pickfit

瀏覽MCP 伺服器

AI Agents API Library

精選的機器可讀 API 與 MCP 伺服器型錄,供 AI agent 呼叫。

已在 Linux 上測試

使用

Linux x86_64

  1. 透過 npm 全域安裝 MCP 套件

    npm install -g ai-agents-api-library

加進你的 agent

claude mcp add ai-agents-api-library -- ai-agents-api-library
Claude Desktop、Cursor 等用戶端用的 JSON
{
  "mcpServers": {
    "ai-agents-api-library": {
      "command": "ai-agents-api-library",
      "args": []
    }
  }
}

將 ai-agents-api-library 加入 MCP 用戶端作為 MCP 伺服器指令,再呼叫 list_categories、search_apis 等工具。

它能做什麼

  • 瀏覽收錄 300 多個 API 與 MCP 伺服器的目錄
    怎麼使用
    1. 從 MCP 用戶端呼叫 list_categories 工具,不帶參數。
    2. 閱讀傳回的分類清單,了解目錄涵蓋範圍。
    已測試
  • 用 MCP 工具搜尋 API
    怎麼使用
    1. 從 MCP 用戶端以 {"query":"<your text>"} 呼叫 search_apis 工具。
    2. 查看結果中符合的 API 與 MCP 伺服器。
    已測試
  • 以 JSON 與 llms.txt 取得目錄
    沒有看到它可用

pickfit 測到哪一步

Linux x86_64

  1. 可以安裝
  2. 可以連線
  3. 3 項功能中 2 項可用
  4. 可離線使用

pickfit 怎麼測的

每次測試都從乾淨的機器開始,照上面的步驟執行。 pickfit 怎麼驗證

Linux x86_64

MCP 用戶端成功呼叫工具

  • 從頭重跑
  • 可離線使用
  • 檢查於 2026年10月31日
  • 版本 0.3.11

MCP 用戶端透過 stdio 連線,列出 4 個工具,呼叫 list_categories 也回傳了結果。

怎麼看工具卡

縫線
pickfit 親自安裝過這款工具,縫線下方的內容都來自那次測試。沒測過的工具,一律沒有縫線。
已在你的作業系統上驗證
安裝步驟在你選的系統上跑過。「只在 Linux 上執行過」表示還沒在你的系統上跑過。
macOS、Linux 和 Windows在哪裡測過
綠色系統標記:pickfit 在該系統跑過安裝步驟。灰色:README 說支援,但 pickfit 還沒試過。
測試進行到哪一步
能安裝並啟動、主要功能可用、服務有回應、能產生模型輸出。視窗代表桌面應用程式已開啟;插頭代表 MCP 用戶端用過它。標記在測試結果旁邊:展開「為什麼適合、我們怎麼知道」,或在「pickfit 怎麼測的」裡。
視覺檢查
pickfit 看過應用程式的截圖。綠色:畫面正常。黃色加數字:有看起來不對的地方,點開就能看到。灰色虛線:還沒檢查。
已知漏洞
它安裝的套件有沒有已知的高風險或嚴重漏洞(OSV.dev)。綠色:沒有已知漏洞。紅色加數字:有幾個,點開看清單,安裝前先看過。灰色虛線:沒有檢查,不代表安全。
關於這次測試
測試日期,以及測到的版本。
理由的來源
每個推薦理由都依據簡介裡的一個欄位。展開理由就能看到欄位和值。
寶藏
品質高、少有人知。
品質與知名度
兩個分數,滿分都是 100。品質:pickfit 試裝、試用的結果,以及安裝文件和維護狀況。知名度:看星數、下載量和 Hacker News。
已檢查的功能
README 宣傳的主要功能裡,實測通過幾項(綠色)、失敗幾項(紅色)。灰色是沒檢查的,工具卡會說明原因。
未驗證
Fitz 依一般知識提到的知名工具。沒有測試紀錄、沒有步驟、沒有分數。