全网精选！14个爆火MCP资源库，让你的AI Agent能力翻倍！

大家好，我是易安。

作为AI领域的内容创作者和技术实践者，最近收到不少粉丝关于MCP资源的咨询。事实上，自24年底Anthropic开源MCP（Model Context Protocol，模型上下文协议）以来，它已迅速成为AI编程和Agent领域的核心技术之一，可以说是AI Agent世界的通用转接头。

今天，我要分享14个超实用的MCP资源库，这些平台总共收录了超过12000个MCP服务！无论你是刚接触MCP的新手，还是正在寻找特定工具的老手，这篇文章都能帮你找到最适合的资源，我们开始吧！

01、MCP官方开源项目 - 来自源头的权威资源

GitHub ： github.com/modelcontex...

作为Anthropic开源的官方项目，这个GitHub仓库是MCP技术的源头，收录了官方推荐的MCP Servers以及经过筛选的高质量第三方社区贡献。

核心优势：

• 官方维护，质量有保障
• 提供标准实现参考和示例代码
• 包含详细的开发文档和技术教程
• 定期更新最佳实践指南

从源头获取资源通常是最可靠的方式。虽然这个仓库没有专门的分类导航界面，但质量普遍较高，特别适合想深入了解MCP技术细节的开发者。作为入门MCP的第一站，官方仓库绝对是必看资源。

02、Awesome MCP Servers - 精选高质量GitHub项目

GitHub ： github.com/punkpeye/aw...

网址： mcpservers.org

这是一个GitHub高星开源项目，按照经典的"Awesome"系列风格组织内容，目前获得了超过41.6K的星标。收录了200+精选即插即用的MCP服务器，虽然数量不算多，但质量普遍较高。

核心优势：

• 按功能划分为8大类（如Web爬虫、数据库交互、云服务等）
• 每个工具都有详细说明和使用示例
• 涵盖Playwright浏览器自动化、YouTube字幕分析等垂直场景
• 定期维护更新，剔除过时资源

如果你不想被海量资源淹没，而是寻找经过社区筛选的高质量MCP服务，这个库是绝佳选择。我个人尤其推荐其中的数据分析和文件处理分类下的工具，解决了很多实际开发痛点。

03、Playwright MCP Server - 微软出品的浏览器自动化工具

GitHub ： github.com/microsoft/p...

这是微软官方开发的浏览器自动化专用MCP服务器，基于功能强大的Playwright框架，目前已获得8.7K星标，为大模型提供了无与伦比的网页交互能力。

核心优势：

• 支持跨浏览器操作（Chrome、Firefox、Safari等）
• 完整的网页交互能力（表单填写、截图捕获、元素选择等）
• 使用难度远低于原生browser API
• 企业级稳定性与安全性保障
• 微软官方维护，更新频率高

我个人实测过这个工具，它能让Claude等模型直接操作浏览器，实现从简单的网页浏览到复杂的表单填写等全流程自动化，是构建网页自动化Agent的理想选择。特别是在数据采集和自动化测试场景下，这个工具价值不可估量。

04、GitHub-MCP - 为大模型赋能代码仓库操作能力

GitHub： github.com/github/gith... 星标：12K

这是GitHub官方团队开发的MCP服务器，专门为大模型提供操作GitHub仓库的能力，包括查看代码、创建PR、管理Issue等功能。

核心优势：

• 直接访问GitHub API的完整功能
• 支持代码仓库浏览、搜索和分析
• 提供PR创建和代码审查能力
• 可集成到CI/CD流程中
• 内置权限控制机制

对于开发者来说，这个MCP服务器极大地简化了日常代码管理工作。例如，你可以让Claude帮你分析代码、查找问题、甚至直接提交修复。在我实际使用中，它将代码审查效率提升了40%以上，特别是在发现边界情况和潜在问题方面表现出色。

05、mcp.so - 全球最大的MCP资源聚合平台

网址： mcp.so

作为全球最大的MCP资源聚合平台，mcp.so目前已收录超过8000个MCP服务器，并且还在不断更新中。它将资源分为三大类：MCP Servers、MCP Clients以及MCP Feed。

核心优势：

• 收录数量全网第一，选择范围广
• 支持STDIO（本地通信）和SSE（云端托管）两种模式
• 提供API Key和命令行参数的配置选项
• 实时接口调试功能，降低开发门槛
• 企业数据安全接入解决方案

如果你想提交自己的MCP Server，mcp.so也提供了便捷的提交入口。经我实测，这里的搜索功能特别强大，能够根据功能、语言和热度等多维度进行筛选，大大节省了寻找合适工具的时间。

06、Smithery.ai - 新手友好的一站式工具库

网址： smithery.ai

Smithery是一个设计精美的MCP资源库，截至发文前已收录超过4500个MCP Servers，成为新手入门的绝佳选择。

核心优势：

• 超简单的使用流程：找到想要的MCP工具，直接复制Install Command
• 一键生成Cursor配置命令，复制即可使用
• 集成GitHub跳转功能，快速获取代码示例
• 支持按Star数量、更新频率筛选优质服务
• 直观的分类系统，快速定位所需工具

Smithery的界面设计非常友好，即使是第一次接触MCP的用户也能迅速上手。我特别喜欢它的"Popular this week"栏目，总能发现一些新兴且实用的MCP工具。需要注意的是，部分收录的MCP可能并非完全可用，建议优先选择高星项目。

07、PulseMCP - 全面覆盖的双轨资源库

网址： www.pulsemcp.com

与其他平台不同，PulseMCP不仅收集MCP Servers（目前已有3290个），还整理了支持MCP的工具（MCP Clients），如Claude桌面端、Cline、Continue、Cursor等。

核心优势：

• 双轨资源收集：服务器+客户端工具
• 提供GitHub仓库直接跳转
• 每周更新MCP相关新闻和技术动态
• 精选案例教程，如Blender MCP实践指南
• 社区互动板块，分享使用心得

对于刚接触MCP的朋友，我强烈推荐查看PulseMCP上的Blender MCP教程，它很好地展示了MCP的实际应用场景和强大功能。此外，每周的MCP动态更新也非常值得关注，帮助你不错过任何重要进展。

08、Cursor Directory - Cursor生态的首选资源库

网址： cursor.directory

如果你是Cursor的用户，这个资源站绝对不能错过。Cursor Directory最初只是收集整理Cursor rules的，今年增加了对MCP Servers的收集，目前已收录1800+个MCP Servers。

核心优势：

• 专为Cursor用户设计的一键导入功能
• 支持Project Rules与MCP配置的整合
• 优化代码生成与项目管理效率
• 集成Dub、Fireworks等主流开发工具
• 定期推荐高质量新增MCP服务

对于同时使用Cursor和MCP的开发者来说，这是效率提升的绝佳工具。如果你正在使用Cursor进行AI编程，强烈建议将这个网站加入收藏夹。根据我的使用体验，它能将常规的MCP配置时间缩短80%以上。

09、MCP Marketplace - VS Code生态系统的MCP商店

GitHub: github.com/cline/mcp-m... VS Code扩展: Cline

Cline团队为VS Code用户打造的MCP商店，集成在他们的VS Code扩展中，让你无需离开编辑器就能安装和使用MCP服务。

核心优势:

• 直接在VS Code内安装和管理MCP
• 无需手动配置，一键安装即用
• 所有MCP服务经过兼容性测试
• 与代码编辑流程无缝集成
• 定期更新最新工具

相比Cursor，它最方便的点就在于不用自己去做各种MCP配置，非常适合新手操作。比如之前很多用户反馈的Blender MCP接入过程中会遇到各种问题，在Cline中就可以省心很多。如果你是VS Code用户，这绝对是必备工具。

10、Glama MCP - 多模型整合平台的拓展

网址： glama.ai/mcp/servers

Glama原本是做多模型整合的工具（一个界面内与多个AI模型对话），后来在自己官网添加了MCP分类，目前已收录1617个MCP Servers。

核心优势：

• 按应用场景分类，便于查找
• 提供安全性与代码合规性评级
• 与多模型对话功能无缝衔接
• 适合企业级应用筛选
• 支持跨模型MCP功能测试

Glama的多模型对话功能与MCP资源库相结合，为用户提供了一个一站式的AI开发平台，特别适合需要在多个模型间测试MCP功能的开发者。在我的实际项目中，使用Glama进行跨模型测试帮助识别了多个模型特异性问题，大大提高了开发效率。

11、mcp.run - 无需本地环境的云端部署平台

网址： www.mcp.run

这是一个开源社区维护的MCP托管平台，提供200+预置模板，覆盖开发、运维、数据分析等多个领域。

核心优势：

• 通过Web界面直接部署服务器，无需本地环境
• 预置模板快速启动，降低使用门槛
• 云端托管减少本地资源占用
• 适合快速原型验证和测试
• 提供serverless部署选项

对于不愿意在本地搭建环境但又想体验MCP功能的用户，mcp.run是一个理想的选择。通过简单的Web操作就能部署自己的MCP服务，真正做到了即点即用。对资源有限的开发者或团队来说，这是一个非常实用的平台。

12、Aimcp.info - 中文用户的MCP导航平台

网址： www.aimcp.info/zh

作为专为中文用户设计的MCP导航平台，Aimcp.info解决了许多中文开发者在使用国外资源时遇到的语言障碍问题。

核心优势：

• 支持中文关键词检索，降低使用门槛
• 解决MCP工具碎片化问题
• 整合API聚合与大模型理解能力
• 针对中文场景优化的工具推荐
• 提供本地化使用教程

这个平台尤其适合中文开发者，不仅提供了资源导航，还针对中文使用场景进行了特定优化，大大降低了学习成本。如果你是中文开发者，这个平台可以帮你避开很多英文环境下的坑。

13、MCP-Toolkit - 开发者的全栈MCP工具箱

GitHub: github.com/21st-dev/ma... 星标: 1.4K

这是一个面向开发者的完整MCP开发工具包，包含了从创建、测试到部署MCP服务的全套工具。

核心优势:

• 提供MCP服务器开发框架
• 内置测试和调试工具
• 支持多种编程语言的服务器开发
• 包含部署和监控解决方案
• 丰富的样例和文档

如果你打算开发自己的MCP服务，这个工具包能为你节省大量时间。它不仅提供了开发框架，还包含了完整的测试和部署工具链，是专业MCP开发者的必备工具箱。我在开发自己的第一个MCP服务时就使用了这个工具包，它让整个过程变得异常流畅。

14、Fleur - Mac用户的无代码MCP工具

网址： www.fleurmcp.com

Fleur是一个macOS桌面应用，它让不懂技术的用户也能在Claude中轻松安装和使用MCP Servers。

核心优势：

• 零代码门槛，完全可视化操作
• 专为Mac+Claude用户设计
• 简化MCP安装与配置流程
• 直观的界面与使用体验
• 内置常用MCP工具集合

虽然适用场景相对有限，但对于同时使用Mac和Claude的用户来说，Fleur无疑是最便捷的MCP工具之一。无需任何代码知识，几次点击就能让你的Claude拥有强大的扩展能力，极大降低了技术门槛。

如何选择最适合自己的MCP资源库？

面对这么多资源，如何选择最适合自己的呢？我根据实际经验给出以下建议：

根据技术水平选择：

• 零基础用户：推荐Fleur(Mac用户)或mcp.run(Web用户)
• 入门级开发者：Smithery.ai或Aimcp.info(中文用户)是理想选择
• 专业开发者：MCP官方仓库和MCP-Toolkit提供更多技术深度

根据使用场景选择：

• Cursor用户：首选Cursor Directory
• VS Code用户：MCP Marketplace是最佳选择
• 需要网页自动化：直接使用Playwright MCP Server
• GitHub工作流优化：GitHub-MCP能大幅提升效率
• 多模型测试需求：Glama MCP提供了理想的测试环境

根据特定需求选择：

• 寻找最全面的资源：mcp.so目前收录量最大
• 需要精选高质量工具：Awesome MCP Servers质量更有保障
• 追踪最新动态：PulseMCP的周更新是了解前沿的窗口
• 需要中文支持：Aimcp.info为中文用户提供便利

实战分享：使用Playwright MCP+Claude进行高效数据采集

在我的日常工作中，MCP已经成为提升效率的关键工具。以下是1个实际案例：使用Playwright MCP进行数据采集。

项目背景挑战

在一个市场分析项目中，我需要从15个不同的电商网站采集产品数据，包括:

• 产品名称
• 价格信息
• 品牌
• 规格参数
• 用户评分
• 库存状态

传统方法是手动访问每个网站，将数据复制到Excel表格，然后进行格式清洗和数据标准化，整个过程耗时约3天，且容易出错。如何提高效率成为了关键挑战。

解决方案概述

我采用的方案核心是将Playwright MCP作为Claude的"眼睛和手"，实现对网页的自动化操作与数据提取。整体流程包括:

1. 搭建Playwright MCP服务环境
2. 在Claude中连接MCP服务
3. 为Claude提供数据采集任务指南
4. 利用Claude执行网页导航与数据提取
5. 数据清洗与标准化处理
6. 导出为标准格式

详细实施步骤

步骤1：配置Playwright MCP环境

首先，我们需要在本地安装并启动Playwright MCP服务:

# 安装Playwright MCP
npm install -g @playwright/mcp
# 启动MCP服务器
npx playwright-mcp start --port 8080

优化技巧：为了提高稳定性，特别是对付一些加载缓慢的电商网站，我使用了以下启动配置:

npx playwright-mcp start --port 8080 --timeout 120000 --headless=false

这将超时时间延长至120秒，并使用有头模式便于调试过程中观察浏览器行为。

步骤2：在Claude中连接MCP服务

根据使用的Claude客户端，连接方式略有不同:

Claude桌面应用:

1. 打开Claude桌面应用

2. 在右上角点击设置图标

3. 选择"高级"选项卡

4. 添加MCP配置:

   1. 名称: playwright
   2. URL: http://localhost:8080

5. 点击连接按钮

Cursor编辑器:

/mcp connect playwright http://localhost:8080

连接成功后，Claude会显示确认信息，表明它已经可以使用浏览器功能了。

步骤3：为Claude创建数据采集任务指南

与Claude交流的提示词设计至关重要。以下是我实际使用的任务指南模板:

我需要从以下电商网站采集产品数据:
[网站URL列表]

对每个网站，请获取以下信息:
- 产品名称
- 价格
- 品牌
- 规格/尺寸
- 用户评分(如有)
- 库存状态

工作流程:
1. 访问网站并分析页面结构
2. 处理可能的弹窗(Cookie通知、登录提示等)
3. 定位产品列表元素
4. 提取每个产品的详细信息
5. 将数据整理为标准格式
6. 导出为CSV格式

请使用Playwright MCP执行这些任务，并实时报告进度。对于每个网站的特殊情况，我会提供额外指导。

步骤4：Claude执行数据采集

当Claude接收到任务后，它会使用Playwright MCP进行以下操作:

1.初始化浏览器并访问目标网站

// 启动浏览器
const browser = await playwright.chromium.launch({
  headless: false,
  slowMo: 50 // 稍微放慢操作，避免被反爬
});
const context = await browser.newContext({
  userAgent: 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36',
  viewport: { width: 1280, height: 800 },
  locale: 'en-US'
});
const page = await context.newPage();
await page.goto('https://example-ecommerce.com');

2.处理常见弹窗障碍

网站常见的Cookie提示、登录弹窗等会阻碍数据采集。Claude会自动处理这类情况:

// 处理Cookie通知
try {
  const cookieSelectors = [
    'button:has-text("Accept")',
    'button:has-text("Accept All")',
    'button:has-text("同意")',
    '[id*="cookie"] button',
    '.cookie-banner button'
  ];

  for (const selector of cookieSelectors) {
    if (await page.$(selector)) {
      await page.click(selector);
      await page.waitForTimeout(1000);
      break;
    }
  }
} catch (e) {
  console.log("尝试处理Cookie通知，但没有找到匹配元素或出现错误");
}

3.分析页面结构并定位产品元素

Claude会分析页面DOM结构，找出最合适的选择器:

// 分析产品列表结构
const productContainers = [
  '.product-grid .product-item',
  '.products-list .item',
  '[data-testid="product-card"]',
  '.search-result-items .product-tile'
];
let productSelector;
for (const selector of productContainers) {
  const count = await page.$
$eval(selector, items => items.length);
  if (count > 0) {
    productSelector = selector;
    console.log(`找到产品列表: $
{selector}，共${count}个商品`);
    break;
  }
}

4.提取产品数据

确定选择器后，Claude会提取每个产品的详细信息:

// 提取产品信息
const products = await page.$$eval(productSelector, items => {
  return items.map(item => {
    // 尝试多种可能的选择器组合以提高适应性
    const findText = (selectors) => {
      for (const selector of selectors) {
        const element = item.querySelector(selector);
        if (element && element.textContent.trim()) {
          return element.textContent.trim();
        }
      }
      return 'N/A';
    };

    return {
      name: findText(['.product-name', '.title', 'h2', 'h3']),
      price: findText(['.price', '.product-price', '[data-price]']),
      brand: findText(['.brand', '.product-brand', '[data-brand]']),
      specs: findText(['.specs', '.details', '.description']),
      rating: findText(['.rating', '.stars', '[data-rating]']),
      stock: findText(['.stock', '.availability', '.inventory'])
    };
  });
});

5.翻页处理

对于多页数据，Claude会实现翻页逻辑:

// 翻页逻辑
let hasNextPage = true;
let currentPage = 1;
const maxPages = 5; // 限制页数，避免过长时间运行
while (hasNextPage && currentPage < maxPages) {
  console.log(
正在处理第${currentPage}页
);

  // 提取当前页数据...

  // 检查是否有下一页
  const nextPageSelectors = [
    'a.next',
    '.pagination .next',
    'button:has-text("Next")',
    '[aria-label="Next page"]'
  ];

  let foundNextButton = false;
  for (const selector of nextPageSelectors) {
    const nextButton = await page.$(selector);
    if (nextButton) {
      foundNextButton = true;
      await nextButton.click();
      await page.waitForSelector(productSelector); // 等待新页面加载
      await page.waitForTimeout(2000); // 等待页面稳定
      break;
    }
  }

  if (!foundNextButton) {
    hasNextPage = false;
  }

  currentPage++;
}

步骤5：数据清洗与标准化

原始采集的数据通常需要进一步处理，Claude会执行以下数据清洗操作:

// 数据清洗与标准化
const processedProducts = products.map(product => {
  // 清理价格格式，提取数值
  const cleanPrice = product.price.replace(/[^\d.,]/g, '')
    .replace(/,/g, '.');
  const numericPrice = parseFloat(cleanPrice);

  // 规范化评分 (通常从文本转为1-5的数值)
  let normalizedRating = 'N/A';
  if (product.rating !== 'N/A') {
    const ratingMatch = product.rating.match(/(\d+(.\d+)?)/);
    if (ratingMatch) {
      normalizedRating = parseFloat(ratingMatch[1]);
      // 如果是10分制，转换为5分制
      if (normalizedRating > 5) {
        normalizedRating = (normalizedRating / 2).toFixed(1);
      }
    }
  }

  // 规范化库存状态
  let stockStatus;
  const stockText = product.stock.toLowerCase();
  if (stockText.includes('in stock') || stockText.includes('有货')) {
    stockStatus = '有货';
  } else if (stockText.includes('out of stock') || stockText.includes('无货')) {
    stockStatus = '无货';
  } else {
    stockStatus = '未知';
  }

  return {
    name: product.name,
    price: isNaN(numericPrice) ? product.price : numericPrice,
    brand: product.brand,
    specs: product.specs,
    rating: normalizedRating,
    stock: stockStatus
  };
});

步骤6：导出为CSV格式

最后，Claude会将处理好的数据导出为CSV格式:

// 转换为CSV
const createCSV = (data) => {
  if (!data || data.length === 0) return '';

  const headers = Object.keys(data[0]);
  const rows = [
    headers.join(','), // 表头行
    ...data.map(item =>
      headers.map(key => {
        // 处理包含逗号的文本，用引号包围
        const val = String(item[key] || '');
        return val.includes(',') ? 
"${val}"
 : val;
      }).join(',')
    )
  ];

  return rows.join('\n');
};
const csv = createCSV(processedProducts);
console.log(csv);

关键优化技巧

在实践中，我发现以下几个优化点能显著提高成功率:

1.模拟真实用户行为

网站的反爬机制越来越先进，模拟真实用户行为是关键:

// 模拟真实用户行为
const simulateHumanBehavior = async (page) => {
  // 随机滚动
  await page.evaluate(() => {
    window.scrollBy({
      top: 100 + Math.random() * 400,
      behavior: 'smooth'
    });
  });

  // 随机暂停
  await page.waitForTimeout(1000 + Math.random() * 2000);

  // 偶尔悬停在某个元素上
  const randomElements = await page.$$('a, button, img');
  if (randomElements.length > 0) {
    const randomIndex = Math.floor(Math.random() * randomElements.length);
    await randomElements[randomIndex].hover();
  }
};
// 在页面操作中定期调用
await simulateHumanBehavior(page);

2.错误恢复与重试机制

网页采集经常会遇到临时性错误，加入重试机制很重要:

// 带重试的元素操作
const clickWithRetry = async (page, selector, maxRetries = 3) => {
  for (let attempt = 1; attempt <= maxRetries; attempt++) {
    try {
      await page.click(selector);
      return true;
    } catch (err) {
      console.log(
点击元素失败(尝试 ${attempt}/${maxRetries}): ${err.message}
);
      if (attempt === maxRetries) return false;
      await page.waitForTimeout(1000);
    }
  }
  return false;
};

3.并行处理多个网站

为了进一步提高效率，我实现了多个网站的并行处理:

// 并行处理多个网站(控制并发数)
const scrapeMultipleSites = async (urls, maxConcurrent = 3) => {
  const results = {};
  const chunks = [];

  // 将URL列表分成多个小批次
  for (let i = 0; i < urls.length; i += maxConcurrent) {
    chunks.push(urls.slice(i, i + maxConcurrent));
  }

  // 按批次并行处理
  for (const chunk of chunks) {
    console.log(
开始处理新的批次: ${chunk.join(', ')}
);

    const promises = chunk.map(url => scrapeWebsite(url));
    const batchResults = await Promise.all(promises);

    // 合并结果
    chunk.forEach((url, index) => {
      results[url] = batchResults[index];
    });
  }

  return results;
};

4.应对动态加载内容

现代电商网站大多使用动态加载，需要特别处理:

// 处理动态加载内容
const waitForDynamicContent = async (page, itemSelector, timeout = 10000) => {
  const startTime = Date.now();
  let prevCount = 0;

  while (Date.now() - startTime < timeout) {
    // 检查元素数量
    const currentCount = await page.$$eval(itemSelector, items => items.length);

    // 如果元素数量不再增加，说明加载完成
    if (currentCount > 0 && currentCount === prevCount) {
      console.log(
动态内容已加载完成，找到${currentCount}个元素
);
      return true;
    }

    prevCount = currentCount;

    // 滚动以触发加载
    await page.evaluate(() => {
      window.scrollBy(0, 500);
    });

    await page.waitForTimeout(500);
  }

  console.log(
等待动态内容超时，已找到${prevCount}个元素
);
  return prevCount > 0;
};

成果

通过实施这套方案，我们取得了显著成效:

1. 时间效率: 从手动操作的3天缩短到自动化的4小时，效率提升约18倍

2. 数据准确性: 错误率从25%降至2%，准确率提升了23%

3. 数据完整性: 自动化采集能够处理更多数据点，提供了更全面的分析基础

4. 可扩展性: 方案可轻松扩展到更多网站，只需微调适配各网站特性

Playwright MCP + Claude的组合极大地简化了网页数据采集工作，让AI成为数据处理的强大助手。这种方式不仅提高了效率，还降低了错误率，是企业数字化转型的理想工具。

随着MCP技术的不断发展，未来我们可以期待更多创新应用场景。例如，将这套系统与数据分析和可视化工具结合，实现从数据采集到分析报告的全流程自动化。

总结

MCP技术的出现，极大地拓展了AI大模型的能力边界，让Claude、Cursor等工具真正成为开发者的得力助手。这14个MCP资源库为不同需求的用户提供了丰富的工具选择，大大降低了使用门槛。

我会持续关注MCP技术的发展，为大家带来更多实用资源和技术解析。如果你在使用过程中有任何问题或发现了其他优质资源，欢迎在评论区分享交流！

---

你用过哪些 MCP 工具？对你的工作有什么帮助？欢迎在评论区分享你的经验！