Beste MCP Servers (2026)

1

Playwright MCP

Open-Source-MCP-Server, der LLMs ermöglicht, echte Browser über Playwright und Zugänglichkeitssnapshots zu steuern.

4.8 (6)

· free

Volle Rezension

Playwright MCP ist ein Open-Source Model Context Protocol-Server, der die Browser-Automatisierungsfähigkeiten von Playwright für große Sprachmodelle zugänglich macht. Anstelle von Screenshots und Vision-Modellen liefert er strukturierte Zugänglichkeitssnapshots von Webseiten, sodass Agenten eine schnelle, deterministische Sicht auf das DOM erhalten, über die sie nachdenken und handeln können. Er erlaubt LLM-gestützten Agenten, Websites zu navigieren, Elemente zu klicken, Formulare auszufüllen, Daten zu extrahieren und end-to-end Workflows über Chromium, Firefox und WebKit auszuführen. Da er MCP spricht, lässt er sich in jeden kompatiblen Client wie Claude Desktop, Cursor oder benutzerdefinierte Agentenframeworks einbinden, wodurch browserbasierte Aufgaben autonomer und unterstützender Workflows zugänglich werden.

• MCP-Server-Interface für LLM-Agenten
• Strukturierte Zugänglichkeitssbaum-Snapshots
• Browserübergreifende Unterstützung via Playwright
• Klick-, Tipp-, Navigations- und Formularausfüll-Aktionen
• Headless- oder headed-Browser-Modi
• Integration mit Claude, Cursor und benutzerdefinierten Clients

Pydantic AI ist ein quelloffenes Python-Framework zur Entwicklung von Anwendungen, die von großen Sprachmodellen (LLM) angetrieben werden. Entworfen vom Team hinter Pydantic, legt es den gleichen Fokus auf Typsicherheit, Validierung und Entwicklerfreundlichkeit im Agenten-Entwicklungsprozess, wodurch LLM-Ausgaben vorhersehbar und die Integration in Produktionscode vereinfacht wird. Das Framework unterstützt mehrere Modellanbieter, strukturiert Antworten, die durch Pydantic-Modelle validiert werden, Tool‑ und Funktionsaufrufe, Dependency Injection und Streaming. Es wurde so gestaltet, dass es sich für Python‑Entwickler vertraut anfühlt und gut mit bestehenden Stacks wie FastAPI zusammenarbeitet, was es von schnellen Prototypen bis hin zu produktionsreifen GenAI‑Diensten einsetzbar macht.

• Typisierte Agenten mit Pydantic-validierten Ausgaben
• Unterstützung für OpenAI, Anthropic, Gemini und weitere
• Tool‑ und Funktionsaufrufe mit Dependency Injection
• Streaming‑Antworten und async‑first‑Design
• Integration mit FastAPI und Observability‑Tools
• Testwerkzeuge für deterministisches Agentenverhalten

Cognee ist eine offene AI-Gedächtnisplattform, die für AI-Agenten entwickelt wurde. Sie bietet ein persistentes Langzeitgedächtnis zwischen Sitzungen, indem sie Daten in jeder beliebigen Form einliest und eine self-hosted Knowlegde-Graph erstellt. Cognee kombiniert vektorbasierte Embeddings, graphische Gründung und kognitions-wissenschaftsgestützte Ontologieerzeugung, sodass Dokumente nach Bedeutung durchsuchbar und durch sich ändernde Beziehungen miteinander verbunden sind. Diese Plattform ist für Entwickler und Organisationen geeignet, die Daten von verschiedenen Quellen in einem einzigen System vereinen möchten, in Agenten Domain-Wissen einblenden können und sichere und vertrauenswürdige Agenten erstellen möchten. Cognee bietet Funktionen wie einheitliche Ingestion, Graph- und Vektorsuche, lokale Operation, Ontologiebindung, multimodale Fähigkeiten, Lernen von Feedback, Kontextverwaltung und Austausch an zwischen Agenten. Sie bietet außerdem agentische Benutzerver- oder Tenant-Isolation, Traceability und Audit-Fähigkeit. Die Plattform unterstützt mehrere Clients, einschließlich Python, Rust und TypeScript, und ist als Plugins für OpenClaw und Claude Code verfügbar.

• Knowledge-Graph basierte Agenten-Gedächtnis
• Semantische und strukturierte Dateninjektion
• Python SDK für Agentenintegration
• Pluginfähigkeit für LLM und Storage-Provider
• Abfrage über vergangene Sitzungen und Dokumente
• Selbstverwaltete oder verwaltete Bereitstellungsoptionen

4

Inbox Zero

AI-E-Mail-Assistent, der E-Mails organisiert, Antworten vorbereitet und Ihnen hilft, schneller Inbox Zero zu erreichen.

4.8 (4)

· free

Volle Rezension

Inbox Zero ist ein KI‑gestützter E‑Mail‑Assistent, der Nutzern dabei hilft, ihr Postfach effizienter zu verwalten. Er sortiert E‑Mails, erstellt Entwürfe für Antworten und verwaltet Kalender, mit dem Ziel, den Nutzern zu einem schnelleren Erreichen von „Inbox Zero“ zu verhelfen. Das Tool ist über eine Weboberfläche zugänglich und kann zudem über Slack oder Telegram für die Verwaltung unterwegs genutzt werden. Inbox Zero ist eine Open‑Source‑Alternative zu ähnlichen Tools wie Fyxer und bietet mehr Anpassungsmöglichkeiten sowie erweiterte Sicherheitsfunktionen. Wesentliche Funktionen umfassen einen KI‑persönlichen Assistenten, der den Ton und Stil des Nutzers lernt, um Antwortentwürfe vorzubereiten, KI‑gesteuerte Regeln zur Verarbeitung von E‑Mails anhand einfacher englischer Anweisungen sowie Werkzeuge zum Verfolgen von E‑Mails, die eine Antwort erfordern oder auf Rückmeldungen warten. Zudem bietet das Tool Massenabmeldungen und Archivierungsfunktionen, blockiert Kaltakquise‑Mails und stellt E‑Mail‑Analysen bereit. Außerdem kann Inbox Zero Besprechungs‑Briefings erstellen, indem es Kontext aus E‑Mails und Kalenderereignissen zieht, und speichert Anhänge automatisch in Cloud‑Speicherdiensten wie Google Drive oder OneDrive. Das Tool wurde mit einer Reihe von Technologien entwickelt, darunter Next.js, Tailwind CSS und Prisma, und ist auf GitHub gehostet. Nutzer können zwischen einer gehosteten Version unter getinboxzero.com oder einer Selbsthost‑Option über ein CLI‑Setup wählen, das Docker und Node.js erfordert. Das Projekt ist aktiv, eine Community trägt zur Weiterentwicklung bei und Feature‑Wünsche können über GitHub‑Issues oder den Discord‑Kanal des Projekts eingereicht werden. Inbox Zero zielt darauf ab, die Zeit, die Nutzer in ihrem Posteingang verbringen, zu reduzieren, damit sie sich auf wichtigere Aufgaben konzentrieren können. Obwohl es ein umfassendes Set an Funktionen für das E‑Mail‑Management bietet, können der Grad der Anpassbarkeit und die Einarbeitungszeit für die Einrichtung und die vollständige Nutzung der KI‑Funktionen variieren. Insgesamt präsentiert sich Inbox Zero als flexible und sichere Lösung für Personen, die ihre E‑Mail- und Kalenderverwaltungsaufgaben automatisieren und optimieren möchten.

• AI-generierte Antwortentwürfe
• Automatische E-Mail-Kategorisierung und Priorisierung
• Massenabmeldung von Newslettern
• Benutzerdefinierte Automatisierungsregeln
• Inbox-Analytics und Aufräumwerkzeuge
• Intelligente Erinnerungen für unbeantwortete E-Mails

5

Screenpipe

Freie und offene lokale Bildschirm- und Audio-Überwachung zum Bauen von kontextbewussten AI-Anwendungen

4.8 (4)

· free

Volle Rezension

Screenpipe ist eine Open-Source-Plattform, die kontinuierlich Bildschirmaktivitäten und Audio auf Ihrem Gerät aufzeichnet und alles lokal speichert, damit Entwickler KI-Anwendungen aufbauen können, die auf realem Benutzerkontext basieren. Durch die Indexierung von dem, was Sie sehen, hören und tun, bietet es eine reiche persönliche Datenebene, die Apps und Agenten abfragen können, ohne Informationen in die Cloud zu senden. Das Projekt richtet sich an Entwickler, die Produktivitätswerkzeuge, Memory-Assistenten, Meeting-Summarisierer und personalisierte Agenten erstellen. Es bietet APIs und ein Plugin-System, damit benutzerdefinierte Pipelines rohe Aufnahmen in durchsuchbaren Text, Transkripte und strukturierte Ereignisse umwandeln können, die nachgelagerte LLM-Workflows speisen. Da die gesamte Verarbeitung auf dem Computer des Benutzers stattfindet, legt Screenpipe großen Wert auf Datenschutz und Datenhoheit, während es durch community-gebaute Integrationen erweiterbar bleibt.

• 24/7 Bildschirm- und Audio-Überwachung
• Lokale Speicherung und -verarbeitung
• Optischer Erkennung und Spracherkennung
• Plugin- und Pipelinenaufbau
• APIs für die Abfrage des gefangenen Kontextes
• Quellplattformen für Desktopgeräte

6

AgentKit

TypeScript-Bibliothek zum Erstellen und Orchestrieren von KI-Agenten mit Tools, Speicher und Multi-Agent-Workflows.

4.5 (4)

· free

Volle Rezension

AgentKit ist ein Open-Source-TypeScript-Framework, das Entwicklern ermöglicht, produktionsreife KI-Agenten zu erstellen, ohne die Kernlogik der Orchestrierung neu zu erfinden. Es bietet primitives für die Definition von Agenten, das Anfügen von Tools, die Verwaltung von Zustand und die Koordination von Multi-Agent-Workflows in einer typsicheren Weise. Die Bibliothek legt Wert auf Komponierbarkeit, sodass Sie Agenten verketten, Aufgaben zwischen Spezialisten routen und sich in bestehende Modellanbieter sowie APIs integrieren lassen. Sie fügt sich nahtlos in Node.js- und serverlose Laufzeitumgebungen ein, was sie ideal für Backend‑Services, interne Automatisierung und kundenorientierte KI‑Funktionen macht. Da es code-first und unopinionated bezüglich der UI ist, eignet sich AgentKit am besten für Engineering‑Teams, die sich mit TypeScript auskennen und feinkörnige Kontrolle darüber haben möchten, wie ihre Agenten denken, Tools aufrufen und langlaufende Aufgaben verarbeiten.

• Agenten- und Tool-Abstraktionen
• Multi-Agenten-Routing und Übergaben
• Zustand- und Speicherverwaltung
• Modellunabhängige Provider-Unterstützung
• Typensichere APIs für Eingaben und Ausgaben
• Funktioniert in Node.js und serverlosen Laufzeiten

7

onchain-mcp

Bringt die Bankless Onchain API zu MCP

Noch keine Bewertungen· free

Volle Rezension

Der Bankless Onchain MCP Server ist ein Framework für die Interaktion mit On-Chain-Daten über die Bankless API. Er implementiert das Model Context Protocol (MCP), um KI-Modellen einen strukturierten Zugriff auf Blockchain-Zustands- und Ereignisdaten zu ermöglichen. Der Server bietet verschiedene Datenoperationen, darunter das Lesen von Vertragszuständen, das Abrufen von Ereignisprotokollen und das Abrufen von Transaktionsverlaufsdaten. Er richtet sich an Entwickler und Forscher, die in strukturierter Weise mit Blockchain-Daten interagieren müssen. Dieses Projekt erhält keine Updates mehr, und sein Wartungsstatus könnte seine Stabilität und Verfügbarkeit von Funktionen beeinträchtigen.

• Vertragsoperationen (Vertragszustand lesen, Proxy abrufen, ABI abrufen, Quelle abrufen)
• Ereignisoperationen (Ereignisse abrufen, Ereignistopic erstellen)
• Transaktionsoperationen (Transaktionshistorie abrufen, Transaktionsinformationen abrufen)

8

markitdown

Python-Tool zum Konvertieren von Dateien und Büro-Dokumenten in Markdown.

Noch keine Bewertungen· free

Volle Rezension

MarkItDown ist ein leichtgewichtiges Python-Tool zum Konvertieren verschiedener Dateien in Markdown für die Verwendung mit LLMs und zugehörigen Textanalyse-Pipelines. Es ist am ehesten mit textract vergleichbar, aber mit einem Fokus auf die Erhaltung wichtiger Dokumentstrukturen und -inhalte als Markdown, einschließlich Überschriften, Listen, Tabellen, Links usw. Die Ausgabe ist oft vernünftig präsentabel und menschenfreundlich, aber sie soll von Textanalysetools verbraucht werden und ist möglicherweise nicht die beste Option für hochgenaue Dokumentkonvertierungen für den menschlichen Gebrauch. MarkItDown unterstützt derzeit die Konvertierung von PDF, PowerPoint, Word, Excel, Bildern (EXIF-Metadaten und OCR), Audio (EXIF-Metadaten und Sprachttranskription), HTML, textbasierten Formaten (CSV, JSON, XML), ZIP-Dateien, YouTube-URLs, EPubs und vielem mehr. Es wird empfohlen, eine virtuelle Umgebung zu verwenden, um Konflikte bei Abhängigkeiten zu vermeiden. Mit Python 3.10 oder höher können Sie MarkItDown mit pip installieren: pip install 'markitdown[all]' oder aus dem Quellcode mit: git clone git@github.com:microsoft/markitdown.git, dann pip install -e 'packages/markitdown[all]'. Die Verwendung von MarkItDown erfolgt über die Kommandozeile, entweder durch Angabe der Ausgabedatei, durch Weiterleiten von Inhalten oder durch die Verwendung der speziellsten convert_* Funktion für bestimmte Anwendungsfälle.

• Konvertierung von PDF, PowerPoint, Word, Excel
• Unterstützung von Bildern (EXIF-Metadaten und OCR)
• Unterstützung von Audio (EXIF-Metadaten und Sprachtranskription)
• Unterstützung von HTML, textbasierten Formaten (CSV, JSON, XML)
• Unterstützung von ZIP-Dateien, YouTube-URLs, EPubs
• Optionale Abhängigkeiten zur Aktivierung verschiedener Dateiformate

9

mcp-clickhouse

mcp-clickhouse MCP-Server

Noch keine Bewertungen· free

Volle Rezension

Der mcp-clickhouse MCP-Server ist ein MCP-Server für ClickHouse. Er bietet ClickHouse-Tools, darunter run_query zum Ausführen von SQL-Abfragen auf Ihrem ClickHouse-Cluster, list_databases zum Auflisten aller Datenbanken auf Ihrem ClickHouse-Cluster und list_tables zum Auflisten von Tabellen in einer Datenbank mit Pagination. Zusätzlich enthält er chDB-Tools wie run_chdb_select_query, um SQL-Abfragen mithilfe des eingebetteten ClickHouse-Engines von chDB auszuführen. Er stellt außerdem einen Health-Check-Endpunkt zur Überwachung der Servergesundheit und einen Sicherheitsmechanismus für die Authentifizierung bereit. Der Server lässt sich für interne Dienste, lokale Entwicklung oder mit OAuth/OIDC-Authentifizierungsanbietern über FastMCP einrichten.

• run_query zum Ausführen von SQL-Abfragen auf einem ClickHouse-Cluster
• list_databases zum Auflisten aller Datenbanken auf einem ClickHouse-Cluster
• list_tables zum Auflisten von Tabellen in einer Datenbank mit Pagination
• run_chdb_select_query zum Ausführen von SQL-Abfragen mithilfe des eingebetteten ClickHouse-Engines von chDB
• Health-Check-Endpunkt zur Überwachung des Servers
• Mehrere Authentifizierungsmodi, einschließlich OAuth und OIDC über FastMCP

Der MCP-Server für QA Sphere TMS ist ein Client, der zum Integrieren von Large Language Modellen (LLMs) mit dem QA Sphere (QSP) verwendet wird, um die Testskripterstellungsfähigkeiten zu verbessern. Nach dem Konfigurieren des Servers (Details stehen auf GitHub zur Verfügung), können LLMs mit den automatisierten Testfällen von QA Sphere interagieren. Durch das Ausnutzen des MCP (Model Callback Protokolls) ermöglicht es Entwickler und Tester, schnell AI-basierte Testfälle zu erstellen, Aufgaben zu automatisieren und Test-Suiten integriert mit QAS Sphere auszuführen. Die MCP-basierte Lösung ist von Benutzern unterstützt, was es ermöglicht, eine breite Palette von QA-Aufgaben zu automatisieren, einschließlich der Testfallentdeckung und -ausführung. Zusätzlich können große Sprachmodelle referenziert werden, Aufgaben automatisiert werden und Test-Suiten integriert mit dem QA Sphere-Testmanagement-System ausgeführt werden.