Mcp.science

🚀 MCP.science: 科学研究用のオープンソースMCPサーバー 🔍📚

AIとオープンソースツールを使って科学的発見を加速させましょう！

🚀 クイックスタート

このリポジトリ内の任意のサーバーを起動するのは、1つのコマンドで簡単に行えます。例えば、web-fetch サーバーを起動するには、以下のコマンドを実行します。

uvx mcp-science web-fetch

このコマンドは、インストールから実行まですべてを処理します。設定の詳細や他のサーバーの検索方法については、以下の「💻 MCPサーバーをAIクライアントアプリに設定する方法」セクションを参照してください。

📚 目次

• 概要
• MCPとは何ですか？
• このリポジトリ内の利用可能なサーバー
• 💻 MCPサーバーをLLMに統合する方法
• 🔨 独自のMCPサーバーを構築する方法
• 🤝 コントリビューション
• 📄 ライセンス
• 🙏 謝辞
• 📖 引用方法

概要

このリポジトリには、科学研究アプリケーション向けに特別に設計されたオープンソースの MCP サーバーが集まっています。これらのサーバーにより、AIモデル（Claudeなど）は標準化されたプロトコルを介して科学データ、ツール、リソースと相互作用することができます。

MCPとは何ですか？

MCPは、アプリケーションがLLMにコンテキストを提供する方法を標準化するオープンプロトコルです。MCPをAIアプリケーションのUSB-Cポートのようなものと考えてください。USB-Cがデバイスをさまざまな周辺機器やアクセサリに接続する標準化された方法を提供するように、MCPはAIモデルを異なるデータソースやツールに接続する標準化された方法を提供します。

MCPは、LLMの上にエージェントや複雑なワークフローを構築するのに役立ちます。LLMは頻繁にデータやツールと統合する必要があり、MCPは以下を提供します。

• LLMが直接接続できる事前構築された統合の拡張リスト
• LLMプロバイダーやベンダーを切り替える柔軟性
• インフラストラクチャ内でデータを保護するためのベストプラクティス

出典: https://modelcontextprotocol.io/introduction

このリポジトリ内の利用可能なサーバー

以下は、このモノレポに含まれるMCPサーバーの完全なリストです。各エントリは、サーバーのソースコードとREADMEが含まれるサブディレクトリへのリンクになっているため、ドキュメントと使用方法をすばやく見つけることができます。

サンプルサーバー

サーバー実装に必要な最小限の要素を示すサンプルMCPサーバーです。

Materials Project

AIアシスタントがMaterials Projectデータベースから材料科学データを検索、視覚化、操作できるようにする特殊なMCPサーバーです。Materials Project APIキーが必要です。

Pythonコード実行

標準ライブラリへのアクセスが制限された安全なサンドボックス環境でPythonコードスニペットを実行し、アシスタントがシステムを危険にさらすことなく分析や計算を実行できるようにします。

SSH実行

アシスタントがSSHを介してリモートマシンで事前検証されたコマンドを実行できるようにし、認証とコマンドホワイトリストを設定可能にします。

Webフェッチ

WebからHTML、PDF、およびプレーンテキストコンテンツを取得して処理し、アシスタントが引用または要約できるようにします。

TXYZ検索

TXYZ APIを介してWeb、学術、および「最善の努力」検索を実行します。TXYZ APIキーが必要です。

タイマー

MCP通知を示すために進行状況の更新をストリーミングする最小限のカウントダウンタイマーです。

GPAW計算

GPAWパッケージを通じて密度汎関数理論（DFT）計算を提供します。

Jupyter-Act

アシスタントが実行中のJupyterカーネルと対話し、ノートブックセルをプログラムで実行できるようにします。

Mathematica-Check

ヘッドレスMathematicaインスタンスを介してWolfram言語コードの小さなスニペットを評価します。

NEMAD

神経科学モデル分析ダッシュボードサーバーで、NEMADデータセットを検査するためのツールを公開します。

TinyDB

TinyDBをバックエンドに持つ軽量JSONデータベースへのCRUDアクセスを提供し、アシスタントが構造化データの小さな断片を保存および取得できるようにします。

💻 MCPサーバーをAIクライアントアプリに設定する方法

これらのことに慣れていない場合は、以下のステップバイステップガイドをご覧ください: MCPサーバーをAIクライアントアプリに設定するためのステップバイステップガイド

前提条件

1. uv — pip + virtualenvの超高速（Rustベース）の代替品です。以下のコマンドでインストールします。

   curl -sSf https://astral.sh/uv/install.sh | bash
   

2. MCP対応のクライアントアプリケーション、例えば Claude Desktop、 VSCode、 Goose、 5ire。

短いバージョン – uvx を使用する

このリポジトリ内の任意のサーバーは、1つのシェルコマンドで起動できます。パターンは以下の通りです。

uvx mcp-science <server-name>

例えば、web-fetch 標準入出力サーバーをローカルで起動するには、クライアントで以下のコマンドを設定します。

uvx mcp-science web-fetch

これは、Claude DesktopのJSON設定では以下のようになります。

{
  "mcpServers": {
    "web-fetch": {
      "command": "uvx",
      "args": [
        "mcp-science",
        "web-fetch"
      ]
    }
  }
}

このコマンドは、PyPIから mcp-science パッケージをダウンロードし、要求されたエントリポイントを実行します。

他のサーバーを見つける

「このリポジトリ内の利用可能なサーバー」リストを見てください。表の各エントリは、上記のパターンで動作します。

オプション: MCPMを使用した統合管理

MCPM は、サーバーをサポートされているクライアントに接続するプロセスを自動化できる便利なコマンドラインツールです。必須ではありませんが、クライアントを頻繁に切り替えたり、多数のサーバーを管理している場合に便利です。

基本的なワークフローは以下の通りです。

# まずmcpmをインストールする – 別プロジェクトです
uv pip install mcpm

mcpm client ls           # サポートされているクライアントを検索
mcpm client set <name>   # 使用しているクライアントを選択

# サーバーを追加する（必要に応じて自動的にインストールする）
mcpm add web-fetch

コマンドが完了したら、クライアントを再起動してツール設定を再読み込みしてください。追加のコミュニティ管理サーバーについては、MCPMレジストリ を参照できます。

🔨 独自のMCPサーバーを構築する方法

詳細については、独自のMCPサーバーをステップバイステップで構築する方法 をご覧ください。

🤝 コントリビューション

MCP.scienceへのコントリビューションを熱心に歓迎します！既存のサーバーの改善、新しいサーバーの追加、またはこのプロジェクトをより良くすると思われることなら何でも手伝っていただけます。

GitHubやオープンソースリポジトリへのコントリビューション方法に慣れていない場合は、少し挑戦的かもしれませんが、それでも簡単です。まずは以下を読むことをお勧めします。

• GitHubで最初のプルリクエストを作成する方法
• プルリクエストの作成

簡単に言うと、以下の手順に従うことができます。

1. リポジトリを自分のGitHubアカウントにフォークします。

2. フォークしたリポジトリをローカルマシンにクローンします。

3. 機能ブランチを作成します (git checkout -b feature/amazing-feature)。

4. 変更を加えてコミットします (git commit -m 'Add amazing feature')。

   👈 ディレクトリと命名に関する詳細な規則を表示するにはクリック

   新しいサーバーは servers フォルダーに作成してください。 リポジトリフォルダーの下に新しいサーバーフォルダーを作成するには、以下のコマンドを実行します（your-new-server をサーバー名に置き換えてください）。

   uv init --package --no-workspace servers/your-new-server
   uv add --directory servers/your-new-server mcp
   

   これにより、必要なファイルが含まれる新しいサーバーフォルダーが作成されます。

   servers/your-new-server/
   ├── README.md
   ├── pyproject.toml
   └── src
       └── your_new_server
           └── __init__.py
   

   設定ファイルで見られる2つの関連する名前があります。

   1. プロジェクト名（ハイフン区切り）: pyproject.toml のフォルダー、プロジェクト名、およびスクリプト名、例えば your-new-server。
   2. Pythonパッケージ名（スネークケース）: src/ 内のフォルダー、例えば your_new_server。

5. ブランチにプッシュします (git push origin feature/amazing-feature)。

6. プルリクエストを開きます。

PRが以下に準拠していることを確認してください。

• 明確なコミットメッセージ
• 適切なドキュメントの更新
• 新機能のテストカバレッジ

サブリポジトリでのコントリビューターの認識

特定のサーバー/サブリポジトリ（例: servers/gpaw-computation/）のコントリビューターを認識したい場合は、そのサブディレクトリで All Contributors CLI を使用できます。

手順:

1. サブリポジトリ（例: servers/gpaw-computation/）で .all-contributorsrc ファイルを作成します（例 を参照）。
2. CLIを使用してコントリビューターを追加します。

   npx all-contributors add <github-username> <contribution-type>
   

3. サブリポジトリの README.md のコントリビューターセクションを生成または更新します。

   npx all-contributors generate
   

4. サブリポジトリの README.md と .all-contributorsrc の変更をコミットします。

詳細については、All Contributors CLIインストールガイド を参照してください。

📄 ライセンス

このプロジェクトはMITライセンスの下でライセンスされています。詳細については、LICENSE ファイルを参照してください。

🙏 謝辞

すべてのコントリビューターに感謝します！

📖 引用方法

一般的な使用については、ルートの CITATION.cff に記載されているようにこのリポジトリを引用してください。

特定のサーバー/サブプロジェクトを使用する場合は、servers/ の下のそのサブプロジェクトのフォルダー内の対応する CITATION.cff ファイルを参照して、適切な引用を行ってください。