {"message": f"文件读取错误: {e}"}}else:response = {"status": "error","error": {"message": "缺少路径参数"}}else:response = {"status": "error","error": {"message": f"未知指令: {tool_name}"}}return json.dumps(response)# 客户端请求示例
# client_request = '{"tool_name": "read_file", "params": {"path": "report.txt"}}'
# server_response = handle_mcp_request(client_request)
# print(server_response)

• handle_mcp_request函数解析传入的JSON请求
• 校验tool_name与path参数有效性
• 通过Python原生文件接口执行读取操作
• 构建符合MCP规范的响应报文

实际生产级服务器还需实现网络通信、多工具管理、安全防护等进阶功能

但上述示例清晰展现了MCP服务器的核心逻辑：请求解析→操作执行→响应反馈。

总结

MCP服务器是MCP生态系统的动力核心。

作为专业化服务提供者，它接收客户端请求，通过对接工具与资源执行具体操作，最终返回结构化结果。

通过部署不同MCP服务器，AI模型得以突破原始训练限制，获得文件管理、在线服务交互等扩展能力。

下一章我们将深入探讨工具与资源——服务器所对接的实际操作对象（如数据库、文件系统、Web API等）。

下一章：工具与资源