MCP vendors

MCP运维云端

提供方 akhileshjoshi2

运维云端 stdio · 本地进程 无需鉴权 社区 / 第三方
查看接入方式

一个模块化、供应商无关的模型上下文协议(MCP)生态系统,通过标准化的MCP服务器实现与不同AI和工具服务的无缝连接。

一句话选型结论

按资料字段整理

MCP vendors 属于运维云端类 MCP 服务器,stdio · 本地进程,无需鉴权,有可直接执行的安装命令。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类运维云端 传输方式stdio · 本地进程 鉴权无需鉴权 部署方式本地部署
GitHub 星标 0 仓库热度,无公开仓库时显示未标注
工具数 9 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

运维云端
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量9暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

适用场景

AI服务连接Python本地部署模块化架构多供应商支持标准化协议

安装与配置

stdio · 本地进程 无需鉴权
客户端在本机拉起子进程,数据不出本机
pip install fastmcp python-dotenv

这条命令只是入口,具体启动参数请按官方文档补齐,不要直接照搬到别的服务器。

  1. 1
    准备运行环境

    stdio 服务在本地起进程,需要先装好 Node.js 等运行时,再按安装命令拉取依赖。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后客户端会列出约 9 个工具,随便调一个只读工具确认能返回结果。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
云资源查询

查实例、存储、账单等云上资源状态。

部署与发布

把部署、重启、回滚这类操作接进对话。

监控与告警

拉取监控指标,异常时让模型帮你判断。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 资料标注 9 个工具,职责相对集中,接入后不容易误操作。
  • 有现成的安装命令,不用自己找入口,照着跑就能起服务。
  • 资料标注无需鉴权,装好就能连。

先想清楚的地方

  • stdio 方式要求本地装好运行时(如 Node.js),换机器要重新装一遍。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在运维云端场景里让模型直接调用外部能力的人。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 完全不想在本地装环境的人。
  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
MCP vendors当前 9 stdio · 本地进程 本地部署 有 2026-05-17
lobehub 未标注 stdio · 本地进程 本地部署 有 2026-04-11
TrendRadar 未标注 stdio · 本地进程 本地部署 有 2026-04-13
Ui Tars Desktop 8a825770 未标注 stdio · 本地进程 本地部署 有 2026-05-17
ruflo 未标注 stdio · 本地进程 本地部署 有 2026-04-13
FastGPT 未标注 stdio · 本地进程 本地部署 有 2026-04-11

服务器档案

运维云端
字段来自项目仓库与公开索引,中文说明由本站标注
提供方akhileshjoshi2上游标注的维护方 akhileshjoshi2
分类运维云端本站按上游分类展示
连接方式stdio · 本地进程客户端在本机拉起子进程,数据不出本机
鉴权方式无需鉴权远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时未标注 · 未标注本地安装时用到的包标识与运行时
部署类型本地部署上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

4.5 KB
来自项目仓库与上游目录的原文,未做删改

MCP供应商生态系统

一个模块化的、与供应商无关的模型上下文协议(MCP)生态系统,允许通过标准化的MCP服务器无缝连接到不同的AI和公用事业服务。

🏗️ 架构概述```

mcp-vendors/
├── openai_server/ # OpenAI GPT and embedding services
├── groq_server/ # Groq-accelerated inference
├── local_llama_server/ # Local quantized LLaMA models
├── utility_server/ # Non-AI tools (search, weather)
├── orchestrator/ # Central router and connector
└── config/ # Global configuration files


## 🧩 核心设计原则

- **模块化服务器**:每个供应商都使用FastMCP独立运行
- **解耦配置**:通过配置动态发现服务器
- **LLM不可知论**:轻松添加新的AI提供商
- **可组合逻辑**:工具可以嵌入高级推理流程
- **轻量级界面**:通过MCP装饰器的自描述工具
- **安全配置**:基于环境的凭证管理

## 🚀 快速开始

### 1.安装依赖项```bash
# Install for all servers
pip install fastmcp python-dotenv

# Server-specific dependencies
cd openai_server && pip install -r requirements.txt
cd groq_server && pip install -r requirements.txt
cd local_llama_server && pip install -r requirements.txt
cd utility_server && pip install -r requirements.txt

2.配置环境变量

创建一个 .env 项目根目录中的文件具有以下键:```env

OpenAI Configuration (required for openai_server)

OPENAI_API_KEY=your-openai-api-key-here
OPENAI_MODEL=gpt-4
OPENAI_EMBEDDING_MODEL=text-embedding-ada-002

Groq Configuration (required for groq_server)

GROQ_API_KEY=your-groq-api-key-here
GROQ_MODEL=llama-3.1-8b-instant

Local LLaMA / Ollama Configuration (required for local_llama_server)

MODEL_PATH=/path/to/your/local/model
MODEL_TYPE=llama
DEVICE=cpu
MAX_TOKENS=2048
OLLAMA_MODEL=tinyllama
OLLAMA_BASE_URL=http://localhost:11434

Utility Services Configuration (required for utility_server)

WEATHER_API_KEY=your-openweathermap-api-key-here
WEATHER_BASE_URL=https://api.openweathermap.org/data/2.5

Orchestrator Configuration (optional)

ORCHESTRATOR_HOST=localhost
ORCHESTRATOR_PORT=8000
LOG_LEVEL=INFO


**获取API密钥的位置:**

|密钥|提供者|URL|
|-----|----------|-----|
| `OPENAI_API_KEY` |OpenAI |https://platform.openai.com/api-keys |
| `GROQ_API_KEY` |Groq |https://console.groq.com/keys |
| `WEATHER_API_KEY` |OpenWeatherMap |https://openweathermap.org/api |

**当地电话/Ollama:**

- 从以下位置安装Ollamahttps://ollama.com
- 拉一个模型: `ollama pull tinyllama`
- 集 `OLLAMA_MODEL` 到要使用的模型名称
- Ollama一定在跑(`ollama serve`)开始前 `local_llama_server`

### 3.运行单个服务器```bash
# OpenAI Server
cd openai_server && python server.py

# Groq Server
cd groq_server && python server.py

# Utility Server
cd utility_server && python server.py

4.使用编排器```bash

cd orchestrator && python orchestrator.py
```

📋 服务器职责

服务器 用途 示例工具
openai_server OpenAI GPT和嵌入 openai_chat, openai_embed, list_models
groq_server Groq加速推理 groq_chat, groq_embed
local_llama_server 本地/离线推理 local_inference, local_embed
utility_server 非LLM公用事业 web_search, get_weather
orchestrator 路由和发现 动态服务器管理

🔄 工作流示例

  1. 请求:用户/系统向编排器发送请求
  2. 发现:编排者阅读 config/mcp_servers.json
  3. 路由:请求被路由到适当的MCP服务器
  4. 执行:工具通过执行 @mcp.tool 装饰器
  5. 响应:向客户端返回统一响应

🛠️ 添加新服务器

  1. 按照模板创建新的服务器目录
  2. 实施 server.py 使用FastMCP
  3. 在中添加工具 tools/ 目录
  4. 更新 config/mcp_servers.json
  5. 将环境变量添加到 .env

📚 文档

每台服务器都包含详细的文档:

  • 设置和配置说明
  • 带参数的工具参考
  • 示例使用和集成
  • 扩展指南

🔐 安全

  • 存储在环境变量中的API密钥
  • 源代码中没有硬编码凭据
  • 每台服务器都在独立的进程中运行
  • 可配置的访问控制

🤝 贡献

  1. 遵循既定的文件夹结构
  2. 使用FastMCP装饰器作为工具/资源
  3. 包含全面的文档字符串
  4. 添加新功能的测试
  5. 更新文档

📄 许可证

MIT许可证-有关具体的许可信息,请参阅各个服务器目录。

常见问题

7 问
答案由本站依据条目字段整理,不引用上游原文
MCP vendors 怎么安装?

在客户端按下面的安装命令接入:pip install fastmcp python-dotenv。装完在客户端配置里引用同一个包或端点。

MCP vendors 怎么在客户端里配置?

它的传输方式未标注,在客户端 MCP 配置里按官方文档填写启动命令和参数,保存后重启客户端生效。

MCP vendors 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

MCP vendors 需要 API Key 吗?

资料标注为无需认证,装好就能连;如果实际调用时报鉴权错误,按官方文档补上凭据。

MCP vendors 能提供哪些能力?

资料显示约 9 个工具;能力标签包括 标准化协议、Python、模块化架构。具体工具清单以官方文档为准。

MCP vendors 需要什么运行环境?

属于本地进程,需要在本机装好运行环境。

MCP vendors 是本地还是远程?

它是本地进程(stdio),由客户端在本机拉起。传输方式为stdio · 本地进程。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。