分享五个开源 MCP 服务器，解锁AI代理的无限潜能

程序员一粟

于 2025-04-24 19:41:28 发布

阅读量409

点赞数 4

文章标签：开源服务器人工智能数据库编程 ai 网络

本文链接：https://blog.csdn.net/jennycisp/article/details/147490769

版权

近期在探索AI应用时，我发现诸如Claude等模型若仅局限于问答交互，其潜力远未充分发挥。要让AI真正执行实际任务——例如抓取网页数据或操作代码仓库——需要借助MCP（Model Context Protocol）服务器。这种协议能让AI突破封闭环境，与外部工具和服务交互。本文将介绍五款开源MCP服务器，它们已通过实际测试验证，可显著增强AI的实用价值。。

一、什么是MPC服务器？

MCP 服务器即模型上下文协议服务器，它基于 MCP 协议，在 AI 模型与外部工具、系统间起桥梁作用，通过标准化交互方式，提供资源访问、工具调用和工作流组合等功能，在开发、生活、商业等多领域应用广泛。

在使用 MCP 服务器的情况下，我们只需对 Claude 说：“Claude，查看我 GitHub 上的问题。”Claude 就能轻松实现这一操作。首次完成时，感觉挺震撼，接下来，我就将五款搜罗到的MCP服务器分享给大家

二、分享几款MCP服务器

Stagehand服务器

Stagehand 是 Browserbase 开发的一款很棒的工具。它能让你的 AI 模拟打开浏览器的操作，比如点击链接、提取文本等。我在做一个项目时，用它从一个美食博客上抓取了很多食谱标题，这可比我自己写脚本轻松多了。

    安装和启动方法：

git clone https://github.com/browserbase/stagehand-mcp
cd stagehand-mcp
npm install
npm start

在本地 3000 端口运行。给 Claude 下指令 “访问新闻网站，获取头条新闻”，Stagehand 很快抓取到标题，Claude 即可反馈。查询价格、提取数据时较为方便，无需写代码。

Jupyter MCP 服务器

    Jupyter MCP服务器可让AI在Jupyter Notebook（专业数据处理工具）中运行。作为技术爱好者，让 Claude 查看咖啡店消费记录的 CSV 文件，然后让它给我分析。

    安装和启动方法：

git clone https://github.com/jjsantos01/jupyter-notebook-mcp
cd jupyter-notebook-mcp
pip install -r requirements.txt
python server.py

本地主机的 8000 端口上运行，提示Claude：

Open coffee.csv and tell me how much I spent on lattes.

Claude 创建了一个文档，运行了一些 Python 代码，提示：

You dropped 87.50 on lattes this month. Ouch.

OPik服务器

Opik 来自 Comet公司，主要用于监控 AI 运行情况。比如说，如果 AI 的运行开始出现异常，Opik 能解释其中的原因。我之前有个 AI 机器人老给错误答案，根据Opik提示，原来它在调用某些 API 时达到了使用限制。

    安装和启动方法：

git clone https://github.com/comet-ml/opik
cd opik
./opik.sh

    然后我把它添加到了一些代码中：

import opik

opik.configure(use_local=True)

@opik.track
def ask_something(question):
    return "You asked: " + question

ask_something("What’s for dinner?")I asked Claude to check the logs:

Show me what my AI’s been up to.

它向我展示了每一次调用API，耗费时常等因信息

GitHub-MCP

由GitHub官方提供的MCP服务器，支持通过自然语言指令直接与代码仓库交互。其核心功能包括：

仓库状态实时查询：无需手动浏览多个页面，快速获取Issue、PR等关键信息

智能摘要生成：自动归纳代码变更内容及协作进展

部署流程：

git clone https://github.com/github/github-mcp-server
cd github-mcp-server
npm install
export GITHUB_TOKEN=你的个人访问令牌
npm start

服务启动后（默认端口4000），通过AI代理（如Claude）发送指令：

查看仓库'side-hustle'的未解决问题

系统将返回结构化响应：

当前存在2个未解决问题：
1. [BUG] 登录模块出现身份验证异常（标签：高优先级）
2. [功能请求] 需要新增分享按钮（标签：用户体验优化）

该工具可节省约70%的仓库管理时间，尤其适用于多项目并行开发场景，有效规避信息过载风险。

FastAPI-MCP服务器

FastAPI-MCP提供了一种创新的FastAPI服务集成方式，使AI能够直接调用自定义API接口。通过该方案，开发者可将现有业务系统（如待办事项管理、订单查询等）快速转化为AI可操作的工具。以下为完整实现流程：

核心功能

零代码接口暴露：通过装饰器标记API端点，自动生成AI可识别的工具描述

动态服务发现：支持热加载，实时同步API变更至AI代理

类型安全校验：基于FastAPI的类型注解，确保输入输出合规性

部署与集成

环境初始化

git clone https://github.com/jlowin/fastmcp
cd fastmcp
pip install fastapi-mcp  # 注意此处无换行

    **2.服务端改造**  
    在FastAPI应用中添加MCP适配层：

from fastapi import FastAPI
from fastmcp import mcp  # 导入MCP扩展模块

app = FastAPI()

# 定义原生API端点
@app.get("/todo/{item_id}")
async def get_todo(item_id: int) -> dict:
    """获取待办事项详情"""
    return {"id": item_id, "task": f"Task {item_id}"}

# 通过装饰器声明AI可访问工具
@mcp.tool()
async def get_todo_tool(item_id: int) -> dict:
    """查询指定ID的待办任务"""
    return await get_todo(item_id)

3. 服务启动

uvicorn main:app --reload  # 热加载模式运行于localhost:8000

4. 交互示例

    向AI代理（如Claude）发送指令：

查询待办列表中第5项任务内容

    系统返回结构化数据：

{
  "id": 5,
  "task": "Call mom."
}

三、总结

    使用这些服务器的过程中我收获了很多乐趣：Stagehand 很适合处理网页相关的工作，Jupyter 在数据处理方面堪称一绝，Opik 能让一切运行透明可靠，GitHub 是程序员的梦想工具，而 FastAPI-MCP 则让我可以随心所欲地构建任何东西。它们全部免费，而且如果你想玩点高级的，还可以对它们进行自定义调整。