"容器化部署" 标签

基于 Model Context Protocol (MCP) 的新闻聚合与分析后端，提供资源查询、工具执行与 prompts 渲染，支持 STDIO 和 HTTP 传输、JSON-RPC 通信，适合作为 LLM 客户端的上下文与分析后端。

基于 Model Context Protocol (MCP) 的多代理协作型后端服务器，提供资源管理、工具注册与执行、以及可渲染的提示模板，通过 JSON-RPC 与客户端通信，并具备会话管理、观测性与多传输协议支持（如 Stdio、SSE、HTTP）。

基于 Model Context Protocol 的 MCP 服务器实现，提供文档处理资源、工具注册与执行、以及 Prompt/模板的上下文服务，支持通过 STDIO、HTTP/SSE 等传输协议与 LLM 客户端进行 JSON-RPC 通信，并具备健康检查、会话管理与多传输能力的后端服务框架。

基于 Model Context Protocol (MCP) 的后端服务器，实现资源管理工具与远程执行能力，面向 LLM 客户端通过 JSON-RPC 进行交互，提供跨云（AWS、Azure、Hetzner Cloud）资源访问与命令执行能力的服务器实现。

基于 Ray Serve 的 MCP（模型上下文协议）服务端实现，提供注册、管理与暴露 MCP 服务器的能力，并通过 HTTP/JSON-RPC 风格接口与客户端进行资源读取、工具调用与请求渲染等交互，同时支持通过侧车代理实现对外部 MCP 服务器的访问控制与转发。

基于 Model Context Protocol 的 MCP 服务器，提供资源、工具与提示模板的后端服务，通过 JSON-RPC 与 MCP 客户端通信，内置对 Mackerel API 的多工具封装，支持多传输通道（如标准输入输出、SSE、WebSocket）以向大语言模型客户端提供可扩展的上下文服务。

将 deepeval-wrapper 的评估逻辑通过 MCP 接口暴露为 FastAPI 服务，提供对 MCP 客户端的标准化上下文评估能力与对 wrapper 的直接访问能力。

基于模型上下文协议（MCP）的后端服务器，将 CyberChef 的海量数据处理操作和工具暴露给对话式AI客户端，支持资源管理、工具注册与执行，以及可定制的提示模板渲染，且通过 JSON-RPC 与客户端通信，覆盖多种传输方式（STDIO、HTTP、SSE、WebSocket），帮助生成式AI在执行数据处理任务时获得稳定、可扩展的上下文服务。

基于 Haskell 的 Model Context Protocol 服务器实现，提供 PTY 会话托管、工具执行与提示渲染等能力，通过标准输入输出与客户端进行 JSON-RPC 通信，支持 AI 驱动的系统交互、自动化与远程操作场景。

一个面向大型语言模型的 MCP 服务器模板仓库，提供多达17种独立的 MCP 服务器及底层核心组件，支持资源管理、工具注册与执行、Prompt 模板渲染，并通过 JSON-RPC 与客户端进行通信，适合本地自托管和容器化部署。

基于 Model Context Protocol（MCP）的后端服务器合集，提供 MCP 服务的资源管理、工具/客户端对接、模板/提示等能力，支持多协议交互与容器化部署，用于向 LLM 客户端提供统一的上下文和外部功能调用能力。

提供一个可容器化部署的MCP服务器，用于向LLM客户端提供GraphQL API作为上下文和工具。

基于AWS ECS Fargate的无状态MCP服务器示例实现，用于托管工具和提供上下文服务。

基于FastMCP框架实现的简单MCP服务器示例，提供一个hello_world工具，演示基本的MCP客户端-服务器交互。