基于 Model Context Protocol (MCP) 构建的 MCP 服务器实现，负责以标准化方式向 LLM 客户端提供上下文信息与功能，包括资源管理、工具注册与执行，以及 Prompts 的定义与渲染，支持本地/远程 relay 环境与多传输通道的 JSON-RPC 通信。
基于 Model Context Protocol (MCP) 的 Engram 内存管理后端实现。该服务器将内存资源、工具执行和提示模板通过 MCP 协议对外暴露，支持 Claude Code/Cursor/Codex 等客户端的上下文注入、记忆操作和提示渲染，且具备会话管理、能力声明及多传输协议适配能力。仅作为 MCP 服务端实现，与客户端无关。
基于 Model Context Protocol 的服务器端实现，作为 MCP 后端为 LLM 客户端提供资源、工具、Prompts 的标准化上下文与功能服务，通过 JSON-RPC 与客户端通信，并支持多种传输方式的扩展与会话管理。
基于 Model Context Protocol (MCP) 的完整后端服务器实现，提供资源管理、工具注册与执行、以及 Prompt 模板渲染等核心能力，通过 JSON-RPC 与 LLM 客户端通信，支持 Godot 引擎与编辑器插件的桥接执行，满足在多传输通道下的上下文服务需求。
基于 Model Context Protocol 的 MCP 服务器实现，通过 Redis API 提供解析器集合、工具执行和上下文提示等能力，向 LLM 客户端提供结构化的上下文服务与任务执行入口。
基于 Model Context Protocol 的 MCP 服务端实现，提供对 HDL/SystemVerilog 相关资源、工具调用以及提示模板的标准化访问，并通过 JSON-RPC 与 LLM 客户端进行安全、可扩展的上下文服务交互。
基于模型上下文协议（MCP）的后端服务器实现，处理 JSON-RPC 请求，提供初始化、工具列表以及将 Claude 的 selections 写入本地文件的能力，并附带输入校验与日志记录。
基于 Model Context Protocol（MCP）的后端服务器，实现资源对接、工具注册/执行与提示模板渲染等能力，向大语言模型客户端提供标准化的上下文服务，通过 JSON-RPC 进行通信，支持多传输协议和会话管理，适用于多实例协同的上下文服务场景。
基于 Model Context Protocol 的 MCP 服务器实现，提供资源、工具与提示模板的管理以及 JSON-RPC 通信，支持标准化的上下文服务与多传输协议。
基于 Model Context Protocol 的后端 MCP 服务器，实现资源、工具、提示模板等核心接口，使用 JSON-RPC 与客户端通信，向 LLM 客户端提供资源访问、工具调用与提示渲染能力，并支持多种传输协议（stdio、SSE、streamable-http 等）。
基于 Model Context Protocol (MCP) 的后端服务，向大模型客户端以标准化方式提供资源、工具与提示模板等上下文能力；通过 JSON-RPC 与客户端通信，支持多传输协议（stdio、SSE、WebSocket），并实现会话管理、能力声明以及对 MCP 请求/响应的处理。
基于 Model Context Protocol 的 MCP 服务器实现，向 LLM 客户端以标准化方式提供资源、工具与 Prompt 的注册、执行及渲染能力，并通过 JSON-RPC 进行通信，支持会话管理与多传输协议的后端上下文服务。
基于 Model Context Protocol (MCP) 的后端服务实现，提供资源（任务）的托管与数据访问、工具注册与执行、以及面向 LLM 的提示/上下文渲染能力，并通过 MCP 方式与客户端进行 JSON-RPC 风格的交互，支持流式响应和多种传输场景（如 SSE）。
基于 Model Context Protocol 的 MCP 服务器实现，用于以标准化的 JSON-RPC 方式向 LLM 客户端提供资源、工具及上下文相关功能，采用标准输入输出（STDIN/STDOUT）进行通信，便于 Claude Code 等客户端对接执行与查询。
基于 Model Context Protocol（MCP）的后端服务器实现，提供资源托管、工具注册与执行、以及提示模板渲染等核心能力，并通过 JSON-RPC 与 LLM 客户端进行上下文与功能交互，部署在 Cloudflare Workers 中以实现安全、可扩展的上下文服务。
基于 Model Context Protocol (MCP) 的后端实现，提供对 Unified Hi-Fi Control 桥接器的工具集访问能力，通过 JSON-RPC 与 Claude 等 LLM 客户端进行交互，支持以统一接口调用中控工具并获取响应。
基于 MCP 协议的后端服务器，暴露 Arena PLM REST API 的查询与数据获取能力，供大语言模型客户端通过 JSON-RPC 调用工具、读取资源并渲染提示模板。
基于 Model Context Protocol (MCP) 的后端服务，向大型语言模型（LLM）客户端提供 Griffin API 的资源、工具和提示模板，并通过 JSON-RPC 进行交互，支持 STDIO 传输等多种传输方式，帮助在对话中访问和操作银行相关数据。
基于 Model Context Protocol 的 Autodesk Revit 后端服务器，提供资源管理、工具注册/执行和提示模板渲染，并通过 WebSocket 与 LLM 客户端进行 JSON-RPC 风格的上下文服务交互。
基于 Model Context Protocol (MCP) 的后端服务器集，提供资源托管、工具注册/执行、以及提示模板渲染等能力；通过 JSON-RPC/HTTP 等传输协议与 LLM 客户端进行标准化通信，支持会话管理、能力声明，并可扩展为多传输通道（如 STDIO、SSE、WebSocket 等）。
基于 Model Context Protocol (MCP) 的后端服务器实现，提供资源（Resources）管理、工具（Tools）注册与执行、以及提示模板（Prompts）的渲染等能力，允许通过 JSON-RPC 与 LLM 客户端进行标准化交互，支持多传输协议（如流式 HTTP、StdIO、SSE、WebSocket），为 LLM 应用提供安全、可扩展的上下文服务框架。仓库内包含基于 Python 的 FastAPI 实现（以及可选的 Node.js 实现结构），实现完整的 MCP 服务端功能与实际数据源集成。
基于 Model Context Protocol 的服务器端实现，作为后端上下文服务向大型语言模型客户端提供资源、工具与提示模板等能力，支持多传输协议（如 STDIO、HTTP、WebSocket），通过 JSON-RPC 与客户端进行交互，包含会话管理、能力声明与工具/资源模板的注册与渲染。
基于 Model Context Protocol 的多服务器后端实现，向 LLM 客户端提供资源、工具及可渲染的提示模板等上下文服务，通过 JSON-RPC 与客户端进行通信，支持多种传输方式，具备注册、管理、执行工具以及安全治理等能力。
基于 Model Context Protocol (MCP) 的后端服务器实现，提供工具注册与执行、会话管理、资源与提示结构的扩展能力，并通过 OAuth 授权安全地将 Fathom 数据（会议、转录、摘要等）暴露给大语言模型客户端进行上下文服务。
基于 Model Context Protocol (MCP) 的后端服务实现，提供对资源(Resource)、工具(Tools)及提示模板(Prompts)的管理与执行能力，并通过标准的 JSON-RPC 与客户端进行通信。支持多服务器配置、OAuth 与微支付等扩展能力，能够作为 LLM 客户端的上下文与功能提供端。
基于模型上下文协议（MCP）的后端服务器，实现资源/工具/提示模板的托管与对外能力暴露，支持 JSON-RPC 请求、SSE 实时传输和会话管理，为 LLM 客户端提供标准化的上下文服务。
基于 Model Context Protocol 的 MCP 服务器实现，提供资源、工具执行与提示模板渲染等核心能力，并通过 JSON-RPC 与客户端通信，支持 stdio 与 HTTP 两种传输模式，便于将 AI 助手接入 Phoebe API 的上下文与功能。
基于 Model Context Protocol（MCP）的后端服务器实现；通过标准化的 JSON-RPC 方式向 LLM 客户端提供上下文信息、资源管理、工具注册与执行，以及可渲染的 Prompt 模板，支持多传输协议（如 Stdio、SSE、WebSocket），用于构建安全、可扩展的 LLM 上下文服务平台。
基于 Model Context Protocol 的后端 MCP 服务器实现，向大语言模型客户端提供资源管理、工具注册与调用、以及可渲染的 Prompt 模板等能力，通过 JSON-RPC/流式传输等方式进行通信，并具备会话管理、认证、备份与技能管理等完整功能。
基于 Model Context Protocol (MCP) 的后端服务器实现，提供工具注册、资源管理、提示模板等能力，并通过 JSON-RPC 与客户端通信，支持 STDIO 与 HTTP 传输，以供 LLM 客户端查询、调用工具和获取上下文信息。
基于 Model Context Protocol 的后端服务，提供资源管理、工具注册/调用以及提示模板渲染等能力，通过 JSON-RPC 与客户端通信，并集成 Rossum API 提供安全、可扩展的上下文服务。
基于 Model Context Protocol (MCP) 的后端服务器，提供资源托管与管理、注册与执行工具、以及 Prompt 模板的定义与渲染，面向大型语言模型（LLM）客户端，通过 JSON-RPC 与客户端通信，并支持会话管理、能力声明以及多种传输协议（如 Stdio、SSE、WebSocket）以实现安全、可扩展的上下文服务框架。
基于 Model Context Protocol (MCP) 的本地后端服务器，提供 Workflowy 数据的资源托管、工具执行和提示模板渲染，供大语言模型客户端以 JSON-RPC 的方式读取和操作本地数据。
基于模型上下文协议（MCP）的后端服务器实现，提供资源、工具、提示模板的托管与执行，并通过 JSON-RPC 形式对接 LLM 客户端，支持多传输方式（如标准输入输出/HTTP），为 LLM 应用提供安全、可扩展的上下文服务。
基于 Model Context Protocol（MCP）的 AKS 后端服务器实现，向大型语言模型(LLM)客户端以标准化方式提供 AKS 资源、工具与提示模板，支持多种传输协议（stdio、SSE、streamable-http），并实现会话管理、能力声明以及安全认证能力。
基于模型上下文协议（MCP）的后端服务器实现，提供资源、工具与提示模板的托管、注册与渲染，支持基于 JSON-RPC 的通信、会话管理以及多种传输协议（如 STDIO、HTTP、SSE）以供 LLM 客户端调用。
基于 Model Context Protocol (MCP) 的后端服务器实现，作为 Plan Cascade 的 MCP 服务端，向 LLM 客户端提供标准化的资源管理、工具注册与执行，以及 Prompt 模板渲染等能力，采用 JSON-RPC 进行请求/响应通信，支持多传输协议、会话管理与能力声明，确保安全、可扩展的上下文服务。
基于模型上下文协议（MCP）的后端服务器实现，专注为大语言模型客户端提供标准化的上下文服务：托管资源、注册并执行工具、定义和渲染Prompt模板；通过 JSON-RPC 进行通信，具备会话管理与能力声明，并支持多种传输通道，以实现安全、可扩展的上下文服务框架。
基于 Model Context Protocol 的后端服务器实现，向大语言模型客户端提供资源托管、工具注册与执行，以及可渲染的 Prompt 模板，采用 JSON-RPC 进行通信，支持多种传输协议并具备会话管理与能力声明。
基于 Model Context Protocol 的 MCP 服务器实现，提供 compress_json、decompress_ason、get_compression_stats、configure_compressor 等工具，以 JSON/ASON 数据压缩、解压、分析并支持可配置的全局参数管理
基于 Model Context Protocol (MCP) 的后端服务器实现，提供资源管理、工具执行与提示模板渲染能力，面向大语言模型（LLM）客户端以标准化方式提供上下文数据与功能。
基于 Model Context Protocol (MCP) 的后端服务器，为大语言模型（LLM）客户端提供 Gmail 相关工具的统一访问接口，支持 JSON-RPC 请求/响应，工具注册与执行，并通过标准化的 MCP 通信传输（如标准输入输出）进行交互。
基于 Model Context Protocol 的可运行 MCP 服务器实现与测试框架，提供工具、资源托管、工具调用执行、以及对扩展与评测的支持，便于对接大语言模型客户端进行上下文服务测试和集成验证。
基于 Model Context Protocol 的本地 MCP 服务器实现，提供对 Planet API 的上下文访问、工具调用与提示渲染能力，帮助大语言模型在本地环境中高效地与 Planet 数据和功能交互。
基于 Model Context Protocol 的 MCP 服务器实现，提供数据资源管理、工具注册与执行，以及与向量化嵌入等组件的整合，作为大语言模型（LLM）客户端的上下文与能力后端服务。
BriefDesk 提供一个本地化的上下文服务方案，包含 Gmail、Google Drive 等 MCP 服务以及一个中心化的上下文搜索与整合组件，用于向本地大语言模型客户端提供资源、工具和提示模板等能力。系统通过 MCP 协议实现可扩展的 JSON-RPC 通信，支持资源检索、外部工具执行和提示渲染，具备会话管理、认证与多协议传输能力。
基于 Model Context Protocol 的 MCP 服务器实现，将 ClawStreetBets 的市场与代理管理功能暴露给 AI 客户端，允许通过 JSON-RPC 调用工具、查询资源以及执行投票等操作，并通过 STDIO 传输进行交互。
基于模型上下文协议的 MCP 服务器实现，提供资源、工具和提示模板的后端能力，通过 JSON-RPC 与客户端通信，注册并执行工具、管理会话并支持简单的 stdio 传输。
基于 Model Context Protocol（MCP）的服务端实现，提供标准化的资源管理、工具注册与执行、以及 Prompt 模板渲染等功能，支持通过 JSON-RPC 与 LLM 客户端通信，管理会话与能力声明，并具备多传输协议（如 Stdio、SSE、WebSocket）等扩展能力，用于对接外部数据源、工具和上下文提示等，实现对 LLM 的上下文服务提供与编排。
基于 Model Context Protocol 的 MCP 服务器实现，用于将一个 Discord 自助账户的资源、工具与对话模板通过标准化的 MCP JSON‑RPC 后端对接到 LLM 客户端，支持 stdio 传输并以 JSON-RPC 提供资源、工具执行与提示渲染等功能。
基于 Model Context Protocol（MCP）的服务器实现，为 Obsidian 知识库提供资源、工具、提示模板等统一访问接口，通过 JSON-RPC 与客户端通信，支持 STDIO 与本地 HTTP 传输，并与本地向量检索索引数据库协同工作。
基于 Model Context Protocol（MCP）的广告自动化后端实现，提供资源、工具和 Prompt 模板的托管与管理，并通过 JSON-RPC 与客户端进行通信，支持多传输协议（如 STDIO、SSE、WebSocket），为 LLM 应用提供安全、可扩展的上下文服务框架。
基于 Model Context Protocol（MCP）的后端服务器实现，托管并管理资源（Resources）、注册并执行工具（Tools）、定义与渲染 Prompt 模板（Prompts），通过标准的 JSON-RPC 方式向 LLM 客户端提供上下文信息与功能，并支持组件化扩展与会话分析。<br/>该仓库实现了完整的 MCP 服务端框架及多组件插件，能够在 Node.js 环境中运行并对外提供 MCP 接口。<br/>注：项目使用 stdin/stdout 作为传输通道（Stdio Server Transport），并提供了丰富的组件体系以实现资源、工具、提示模板等能力。
基于 MCP（Model Context Protocol）协议的后端服务器，向 LLM 客户端提供统一的上下文资源、可注册执行的工具以及可渲染的提示/模板，支持 JSON-RPC 通信、多种传输协议，以及会话管理与能力声明，便于在聚类分析、语义检索和论文上下文中为大语言模型提供可扩展的 contexto 服务。
基于 Model Context Protocol (MCP) 的后端服务器实现，提供资源与工具的托管、权限化访问，以及 Prompt 模板的定义与渲染，外部通过 JSON-RPC 进行通信，支持多种传输协议（如 HTTP/WS/SSE），用于向 LLM 客户端提供可扩展的上下文服务与工具调用能力。
基于 Model Context Protocol (MCP) 的后端服务器，向大语言模型客户端提供 Overseerr 集成的上下文信息、工具和提示模板，通过 JSON-RPC 进行通信，并支持 STDIO、SSE/HTTP 等传输通道，便于在 AI 应用中进行资源检索、请求管理与媒体详情查询等功能的上下文服务。
基于 Model Context Protocol（MCP）的后端服务器实现，提供资源托管、工具注册与执行、Prompt 模板渲染等核心能力，并支持多传输协议（如 WebSocket、MQTT/UDP 等）通过 JSON-RPC 与客户端通信，面向边缘设备和物联网场景的上下文服务解决方案。
基于 Model Context Protocol 的 MCP 服务端，为 LLM 客户端提供 NiceGUI 资源、工具、文档与示例等能力，并通过 JSON-RPC 与客户端通信，支持资源读取、工具执行、主题索引、示例检索、组件信息查询以及可选的屏幕截图和主提示渲染等功能。
基于模型上下文协议（MCP）的服务器实现，向LLM客户端提供ATLAS Central Page的资源、工具与提示模板的统一访问接口，支持JSON-RPC风格请求/响应，以及多传输模式（如STDIO、HTTP）以服务化LLM上下文信息和能力查询。
基于 Model Context Protocol (MCP) 的后端服务器，提供资源、工具、Prompt 的托管、读取和渲染能力，并通过 JSON-RPC 与 LLM 客户端进行通信，支持多传输协议以提供安全、可扩展的上下文服务。
基于 Model Context Protocol 的 MCP 服务器实现，使用 Arivu 的连接器生态在 JSON-RPC 下向 LLM 客户端提供资源、工具与提示模板等上下文信息，并通过标准输入输出（目前实现）进行 JSON-RPC 通信与会话管理。
基于 Model Context Protocol (MCP) 的后端服务器实现，提供资源管理、工具注册与执行、Prompts 定义与渲染等能力，并通过 JSON-RPC 风格接口向 LLM 客户端暴露上下文与功能。服务器支持多种传输形式（HTTP）、会话管理、能力声明，以及可拓展的工具与资源生态，提升大模型在编码协作中的上下文服务能力。
基于 Model Context Protocol 的 MCP 服务器实现（集成于 Edda 框架），通过 JSON-RPC/多传输协议向 LLM 客户端暴露 durable workflows、资源和工具，并支持 Prompts 渲染，方便 AI 助手与后端工作流进行长期上下文交互和功能调用。
基于 Model Context Protocol (MCP) 的后端服务器，实现对 Microsoft SQL Server 的只读资源访问、工具执行与提示模板渲染，支持 JSON-RPC 风格的请求/响应，供 LLM 客户端在对话中获得上下文信息与外部功能。
基于 Model Context Protocol (MCP) 的后端服务器实现，提供资源（Resources）管理、工具（Tools）注册与执行、以及提示模板（Prompts）渲染，支持 stdio、Web 服务等传输协议，通过 JSON-RPC 与 MCP 客户端通信，向大模型客户端提供上下文、数据访问、外部功能调用等能力。
基于 Model Context Protocol (MCP) 的后端服务器，提供对 GitHub 的上下文资源、工具执行与提示模板的标准化访问，支持 JSON-RPC 交互，适配多种传输方式并具备会话管理、能力声明与远程工具发现等能力，用于为大语言模型提供可扩展的上下文服务。
基于 Model Context Protocol 的 MCP 服务器，使用 Spring Boot 实现，提供 MonicaHQ CRM 数据的资源访问、工具调用及内容渲染，支持 STDIO 与 WebSocket/HTTP 等传输模式，面向大语言模型客户端（如 Claude Desktop）提供标准化的上下文服务。该服务器实现了资源管理、工具注册与执行，以及提示模板渲染等核心能力，以 JSON-RPC 2.0 进行通信。
基于 Model Context Protocol（MCP）的完整服务器实现，提供资源管理、工具注册与执行、Prompts 定义与渲染，以及以 JSON-RPC 形式与客户端通信的能力，支持多传输通道（stdio、SSE、WebSocket）与会话管理，适合作为 LLM 客户端的上下文服务后端。
基于 Model Context Protocol (MCP) 的多模型上下文服务后端，向 LLM 客户端提供资源管理、工具注册与执行、Prompt 模板渲染等核心能力；通过 JSON-RPC 与客户端通信，支持会话管理并兼容多种传输协议（STDIO/SSE/WebSocket），为 AI 应用提供可扩展、安全的上下文服务框架。
基于 WeKnora 的 MCP（Model Context Protocol）服务器实现，向大模型客户端提供标准化的资源、工具与提示模板的上下文服务，并支持多传输协议（如 Stdio、SSE、WebSocket）与会话管理，用于实现安全、可扩展的上下文环境。该服务器通过 JSON-RPC 与客户端进行通信，承载资源访问、工具注册/执行与提示渲染等核心能力。典型场景包括对接外部知识库、执行工具调用、以及渲染与提供定制化的 Prompt 模板。
基于 Fred 平台的 MCP 服务器实现，提供以标准化方式向大语言模型客户端提供资源、工具、提示模板等上下文与能力的后端服务，并通过 JSON-RPC/多传输通道进行通信。包含知识流后端的完整 MCP 服务、以及用于快速演示的最小 MCP 服务器示例和相应部署示例。
基于 Model Context Protocol (MCP) 的后端服务器，为大语言模型客户端提供资源访问、工具调用和提示模板的统一上下文服务，支持文档索引、向量检索、以及与 Claude Code 等 MCP 客户端的无缝集成。
基于 Model Context Protocol 的 MCP 服务器实现，提供资源托管、工具调用以及资源渲染的服务端能力，并通过 JSON-RPC/ SSE 方式与客户端通信，支持多会话与会话管理，适用于在后端向 LLM 客户端提供可扩展的上下文服务。
基于 Model Context Protocol (MCP) 的 HealthSim 后端实现，用于以标准化方式向 LLM 客户端提供上下文信息和功能，包括资源管理、工具注册/执行，以及提示模板渲染。服务器通过 JSON-RPC 与客户端通信，具备会话管理、能力声明，并对接多种传输协议（如 Stdio、SSE、WebSocket），为健康数据生成与模拟应用提供可扩展的上下文服务框架。
基于 Model Context Protocol (MCP) 的 Reachy Mini 机器人身体控制服务器实现，暴露23个可通过 MCP 客户端调用的工具，并通过 Reachy Daemon（实际硬件或 MuJoCo 仿真）实现对头部、天线、表情、捕获等操作，支持动态工具发现、权限控制和审计日志等能力。
基于 Model Context Protocol（MCP）的服务器端实现，提供工具、资源、提示的注册与执行，并通过 JSON-RPC 与客户端进行通信，支持多传输方式（HTTP、stdio、Inspector 调试）以为大语言模型提供可扩展的上下文与功能服务。
基于 Model Context Protocol (MCP) 的后端运行时与代理，提供资源、工具和提示的统一管理，并通过 JSON-RPC 与 MCP 客户端通信，支持多传输协议（stdio、SSE、WebSocket）等，能够在沙箱中运行并托管任意 MCP 兼容的服务器。*
一个基于 Charm KV 存储的 MCP 服务器实现，提供资源、工具、和提示模板等功能，供对话式 AI 客户端通过 JSON-RPC 与后台进行上下文交互与操作执行。当前实现通过标准输入输出（stdio）传输进行 JSON-RPC 的通信。
基于 Model Context Protocol (MCP) 的服务端实现，使用 SSE 传输，提供资源与资源模板的托管、工具注册与执行，以及嵌入式 Widget 的渲染能力，作为 ChatGPT 应用的上下文与功能后端。
OSVM Unikernel 工具执行器是一个高性能、安全隔离的后端，专为 LLM 客户端通过 vsock 协议调用 MCP 工具而设计。
基于 Model Context Protocol 构建的 MCP 服务器，提供访问 Acurast 资源的接口，并支持脚本部署和处理器信息查询等工具。
Hermes Search MCP Server 是一个基于 Model Context Protocol 的后端服务，旨在为 LLM 应用提供强大的数据搜索和索引能力，通过集成 Azure Cognitive Search，实现对结构化和非结构化数据的全文和语义搜索。
基于MCP协议构建的模块化系统，实现LangGraph智能体与远程工具服务器的解耦，支持实时、多服务器和可扩展的AI应用。
这是一个轻量级的C++框架，用于构建本地LLM Agent，集成了模型上下文协议(MCP)，提供工具和记忆管理功能，可作为有效的MCP服务器实现。
基于 Azure 函数和 API 管理构建的远程 MCP 服务器，提供工具注册、执行和安全访问控制能力。
Chef CLI 是一个用于 ADaaS 配方开发的命令行工具，同时可以作为 MCP 服务器为 LLM 客户端提供上下文服务。
Nerve Agent Server是一个用于运行LLM Agent并将其功能作为MCP兼容服务对外提供的平台，方便与MCP客户端集成。
Archon Agenteer MCP Server为AI IDE提供 agent 构建能力，支持通过 Model Context Protocol (MCP) 协议与客户端通信，实现agent工具注册、执行和上下文信息管理。
这是一个基于Model Context Protocol (MCP) 的天气信息服务器示例，演示了如何使用工具提供天气查询功能，并集成了synf工具实现热重载开发。
基于Model Context Protocol的示例服务器，演示了如何定义和执行工具，并通过Stdio与客户端通信，实现GitHub用户数据获取功能。
Offeryn是一个Rust实现的Model Context Protocol (MCP) 服务器，专注于通过工具扩展大型语言模型的能力，支持JSON-RPC over Stdio和SSE传输协议。
一个简单的MCP服务器，用于管理笔记资源，提供笔记总结 Prompt，并提供添加、获取、列出笔记以及管理链式MCP服务器的工具。
mcp-server仓库实现了一个简单的MCP服务器，通过工具提供推特发文和读取Google Sheets数据的功能，并通过资源暴露Google Sheets数据，演示了MCP协议在数据访问和功能扩展方面的应用。
Beamlit MCP Gateway桥接Beamlit CLI与LLM客户端，通过Model Context Protocol协议，使AI模型能安全访问和利用Beamlit的功能与资源。