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: 271 MCP-серверов· стр. 21 из 23

kObsidian

kObsidian

bezata

3

kObsidian — MCP-сервер для Obsidian, построенный на идее LLM Wiki от Андрея Карпатого. Вы отбираете источники и следите за качеством контента, а AI-ассистент берёт на себя учёт, структурирование и связывание заметок. Сервер работает на уровне файловой системы: он напрямую читает и пишет Markdown-файлы в вашем хранилище. Obsidian остаётся открытым, вы видите изменения сразу и сохраняете полный контроль над данными. Не нужны сторонние плагины или синхронизация — только ваша папка с заметками. Главное отличие kObsidian от других MCP-серверов для Obsidian — полноценная поддержка воркспейсов. Вы можете держать под рукой несколько хранилищ и переключаться между ними прямо в диалоге, не перезапуская клиент и не меняя настройки. Сервер работает с любыми MCP-клиентами, поддерживающими транспорт stdio.

Проверка источника ожидается
TypeScriptstdioЕсть в каталоге
Figma Context MCP — felixAnhalt

Figma Context MCP — felixAnhalt

felixAnhalt

3

Figma-Context-MCP (ранее Figma To Code MCP) — это MCP-сервер для интеграции Figma с AI-ассистентами. Он извлекает из Figma-файлов только те данные, которые нужны языковым моделям для построения UI и генерации кода. Сервер удаляет внутреннюю разметку Figma (bounding boxes, constraints, прототипы) и сводит файл к чистому описанию дизайна: компоновка, стили, текст, компоненты. Размер данных уменьшается на 99,5% — типичный файл 65 МБ сжимается до 128 КБ. Имена свойств приводятся к CSS-стандарту (backgroundColor, flexDirection и т.д.), что улучшает понимание нейросетью. Сервер подходит разработчикам, которые используют Cursor, Claude Desktop и другие инструменты с MCP для превращения макетов в код. Сервер автоматически разрешает переменные Figma в финальные значения, обрабатывает SVG и сворачивает повторяющиеся паттерны. Всё это AI быстрее и точнее создаёт компоненты на основе дизайн-систем.

Проверка источника ожидается
TypeScriptstdioЕсть в каталоге
Better Notion

Better Notion

ai-aviate

2

Типичные MCP-серверы для Notion работают как тонкая обёртка над API. Чтобы ассистент создал запись в базе данных, ему приходится делать несколько последовательных вызовов: поиск базы, получение схемы, создание страницы, добавление блоков. Это раздувает контекст и замедляет ответы. better-notion решает эту проблему иначе. Вы и AI-ассистент работаете с Notion через один Markdown-документ. У него есть YAML-заголовок с метаданными (свойства страницы) и тело в формате Markdown (содержимое). Одна команда — одно действие, без лишних запросов к API. Вместо десятков мелких инструментов сервер использует 9 целостных операций. Это быстрее, проще для понимания и легче для контекста. Сервер будет полезен разработчикам и продвинутым пользователям Notion, которые хотят автоматизировать работу с базой знаний: создавать карточки, вести документацию, управлять задачами — всё через одного AI-ассистента.

Проверка источника ожидается
TypeScriptstdioЕсть в каталоге
OpenClaw MCP Ecosystem

OpenClaw MCP Ecosystem

yedanyagamiai-cmd

22

OpenClaw MCP Ecosystem — это набор из девяти готовых MCP-серверов для AI-агентов. Они развёрнуты на 229+ Cloudflare Workers по всему миру. Вам не нужно настраивать серверы, платить за хостинг или управлять инфраструктурой. Просто получите API-ключ (есть бесплатный тариф) и подключайтесь к нужным точкам. Набор закрывает ключевые потребности разработчика и DevOps-инженера, работающего с AI-агентами: аудит безопасности по стандарту OWASP Agentic AI Top 10, проверка соответствия европейскому AI Act, построение графов знаний через GraphRAG, финансовая аналитика через FinanceOS, управление трёхуровневой памятью, мониторинг метрик в реальном времени и генерация контента. В основе лежит кластер из семи нейросетей (Claude, YEDAN, yeren, rendan, GOLEM, rensin, dansin) и 54 таблицы баз данных D1 на границе сети Cloudflare. Код покрыт 1 073 автоматическими тестами.

Проверка источника ожидается
JavaScriptstreamable-http