servers - MCP官方服务器参考实现库，用于构建AI工具生态系统

servers - MCP官方服务器参考实现库，用于构建AI工具生态系统

你是否曾经梦想过，让AI助手能够像人类一样使用各种工具——读取本地文件、操作数据库、管理云资源、发送邮件、浏览网页……所有这些能力都不需要为每个AI单独开发，而是通过一个统一的协议，让AI与现有工具无缝对接。这就是Model Context Protocol（MCP）正在做的事情，而servers项目正是MCP生态系统的核心——一个汇集了官方参考实现和社区贡献的MCP服务器集合。

servers是MCP（Model Context Protocol）官方维护的服务器仓库，包含了大量参考实现和社区贡献的服务器。这个项目是MCP生态的基石，它展示了如何将各种工具和服务封装成AI可调用的标准接口，让AI能够真正“连接”到现实世界。随着MCP协议的普及，这个项目正在成为AI应用开发的基础设施。

项目基本信息

一、项目介绍

servers是MCP官方维护的服务器参考实现仓库。MCP是一个开放协议，旨在标准化AI应用与外部工具之间的交互方式。你可以把它理解为AI世界的“USB接口”——不同的工具只要遵循MCP协议，就能被任何支持MCP的AI应用识别和使用。

这个项目的核心价值在于：

• 参考实现：提供了各种MCP服务器的参考实现，包括文件系统、数据库、API集成、浏览器自动化等，开发者可以学习如何构建自己的MCP服务器。
• 社区生态：汇集了社区贡献的MCP服务器，涵盖从开发工具到云服务的广泛领域，形成了丰富的AI工具生态。
• 最佳实践：每个服务器都遵循MCP协议的最佳实践，展示了如何设计工具接口、处理错误、管理资源等。
• 快速上手：开发者可以直接使用这些服务器，快速为自己的AI应用添加各种能力。

servers仓库包含了数十个MCP服务器，主要分为以下几类：

文件系统与数据

• filesystem：本地文件系统操作
• sqlite：SQLite数据库查询和管理
• postgres：PostgreSQL数据库连接
• mongodb：MongoDB数据库操作

开发工具

• github：GitHub API集成
• git：Git版本控制操作
• gitlab：GitLab API集成
• jira：Jira项目管理
• slack：Slack消息发送
• discord：Discord机器人

云服务

• aws：AWS云资源管理
• gcp：Google Cloud Platform
• azure：Microsoft Azure

浏览器与Web

• playwright：浏览器自动化
• puppeteer：Web抓取和自动化
• fetch：HTTP请求工具

AI与LLM

• brave-search：Brave搜索引擎
• memory：AI记忆管理
• vector-store：向量数据库

其他

• weather：天气查询
• calendar：日历管理
• email：邮件发送和接收
• notion：Notion笔记管理
• linear：Linear项目管理

二、核心优势

servers项目作为MCP生态的核心，具有以下独特优势：

• 官方权威：由MCP官方团队维护，确保了服务器的质量和协议兼容性。每个参考实现都严格遵循MCP规范，是学习MCP开发的最佳范例。
• 丰富的开箱即用能力：提供了数十个现成的MCP服务器，覆盖了开发、运维、办公、数据等各个领域。开发者可以直接使用这些服务器，为自己的AI应用快速添加功能。
• 多种编程语言支持：服务器使用不同的编程语言实现，包括TypeScript/JavaScript、Python、Go等，开发者可以选择自己熟悉的语言进行学习和扩展。
• 活跃的社区生态：拥有超过8.2万颗星和1万多个Forks，社区非常活跃。每天都有新的服务器被贡献，新的功能被添加，问题被快速响应。
• 完善的学习资源：每个服务器都配有详细的README文档，包括安装步骤、配置方法、使用示例。官方还提供了MCP协议规范文档，帮助开发者深入理解协议设计。
• 标准化接口：所有服务器都遵循统一的MCP协议接口，这意味着它们可以被任何支持MCP的AI客户端使用，实现了“一次开发，到处运行”。
• 安全的设计：服务器设计时考虑了安全性，支持多种认证方式，遵循最小权限原则。用户可以精细控制AI可以访问哪些资源和执行哪些操作。

三、适用场景

servers项目适用于多种AI工具集成的场景：

• AI应用开发：当你开发一个AI应用时，可以使用servers中的现成服务器快速添加功能。例如，添加文件读写能力、数据库查询能力、网络搜索能力等，无需从头实现。
• 个人生产力提升：将servers中的服务器配置到Claude Desktop等AI客户端，让AI助手能够操作本地文件、管理项目、发送消息，成为真正的生产力工具。
• 企业工作流集成：企业可以基于servers构建内部工具，让AI能够访问内部数据库、Jira项目、Slack频道，自动化处理日常任务。
• 学习和研究：对于想了解MCP协议和AI工具生态的开发者，servers是最好的学习资源。通过阅读源码，你可以理解如何设计工具接口、如何处理异步操作、如何管理资源生命周期。
• 二次开发和扩展：你可以fork现有的服务器，根据自身需求进行修改和扩展，快速构建定制化的AI工具。
• 测试和验证：在开发自己的MCP服务器时，可以使用servers中的参考实现作为测试基准，验证协议兼容性。

四、安装教程

系统要求

方法一：直接使用预构建的服务器

大多数MCP客户端（如Claude Desktop）支持直接配置使用这些服务器。

Claude Desktop配置

配置文件位置：

• macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
• Windows: %APPDATA%\Claude\claude_desktop_config.json

添加服务器配置示例：

{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-filesystem", "/path/to/allowed/dir"]
    },
    "github": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-github"],
      "env": {
        "GITHUB_PERSONAL_ACCESS_TOKEN": "your-token"
      }
    },
    "sqlite": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-sqlite", "--db-path", "/path/to/database.db"]
    },
    "brave-search": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-brave-search"],
      "env": {
        "BRAVE_API_KEY": "your-api-key"
      }
    },
    "postgres": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-postgres", "postgresql://user:pass@localhost/db"]
    }
  }
}

方法二：从源码运行

1. 克隆仓库

git clone https://github.com/modelcontextprotocol/servers.git
cd servers

2. 安装依赖

对于TypeScript/JavaScript服务器：

npm install
npm run build

对于Python服务器：

pip install -r requirements.txt

3. 运行特定服务器

# 运行TypeScript服务器
npx @modelcontextprotocol/server-filesystem /path/to/dir

# 运行Python服务器
python src/sqlite/server.py --db-path /path/to/db

方法三：使用特定服务器的独立安装

每个服务器都有独立的安装说明，以filesystem服务器为例：

# 全局安装
npm install -g @modelcontextprotocol/server-filesystem

# 运行
mcp-server-filesystem /allowed/directory

五、使用示例

核心服务器使用示例

示例1：文件系统服务器

配置filesystem服务器后，AI可以读取、写入和管理本地文件。

用户输入：

读取我桌面上的README.md文件内容

AI调用read_file工具，返回文件内容。

用户输入：

在当前目录创建一个名为notes.txt的文件，内容是“这是AI创建的笔记”

AI调用write_file工具，创建文件并写入内容。

用户输入：

列出下载目录中的所有文件

AI调用list_directory工具，返回文件列表。

示例2：GitHub服务器

配置GitHub服务器后，AI可以管理GitHub仓库。

用户输入：

查看我的仓库modelcontextprotocol/servers的最近5个issue

AI调用list_issues工具，返回issue列表。

用户输入：

创建一个新的issue，标题是“文档改进建议”，内容是“README需要添加中文翻译”

AI调用create_issue工具，创建新issue。

用户输入：

搜索所有包含“MCP”关键字的仓库

AI调用search_repositories工具，返回搜索结果。

示例3：SQLite服务器

配置SQLite服务器后，AI可以查询和操作数据库。

用户输入：

查询users表中的所有数据

AI调用query工具，执行SQL并返回结果。

用户输入：

创建一个新表products，包含id、name、price字段

AI调用execute工具，执行CREATE TABLE语句。

示例4：Brave Search服务器

配置Brave Search服务器后，AI可以进行网络搜索。

用户输入：

搜索最近关于MCP协议的最新消息

AI调用search工具，返回搜索结果列表。

示例5：Git服务器

配置Git服务器后，AI可以执行Git操作。

用户输入：

查看当前仓库的状态

AI调用git_status工具，返回修改的文件列表。

用户输入：

提交所有更改，提交信息是“通过AI自动提交”

AI调用git_commit工具，执行提交操作。

示例6：PostgreSQL服务器

配置PostgreSQL服务器后，AI可以查询关系数据库。

用户输入：

查询orders表，按订单金额排序，返回前10条

AI执行SQL查询并返回结果。

高级组合使用示例

示例7：代码审查自动化

结合filesystem和github服务器，AI可以自动审查PR。

用户输入：

审查PR #123，分析代码变更，如果有问题就创建issue

AI会：

1. 使用github服务器获取PR的代码变更
2. 分析代码质量问题
3. 如果发现问题，使用github服务器创建issue

示例8：文档生成器

结合filesystem和sqlite服务器，AI可以生成数据库文档。

用户输入：

分析这个SQLite数据库，生成一份包含所有表和字段说明的Markdown文档

AI会：

1. 使用sqlite服务器查询所有表结构
2. 分析字段类型和关系
3. 使用filesystem服务器生成Markdown文档

示例9：智能搜索系统

结合brave-search和sqlite服务器，AI可以实现搜索和存储。

用户输入：

搜索关于MCP的文章，把结果保存到数据库的search_results表中

AI会：

1. 使用brave-search服务器搜索关键词
2. 解析搜索结果
3. 使用sqlite服务器将结果插入数据库

示例10：监控和告警系统

结合sqlite和slack服务器，AI可以实现监控告警。

用户输入：

每隔5分钟检查一下数据库中的errors表，如果有新的错误，通过Slack发送告警

AI会：

1. 定期查询数据库
2. 检测新错误
3. 使用slack服务器发送消息

自定义服务器开发示例

示例11：创建简单的天气服务器

下面展示如何创建一个简单的MCP服务器。

import { Server } from "@modelcontextprotocol/sdk/server/index.js";
import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js";
import {
  CallToolRequestSchema,
  ListToolsRequestSchema,
} from "@modelcontextprotocol/sdk/types.js";

// 创建服务器实例
const server = new Server(
  {
    name: "weather-server",
    version: "1.0.0",
  },
  {
    capabilities: {
      tools: {},
    },
  }
);

// 列出可用工具
server.setRequestHandler(ListToolsRequestSchema, async () => {
  return {
    tools: [
      {
        name: "get_weather",
        description: "获取指定城市的天气信息",
        inputSchema: {
          type: "object",
          properties: {
            city: {
              type: "string",
              description: "城市名称",
            },
          },
          required: ["city"],
        },
      },
    ],
  };
});

// 处理工具调用
server.setRequestHandler(CallToolRequestSchema, async (request) => {
  if (request.params.name === "get_weather") {
    const city = request.params.arguments?.city;
    
    // 这里应该调用真实的天气API
    const weather = {
      city: city,
      temperature: "22°C",
      condition: "晴朗",
      humidity: "65%",
    };
    
    return {
      content: [
        {
          type: "text",
          text: JSON.stringify(weather, null, 2),
        },
      ],
    };
  }
  
  throw new Error(`未知工具: ${request.params.name}`);
});

// 启动服务器
async function main() {
  const transport = new StdioServerTransport();
  await server.connect(transport);
  console.error("天气服务器已启动");
}

main().catch(console.error);

示例12：Python版本的自定义服务器

import asyncio
import json
from mcp.server import Server, NotificationOptions
from mcp.server.models import InitializationOptions
import mcp.server.stdio
import mcp.types as types

# 创建服务器实例
server = Server("weather-server")

@server.list_tools()
async def handle_list_tools() -> list[types.Tool]:
    """列出可用工具"""
    return [
        types.Tool(
            name="get_weather",
            description="获取指定城市的天气信息",
            inputSchema={
                "type": "object",
                "properties": {
                    "city": {
                        "type": "string",
                        "description": "城市名称",
                    },
                },
                "required": ["city"],
            },
        )
    ]

@server.call_tool()
async def handle_call_tool(
    name: str, arguments: dict | None
) -> list[types.TextContent]:
    """处理工具调用"""
    if name == "get_weather":
        city = arguments.get("city")
        # 模拟天气数据
        weather = {
            "city": city,
            "temperature": "22°C",
            "condition": "晴朗",
            "humidity": "65%",
        }
        return [types.TextContent(type="text", text=json.dumps(weather, indent=2))]
    raise ValueError(f"未知工具: {name}")

async def main():
    async with mcp.server.stdio.stdio_server() as (read_stream, write_stream):
        await server.run(
            read_stream,
            write_stream,
            InitializationOptions(
                server_name="weather-server",
                server_version="1.0.0",
                capabilities=server.get_capabilities(
                    notification_options=NotificationOptions(),
                    experimental_capabilities={},
                ),
            ),
        )

if __name__ == "__main__":
    asyncio.run(main())

六、常见问题

• 问题1：如何找到特定功能的服务器

  浏览servers仓库的README文件，所有服务器按类别组织。你也可以搜索issue和discussion，查看社区推荐。

• 问题2：服务器无法连接到MCP客户端

  检查以下几点：

  • 确认服务器命令和参数正确
  • 检查环境变量是否设置
  • 查看客户端日志获取详细错误信息
  • 尝试手动运行服务器命令，确认其可以正常启动

• 问题3：如何配置多个服务器

  在MCP客户端的配置文件中，可以添加多个服务器配置。每个服务器使用不同的名称，互不干扰。

• 问题4：服务器性能如何

  MCP服务器的性能取决于具体实现。官方参考实现经过优化，性能良好。对于高频调用场景，可以考虑使用连接池、缓存等优化手段。

• 问题5：如何调试服务器

  可以使用以下方法调试：

  • 查看服务器日志（stderr输出）
  • 使用MCP Inspector工具：npx @modelcontextprotocol/inspector
  • 手动发送MCP请求进行测试

• 问题6：如何为MCP生态做贡献

  你可以：

  • 使用现有服务器，报告bug
  • 改进文档
  • 创建新的服务器并提交PR
  • 参与GitHub Discussions讨论

• 问题7：服务器支持哪些认证方式

  不同服务器支持不同的认证方式，通常包括：

  • API密钥（通过环境变量）
  • OAuth2
  • 个人访问令牌
  • 本地凭证文件

• 问题8：如何确保服务器安全

  安全建议：

  • 只授予AI必要的最小权限
  • 使用专用账户运行服务器
  • 定期更新服务器版本
  • 审查服务器代码（尤其是社区贡献的服务器）

• 问题9：MCP服务器与传统的API有什么区别

  传统API需要开发者编写代码调用；MCP服务器让AI能够通过自然语言自动调用工具，实现智能化的任务执行。

• 问题10：如何测试自己开发的MCP服务器

  使用MCP Inspector工具可以方便地测试：

  npx @modelcontextprotocol/inspector node your-server.js

七、总结

servers项目是MCP生态系统的核心，它汇集了丰富的官方参考实现和社区贡献，为AI应用提供了连接现实世界的能力。通过这个项目，开发者可以：

• 快速上手MCP：通过研究参考实现，理解MCP协议的设计理念和最佳实践。
• 构建强大AI应用：直接使用现成的服务器，为AI助手添加各种工具能力，从文件操作到数据库查询，从GitHub管理到云服务集成。
• 参与生态建设：贡献自己的服务器，丰富MCP生态，让更多开发者受益。

随着MCP协议的发展和AI技术的进步，servers项目将继续增长，涵盖更多的工具和服务。未来，我们可以期待：

• 更多官方参考实现，覆盖更广泛的应用场景
• 更完善的文档和教程，降低学习门槛
• 更强大的工具能力，如实时协作、多模态处理
• 更活跃的社区生态，涌现更多创新的服务器

无论你是AI应用开发者、工具链维护者，还是对AI技术感兴趣的开发者，servers项目都值得深入探索。它代表了AI与工具集成的未来方向，是构建下一代AI应用的重要基础设施。现在就开始探索servers仓库，让你的AI助手获得连接现实世界的能力吧！