Willkommen zur Vinkius Open Data Initiative.

Wir eröffnen den Zugang zum Model Context Protocol (MCP)-Katalog von Vinkius. Automatisch aktualisierte Dokumentation für 7.588 einzigartige Connectors.

Frag die KI über die Open Data Initiative

Verfügbar auf

GitHubgithub.com

Hugging Facehuggingface.co

Kagglekaggle.com

ModelScopemodelscope.ai

Warum das wichtig ist

Dieser hochstrukturierte Korpus ist für KI-Forscher, Data Scientists und Entwickler von Sprachmodellen konzipiert. Niemand sonst hat das Connector-Ökosystem als ordnungsgemäßes offenes Datenset kompiliert, strukturiert und veröffentlicht. Wir sind die Ersten, die MCP-Metadaten als das behandeln, was sie sind: kritische Infrastrukturdaten, die in die Öffentlichkeit gehören.

Connectors

Vollständig dokumentiert: das größte strukturierte MCP-Datenset, das jemals veröffentlicht wurde

Globale Plattformen

GitHub · Hugging Face · Kaggle · ModelScope, gleichzeitig

12h

Automatische Synchronisation

Alle 12 Stunden durch autonome Pipelines aktualisiert

CC0

Gemeinfrei

Verwenden, modifizieren, weitergeben für jeden Zweck, ohne Einschränkungen

Globale Verteilung

Ein Datenset.Vier Kontinente.

Wir haben das gesamte Register mit nativen Integrationen auf den vier Plattformen gespiegelt, auf denen Forscher, Data Scientists und KI-Ingenieure weltweit tatsächlich arbeiten.

Kaggle

Notebooks

Führen Sie Notebooks direkt gegen die Daten aus. Kaggle-Kernels, versionierte Snapshots, Community-Diskussionen und sofortige ML-Pipeline-Integration. Das Datenset ist sofort zur Analyse bereit, sobald Sie es öffnen.

Verwendet von Data Scientists, die MCO-Übernahmemuster erforschen und Empfehlungssysteme für die KI-Werkzeugauswahl entwickeln.

Datensatz öffnen

Hugging Face

Streaming

Streaming-kompatibles Datenset im Hub. Laden Sie es mit einer einzigen Python-Zeile mit der datasets-Bibliothek. Vorschau im Datenset-Viewer. Direkte Integration mit transformers und Fine-Tuning-Pipelines.

Ideal zum Trainieren von LLMs zum Verständnis und zur Empfehlung von Connectors. Die Grundlage für die autonome Werkzeugentdeckung.

Datensatz öffnen

GitHub

Quelle

Die Quelle der Wahrheit. Klonen, forken oder tragen Sie bei. Vollständige Dokumentation, Schema-Definitionen, Automatisierungsskripte und CI/CD-Pipelines, die Downstream-Spiegel synchron halten.

Open-Source-Infrastruktur, auditieren Sie den Pipeline, schlagen Sie Erweiterungen vor oder erstellen Sie Ihren eigenen Spiegel. Das gesamte System ist transparent.

Datensatz öffnen

ModelScope

Spiegel

Vollständig paritätischer Spiegel für das chinesische Entwickler-Ökosystem. Native Integration mit Alibaba Cloud, PAI und dem ModelScope-Modell-Hub, bringt die AI Connections zu über 10 Millionen Entwicklern in China.

Das einzige strukturierte MCP-Datenset hinter der Großen Firewall, das zwei Ökosysteme verbindet.

Datensatz öffnen

Schema-Referenz

13 Spalten.Ein CSV. Bereit zur Abfrage.

Jede Zeile erfasst das vollständige Profil eines Connectors, von Metadaten und Werkzeuginventar bis hin zu Qualitätsnoten, die vom Vinkius Debugger vergeben werden. UTF-8-kodiert, ~3 MB, alle 12 Stunden aktualisiert.

10 string1 integer1 float1 datetime

vinkius_mcp_servers.csvUTF-8CC0 1.0

vinkius_mcp_servers.csvAlle 12 Stunden aktualisiert

string

slug

Eindeutiger Server-Bezeichner

string

title

Anzeigename des Servers

string

Für KI-Forschung,Produktentwicklung und Marktdaten.

Wenn das gesamte MCP-Ökosystem strukturiert, durchsuchbar und offen ist, können Forscher, Entwickler und autonome Agenten mit realen Daten arbeiten statt mit Vermutungen.

LLM Fine-Tuning

Reale Schemas zum Trainieren von Modellen für erweiterte Funktionsaufrufe und Werkzeugnutzung. Verwenden Sie tool_names und prompt_examples als strukturierten Korpus, um LLMs beizubringen, wie sie Connectors auswählen und aufrufen.

Ökosystem-Intelligenz

Kartieren Sie die Wachstumspfad der Connector-Kategorien im Zeitverlauf. Identifizieren Sie, welche Werkzeugtypen (Datenbank, API, Dateisystem, Kommunikation) am schnellsten expandieren. Verfolgen Sie neue Server-Registrierungen als Indikator für die Ökosystem-Übernahme.

RAG & Fine-Tuning

Speisen Sie das Register in Retrieval-Augmented-Generation-Systeme ein. Trainieren Sie ein LLM, das verfügbare Server, ihre Werkzeuge und wie man die richtige Integration für jede Aufgabe empfiehlt, versteht.

Qualitäts- und Zuverlässigkeitsanalyse

Untersuchen Sie die Verteilung von debugger_grade und debugger_score, um Muster in hochwertigen vs. schlecht gewarteten Servern zu identifizieren. Korrelieren Sie tools_count mit Zuverlässigkeitswerten, um Kompromisse zwischen Komplexität und Stabilität zu messen.

Machine Learning

Mehrklassenklassifizierung, Vorhersage von Kategorien oder Tags aus Beschreibungen mit NLP-Modellen. Empfehlungssysteme, erstellen Sie Werkzeugempfehlungen basierend auf Tag-Ähnlichkeit oder Embedding-Distanz. Anomalieerkennung, markieren Sie Server mit abnormalen Score-Mustern.

Agenten-Frameworks

Betriebsmetadaten zum Studium der Multi-Agenten-Orchestrierung und Systembrückenbildung. Analysieren Sie, wie externe Softwareplattformen über 7.588 reale Implementierungen auf natürlichsprachliche Schnittstellen abgebildet werden.

Offene Einladung

Wir haben den Katalog geöffnet.Jetzt gehört er Ihnen.

CC0 1.0 Public Domain. Verwenden, modifizieren und verteilen Sie ohne Einschränkungen für kommerzielle oder nichtkommerzielle Zwecke. Zitation wird geschätzt, ist aber nicht erforderlich.

Repository klonen Auf Kaggle öffnen Auf Hugging Face öffnen

Zitation

@dataset{vinkius_mcp_registry,
  title   = {Vinkius MCP Registry, Global Model Context Protocol Dataset},
  author  = {{Vinkius}},
  year    = {{2026}},
  url     = {https://www.kaggle.com/datasets/renato2marinho/vinkius-mcp-registry},
  note    = {Alle 12 Stunden aktualisiert. 7.588 Connectors indiziert.}
}

Alle 12 Stunden aktualisiertCC0 1.0, Gemeinfrei7.588 Server