AI и машинное обучение

MCP-серверы для AI и машинного обучения связывают ИИ-агента с моделями, датасетами, экспериментами, инференсом и инструментами подготовки ML-пайплайнов. ML-инженерам и исследователям стоит сравнивать поддерживаемые платформы и версии, происхождение данных, вычислительные лимиты, приватность, контроль запуска и воспроизводимость результатов. Интеграции из раздела «AI и машинное обучение» безопаснее подключать к рабочим системам сначала в режиме чтения и с журналом действий.

Найдено: 219 MCP-серверов· стр. 9 из 19

engram

engram

NickCirv

14314окт. 2026

Engram — это кэш контекста для AI-агентов, которые пишут код. Главная задача агента — понимать проект. Без кэша он перечитывает одни и те же файлы снова и снова, тратя токены впустую. Engram решает эту проблему кардинально: он сохраняет структурированные пакеты контекста в локальную SQLite-базу. При повторном запросе агент берёт готовый контекст из кэша, а не читает файлы заново. Это снижает расход токенов до 89% (типичные значения 50–90%). Эффект особенно заметен на больших файлах — в проектах на Python и Go, где целые файлы занимают много места в контексте. Engram хранит данные локально. Никакие данные не уходят в облако — конфиденциальность кода полностью соблюдена. Дополнительная функция: Engram анализирует историю git revert и автоматически запоминает ошибки, чтобы AI не повторял их в будущем. Это встраивает процесс обучения на прошлых исправлениях прямо в инструмент и снижает количество регрессий.

Готовый конфигНа странице есть команда или JSON-конфиг для подключенияЛокальный · stdioТранспорт MCPTypeScriptЯзык реализации
evalview-mcp

evalview-mcp

hidai25

14226нояб. 2026

EvalView — MCP-сервер для регрессионного тестирования AI-агентов. Он решает проблему скрытых регрессий: агент может вернуть HTTP 200, но вести себя неправильно — выбрать другой инструмент, пропустить обязательный шаг уточнения или выдать результат хуже по качеству. Обычные end-to-end тесты не замечают такого дрифта. EvalView записывает эталонное поведение агента («золотой эталон») и при каждом новом запуске сравнивает с ним выбор инструментов, цепочки вызовов и метаданные. Пример из жизни: вы обновили модель с GPT-4 на GPT-4o. Код не менялся, health check проходит. Но агент начал использовать вместо инструмента «Поиск» инструмент «Генерация ответа» — пользователь получает неактуальные данные. EvalView обнаружит это изменение, классифицирует как дрифт провайдера и покажет оценку уверенности. Если режим исцеления настроен, сервер может автоматически повторить вызов с другим промптом или направить разработчику. Сервер подходит для команд любого размера — от соло-разработчиков до стартапов. Он интегрируется с CI/CD, поддерживает LangGraph, CrewAI, OpenAI и Claude. Код открыт под лицензией Apache-2.0.

Готовый конфигНа странице есть команда или JSON-конфиг для подключенияЛокальный · stdioТранспорт MCPPythonЯзык реализации
shellward

shellward

jnMetaCode

14024сент. 2026

ShellWard — это MCP-сервер, который работает как межсетевой экран для AI-агентов. Он встраивается между агентом (Claude Desktop или любой другой MCP-клиент) и его инструментами: командной оболочкой, файловой системой, HTTP-запросами, почтовыми сервисами. Сервер перехватывает каждый вызов инструмента в реальном времени и проверяет его по восьми уровням защиты. ShellWard сканирует данные на наличие персональной информации (PII), анализирует shell-команды на опасность, детектирует промпт-инъекции и блокирует утечки данных (DLP). Это своего рода корпоративный firewall, адаптированный под AI-агентов. Данные внутри системы используются свободно, но наружу ничего не выходит. Одна промпт-инъекция может привести к краже базы клиентов, удалению сервера или отправке данных хакеру. Без такого firewall AI-агент становится уязвимым инструментом. ShellWard решает эту проблему, выступая в роли прокси-слоя безопасности: он даёт агенту доступ к файлам и командам, но блокирует любые попытки использовать этот доступ во вред.

Готовый конфигНа странице есть команда или JSON-конфиг для подключенияЛокальный · stdioТранспорт MCPTypeScriptЯзык реализации
mcp-server

mcp-server

BingoWon

116нояб. 2026

Разработчикам под экосистему Apple нужна точная и актуальная документация. Обычный поиск по сайту разработчика часто выдаёт нерелевантные страницы, если запрос сформулирован не дословно. Приходится перебирать десятки страниц, чтобы найти ответ. Apple RAG MCP решает эту проблему принципиально иначе. Сервер использует семантический поиск, RAG (Retrieval-Augmented Generation) и AI-реранжирование. Он понимает смысл вопроса, а не просто ищет совпадения слов. На запрос «Как избежать утечек памяти в SwiftUI?» ассистент получит не общие страницы про память, а конкретные статьи Apple об управлении памятью, захвате замыканий и слабых ссылках. База знаний уже включает полную документацию Apple Developer, справочники по всем фреймворкам и расшифровки сессий WWDC. Вам не нужно ничего настраивать, скачивать индексы или разбираться в эмбеддингах. Просто подключили сервер к любому MCP-клиенту — и начали работать.

Готовый конфигНа странице есть команда или JSON-конфиг для подключенияУдалённый · HTTPСервер работает у поставщика, клиент подключается по URLTypeScriptЯзык реализации