GitHub 上 Star 数量前 8 的开源 MCP 项目

原文链接：GitHub 上 Star 数量前 8 的开源 MCP 项目 - NocoBase。

MCP 这个词真正被广泛提起，是在 2025 年年初，尤其是在 AI 工具开发圈。3 月，一场围绕 "MCP 是否能成为未来标准协议" 的争论彻底点燃了讨论热度。LangChain 和 LangGraph 的核心成员在 X 上激烈辩论，GitHub 上的 MCP 项目也接连走红。

图片来源：blog.langchain.com/mcp-fad-or-...

为什么 MCP 会火？

说到底，是因为开发者终于意识到：ChatGPT 能生成内容，但不会自动抓网页；Claude 能理解 PDF，却调用不了 API。模型虽强，却缺乏执行闭环，工具集成仍是瓶颈。

MCP 想解决的，正是这个"最后一公里"的问题。它像是模型的 USB-C 接口，帮 AI 统一接入浏览器、数据库、插件系统等，让模型不仅会说话，还能动手。

图片来源：norahsakal.com/blog/mcp-vs...

我们持续关注 GitHub 上优质开源项目，发现许多基于 MCP 理念的工具已在试图解决这类问题。有的专注自动化流程，有的主打插件扩展，还有的探索多模型协作。

这篇文章整理了 GitHub MCP 话题下关注度最高的 8 个项目，从简介、核心功能、部署集成到应用场景进行简要分析，供你在实际项目中参考使用。

💡 也欢迎阅读我们往期最受欢迎的 GitHub 项目系列文章：

💬 欢迎来到 NocoBase 的博客。NocoBase 是一个开源无代码/低代码开发平台，用于构建企业级应用、内部工具和流程系统，支持自托管，插件化设计，开发者友好。→ 在 GitHub 上了解更多

No.1: n8n

GitHub Star: 124k

GitHub: github.com/n8n-io/n8n

Website: n8n.io/

简介：

过去一年，n8n 从一个小众开源自动化工具迅速走红。它最初定位为 Zapier、Make 等平台的开源替代方案，支持可视化地连接各种 API 和服务，灵活度远高于传统自动化工具。

但 n8n 的远不止于此。它的爆火，是开源、自控需求与AI 共同作用的结果。随着 OpenAI、Hugging Face 等模型快速进入企业应用，n8n 成为开发者构建 AI 调用链、智能 Agent 和业务助手的理想选择。它不仅能轻松集成第三方模型服务，更能通过自定义逻辑，将 AI 真正嵌入到业务流程中，驱动实用的自动化智能。

核心功能：

可视化流程构建：通过拖拽节点的方式连接服务和操作，构建自动化执行链。
Webhook 与 API 支持：内置 Webhook 节点可接收来自 AI Agent 的结构化请求，API 节点支持向外部系统发送请求。
逻辑与数据处理：通过函数节点实现条件判断、循环处理和数据转换，支持灵活的任务控制。

部署与集成：

部署方式灵活：支持本地运行、Docker、一键安装和云端部署，适合个人或企业环境。
系统集成能力强：内置 500+ 集成，支持数据库、第三方 API、GPT、文件服务等

你可以用 n8n 做什么？

AI 助手调用外部服务

在聊天窗口输入"帮我安排明天下午的会议"，n8n 接收请求，提取对话上下文并发送给 OpenAI，模型识别出意图后，n8n 自动调用 Google Calendar 创建日程并回传确认信息。

企业知识库问答系统

用户提问"我们产品支持哪些支付方式？"，n8n 自动查询内部文档向量库，提取相关内容并拼接成上下文，交给模型生成精准回答，再通过企业微信回复用户。

模型生成内容自动入库

每天定时触发 GPT 总结昨天的销售聊天记录，n8n 处理返回内容，提取关键词、意向客户、下一步动作等信息，并写入 CRM 系统，同时在群里自动发一份日报摘要。

No.2: dify

GitHub Star: 109k

GitHub: github.com/langgenius/...

Website: dify.ai/

简介：

Dify 也是近一年在开源 AI 应用平台中快速蹿红的项目。它一开始的定位是 "开箱即用的 LLM 应用开发框架"，但如今已经成长为一个支持多模型、多应用形态的 AI 工作台 ------你可以用它搭建聊天机器人、Agent 流程、RAG 系统，甚至是 AI Copilot，无需从零开发。

Dify 提供了几乎"即插即用"的方案：支持调用 OpenAI、Claude、Gemini 等主流模型，支持复杂的上下文设置和变量输入，还内置了数据集、工作流、插件等能力，让你能像搭建低代码系统一样构建 LLM 应用。

核心功能：

双向 MCP 支持：既能连接 MCP 服务器，也能作为 MCP 服务器提供服务，直接解决 AI 与系统的指令交互问题。
可视化工作流搭建：通过拖拽方式快速创建 AI 应用和工作流，让 MCP 相关任务流程的设计更直观高效。
多模型与工具集成：支持接入全球大语言模型、集成工具插件及 RAG 管道，为 MCP 任务提供能力扩展基础。

部署与集成：支持 Docker 和 AWS AMI 一键部署，同时提供 SaaS 版本，适应不同规模使用环境，提供 API 与 Webhook 接口。

你可以用 Dify 做什么？

内部智能助手

上传公司文档，接入 OpenAI 或 Claude，配置几个常用问题和变量，你就能快速搭建一个懂业务、有记忆的企业内部智能助手。通过 Dify 提供的前端 SDK 和 API，几行代码就能嵌入到你的官网或系统中使用。

构建多轮问答的 RAG 应用

Dify 内置数据集管理和上下文控制功能，可以快速实现基于向量检索的多轮对话系统。不需要自己搭向量库、不需要调 prompt 逻辑，只需上传资料、配置模型，就能搭好一个带记忆的问答系统，用于客服、知识库或 AI Copilot。

用工作流编排模型和插件调用链

通过 Dify 的工作流功能，你可以将多个模型调用、插件执行、API 请求串联在一起，实现复杂的 Agent 逻辑。例如，让模型先理解用户意图，再调用数据库接口，再将结果加工后回复用户------整个流程都可以在可视化界面中搭建完成。

No.3: Open WebUI

GitHub Star: 104k

GitHub: github.com/open-webui/...

Website: openwebui.com/

简介：

Open WebUI 是一款专为本地部署设计的 LLM 聊天交互界面，可以与 OpenAI API、LM Studio、Ollama 等后端模型无缝连接。它不仅开源、轻量、支持多模型切换，还提供会话上下文、多用户支持、插件系统等功能。你可以把它理解为"开箱即用的 ChatGPT 前端"，也可以把它作为构建 AI Copilot 的起点。

Open WebUI 因其部署简单、交互体验好、可二次开发，成为不少开发者和团队构建内部 AI 应用的首选工具。

核心功能：

多模型与 API 集成：支持 Ollama 等 LLM 运行器及 OpenAI 兼容 API，可通过统一接口接收并处理 AI 模型的操作请求。
插件框架（Pipelines）：可加载自定义 Python 逻辑或功能插件，实现任务前后处理和工具调用。
本地与远程 RAG 支持：内置推理引擎，支持本地文档提取、远程网页集成及 RAG 管道构建，为 AI 任务提供上下文支撑。

部署与集成：提供 Docker 和 Kubernetes 部署方案，适合单机开发或企业集群环境，支持通过 REST API 调用模型与插件接口。

你可以用 Open WebUI 来做什么？

部署一个 ChatGPT 私有副本

将 Open WebUI 与本地部署的 LLM（如 Llama3、Mistral、Qwen 等）连接，就能在局域网内使用完整的 ChatGPT 功能。界面简洁，支持上下文、多轮对话，还能一键切换模型，适合公司内部知识问答或日常工作助手。

搭建开发团队的 AI 工具箱

前端写 prompt、后端调模型，团队成员还要各自复制环境？用 Open WebUI 可以实现集中配置模型、统一上下文模板，并通过角色设定管理多用户的会话环境，快速交付一个对齐风格的 AI 助理给所有人使用。

作为 LLM 应用的交互前端

如果你正在构建一个基于大模型的业务工具，可以把 Open WebUI 改造成前端壳，与你后端的推理服务、数据库、业务系统对接。借助其插件机制与 API 支持，它能承接问答、搜索、指令执行等一系列交互逻辑，成为一个轻量级的 Copilot 门面。

No.4: Netdata

GitHub Star: 75.2k

GitHub: github.com/netdata/net...

Website: www.netdata.cloud/

简介：

Netdata 是一个开源、实时的系统监控平台，可以展示服务器、容器、数据库、应用程序等的运行状态，几乎零配置即可启用。相比传统监控工具，它轻量、响应极快、可嵌入任意系统，在高频数据采集和可视化方面表现出色。

在大模型部署和 Agent 流水线变得复杂之后，Netdata 正成为许多技术团队在构建 MCP 系统时的"可观测性核心组件"。你不仅可以用它监控基础资源，还可以将推理延迟、上下文负载、调用错误等信息可视化，确保整个调用链稳定可控。

核心功能：

MCP 服务端功能：Netdata agents 和 Cloud 模块本身即 MCP 服务器，允许 AI 与系统监控数据交互。
实时监控与异常检测：提供实时性能指标、日志、告警和自动异常检测能力。
AI 辅助运维对话：支持通过自然语言访问基础设施状态，实现 AI 驱动的 DevOps 助理功能。

部署与集成

安装简单，可通过 Docker、包管理器或自主脚本部署在服务器、容器或云主机上。
具备 800 + 的集成，提供标准 MCP 接口，AI Agent 可实时请求监控数据。

你可以用 Netdata 来做什么？

实时监控大模型运行资源

Netdata 可以每秒刷新 GPU、CPU、内存、磁盘等关键指标，一眼看出是否出现瓶颈，非常适合部署本地大模型时使用。

构建 AI 工作流的监控面板

将 Netdata 嵌入你的推理服务或 Agent 调用链中，实时可视化接口调用次数、响应时间、上下文缓存使用情况等指标。你可以设置自动告警机制，第一时间发现异常，比如模型长时间未响应或请求失败率飙升。

给 AI 系统接入可视化"黑匣子"

Netdata 提供详细的调用轨迹和历史记录图表，帮助你还原问题发生时的上下文状态。无论是 RAG 系统故障、插件连接失败，还是 GPU 降频。

No.5: Lobe Chat

GitHub Star: 63.9k

GitHub: github.com/lobehub/lob...

Website: lobechat.com/

简介：

Lobe Chat 是一个开源的、UI 精致、功能强大的 LLM 聊天系统，支持多模型、多会话、多插件，完美适配 OpenAI、Claude、Gemini、Ollama 等主流模型。相比其他工具，Lobe Chat 更强调用户体验和扩展性，提供了对话变量、Prompt 模版、角色预设等高级功能，既适合个人使用，也适合团队打造专属 Copilot。

随着 MCP 架构在各类 AI 应用中的兴起，Lobe Chat 正成为开发者构建具备上下文感知、多模型调用和插件集成能力的前端入口 ，扮演着"人类交互层"的关键角色。

核心功能：

多模型与 RAG 支持：灵活接入 OpenAI、Claude、Gemini、本地模型，并集成知识库检索与上下文引用。
MCP 插件市场支持：内置 MCP 插件商店，可快速导入 Agent 功能与工具调用接口。
功能调用系统：支持函数调用插件协议，可跨模型触发外部操作流程。

部署与集成：支持一键免费部署私有聊天应用，可通过 Docker、Vercel 等方式进行自托管部署，快速搭建服务，支持通过 API 集成外部系统。

你可以用 Lobe Chat 来做什么？

一键部署自己的多模型助手

通过简单配置，你就能将多个本地或云端模型（如 Llama3、Qwen、GPT-4、Claude）接入 Lobe Chat，实现模型随时切换、统一对话体验。支持记忆、角色设定、插件调用------比 ChatGPT 更自由，还能私有部署。

搭建带插件能力的 AI Copilot

Lobe Chat 支持插件调用链，你可以配置插件连接数据库、搜索引擎、工具 API 等。当用户问"把这份表格导入 Notion 并汇总"时，模型可以自动调用插件完成操作，实现更强的多轮交互与任务执行。

打造可共享的 AI 应用界面

不只是聊天，Lobe Chat 还能快速构建 Prompt 工具和自定义 Agent 应用。通过分享链接或嵌入页面的方式，把一个智能问答场景快速发布给他人使用，适合内部工具或面向客户的轻量化产品。

No.6: Glama

GitHub Star: 63.6k

GitHub: github.com/punkpeye/aw...

Website: glama.ai/mcp/servers

简介：

和前面几个工具不同，Glama 是一个面向 MCP 协议的开源客户端，允许你在一个页面中连接并使用多个兼容 MCP 的服务（如上面的 LobeChat 和 Open WebUI）。它不提供模型推理能力，而是作为"聚合交互前端"，让你能像用 ChatGPT 一样，在一个界面中切换不同模型、插件和上下文服务。

Glama 提供了一种全新的"拼装式体验"------你可以选择任意支持 MCP 的模型后端，接入多个插件工具，甚至混用不同厂商的模型。对于开发者和 AI 工程师来说，它是观察、测试和协同多个 AI 服务的统一窗口。

核心功能：

丰富 MCP 服务器聚合：整合了 Kong Konnect、Powerdrill、YingDao RPA、StarTree 等大量官方 MCP 服务器，覆盖 API 网关、数据分析、RPA 自动化、数据库交互等多元场景。
标准化交互支持：所有聚合的 MCP 服务器均遵循 Model Context Protocol 规范，确保 AI 模型能以统一格式发出操作请求。
精准资源检索：提供搜索功能，可按 MCP 服务器、工具等关键词快速查找所需资源，帮助用户高效匹配适配特定业务场景的 MCP 服务。

部署与集成：提供网页版服务与 API 接口，企业用户可直接接入。支持通过接口集成公司业务系统与数据库，基于 MCP 协议接收任务指令。

你可以用 Glama 来做什么？

管理多个 MCP 服务的一站式面板

你可以同时接入多个聊天服务（如 LobeChat、Open WebUI）、多个插件服务器（如 AI-Plugins Server），在一个页面中自由切换它们，统一体验、统一上下文，不再东跳西跳。

快速测试 Agent 与插件协作效果

使用 Glama，可以直接尝试不同 MCP 后端如何调用插件、如何解析用户请求。比如测试一个数据库插件是否在不同模型服务下都能顺利运行，或比对它们对用户指令的响应差异，便于调优系统表现。

构建"模型集群 + 插件"的产品雏形

如果你打算搭建自己的 AI Copilot 产品或平台，可以先用 Glama 拼接出一个完整的功能结构原型。比如左边选模型、中间交互、右边显示插件调用日志，一套 MCP 架构的闭环体验即可跑通，为后续定制开发打下基础。

No.7: RAGFlow

GitHub Star: 61.1k

GitHub: github.com/infiniflow/...

Website: ragflow.io/

简介：

RAGFlow 是由 infiniflow 团队开源的一个用于构建 RAG（检索增强生成）系统的开发框架。它强调工程化能力，支持模块化流程编排、检索/生成解耦、上下文链路可视化和可调试性等特性。你可以把它看作是一个专注于搭建稳定、可控、可追踪的知识问答系统的流水线工具。

与 LangChain、LlamaIndex 这类通用型框架相比，RAGFlow 更偏向"后端基础设施"，追求可复现、可测试、可观测的 RAG 流程，尤其适合团队内部打造复杂问答系统、AI Copilot 和企业知识搜索等场景。

核心功能：

深度文档解析：能处理各类复杂格式数据（如多格式文件、结构化内容等），通过深度理解提取关键信息，为 AI 任务提供高质量上下文。
知识库构建与管理：支持创建专属知识库，可对上传文件进行解析、存储和维护。
检索增强生成联动：与 LLM 集成后，能基于检索到的知识生成带准确引用的回答。

部署与集成：提供 Docker Compose 部署方式，可与各类 LLM 集成。

你可以用 RAGFlow 来做什么？

搭建模块化的企业知识库问答系统

RAGFlow 支持对文档预处理、分块策略、嵌入生成、索引结构等每一步进行模块化配置，并支持替换组件、插入自定义节点。你可以精准控制知识库构建流程，打造适配自己业务的 RAG 系统。

构建"可调试"的 RAG 调用链

调一个 RAG 系统最难的是哪里错了？RAGFlow 内置链路可视化和数据追踪能力，让你清楚知道是哪个检索 query 没命中、哪一轮上下文太长被截断，帮助你快速优化整个回答流程。

组合 Agent + RAG 架构

你可以将 RAGFlow 作为一个组件集成进更大的 LLM Agent 系统中，例如结合 Dify 或 Lobe Chat，通过插件或 API 调用方式实现复杂意图识别 → 检索 → 回答的三段式闭环。特别适合构建财务助手、客服助手等强业务感知型 Agent。

No.8: AnythingLLM

GitHub Star: 47.1k

GitHub: github.com/Mintplex-La...

Website: anythingllm.com/

简介：

AnythingLLM 是一个开源的桌面版与 Docker 部署的全栈应用：内置 RAG、AI Agent、可视化/无代码的 Agent 编排，并且原生兼容 MCP。它支持多家模型与本地/云端向量库、提供多用户与可嵌入的聊天组件，用来快速把"知识 + 模型 + 工具"拼成可用的 AI 应用，非常适合私有化与团队协作场景。

核心功能：

多模型与文档交互：支持本地运行自定义模型或对接云端模型（如 OpenAI、Azure 等），能处理 PDF、Word、CSV 等多种格式文档。
自定义 Agent 与技能扩展：支持通过 Agent Skills 为 AI 助手添加自定义能力，结合 MCP 协议可实现自动化任务执行。
本地化交互与隐私保障：默认在本地运行 LLM、向量数据库及存储组件，AI 指令及数据处理均在本地完成。

部署与集成：支持桌面端一键安装，也可通过 Docker 实现自托管部署。提供开发者 API，可与现有产品集成。

你可以用 AnythingLLM 来做什么？

搭建私有 ChatGPT + 知识库

把 PDF/网页等资料拖入"Workspace"，自动切分、嵌入并带引用回答；本地或云端运行，都能给团队一个可控的内部问答入口。

Agent + MCP 工具链落地

在 UI 里配置 MCP 服务器，让对话中的 Agent 能调用外部工具（如检索、爬取、数据库读写），把"理解 → 获取数据 → 处理 → 回答"串成闭环，无代码就能跑通原型。

多模型/多向量库灵活拼装

同时接入 OpenAI/Claude/Gemini 及本地 Ollama 等模型；向量库可选 LanceDB、PGVector、Pinecone、Milvus、Qdrant 等，并可将聊天小组件嵌入到你的网页/系统里，实现从后端到前端的完整交付。

总结

这几个月，MCP 从一个小众概念变成了开发者们热议的焦点。虽然标准还没完全确定，工具也还在不断完善，但越来越多项目开始用 MCP 让 AI 不只是会说话，而是真的能动手完成任务。

对于正在做 AI 集成和自动化的开发者来说，MCP 提供了一个思路：不仅关注模型的智能，还要让它能连接外部系统，这样才能让 AI 在真实业务场景中真正发挥作用。

希望本文能为你在 AI 项目的整合和开发上，提供一些参考和启发。

相关阅读：