Skip to main content
Glama
elvatis

elvatis-mcp

Official
by elvatis

elvatis-mcp

用于 OpenClaw 的 MCP 服务器 —— 将你的智能家居、记忆、定时任务自动化和 AI 子代理编排暴露给 Claude Desktop、Cursor、Windsurf 以及任何兼容 MCP 的 AI 客户端。

npm License Tests AAHP Verify

这是什么?

elvatis-mcp 将 Claude(或任何 MCP 客户端)连接到你的基础设施:

  • 智能家居 控制,通过 Home Assistant(灯光、恒温器、扫地机器人、传感器)

  • 记忆 系统,每日日志存储在你的 OpenClaw 服务器上

  • Cron 作业管理和触发

  • 多 LLM 编排,通过 5 个 AI 后端:Claude、OpenClaw、Google Gemini、OpenAI Codex 和本地 LLM

  • 智能提示拆分,分析复杂请求,将子任务路由到合适的 AI,并执行带速率限制的计划

核心思想:Claude 是编排者,但它可以将专业工作委派给其他 AI 模型。编码任务交给 Codex。研究交给 Gemini。简单格式化交给你的本地 LLM(免费、私密)。交易和自动化交给 OpenClaw。prompt_split 自动确定路由,prompt_split_execute 以速率限制在云端代理上执行计划。

Related MCP server: hass-mcp-server

什么是 MCP?

Model Context Protocol 是 Anthropic 提出的开放标准,允许 AI 客户端连接到外部工具服务器。配置后,Claude 可以直接调用你的工具,无需复制粘贴。


多 LLM 架构

                         You (Claude Desktop / Code / Cursor)
                                      |
                              MCP Protocol (stdio/HTTP)
                                      |
                              elvatis-mcp server
                                      |
              +--------+--------+--------+--------+--------+--------+
              |        |        |        |        |        |        |
          Claude  OpenClaw  Gemini   Codex   Local   llama   Home
          (CLI)   (SSH)     (CLI)    (CLI)   LLM    .cpp    Asst.
              |        |        |        |    (HTTP)  (proc)  (REST)
          Reason  Plugins  1M ctx  Coding    |        |        |
          Write   Trading  Multi-  Files   LM Stu  Turbo-  Lights
          Review  Auto.    modal   Debug   Ollama  Quant   Climate
                  Notify   Rsch    Shell   (free!) cache   Vacuum

子代理对比

工具

后端

传输

认证

最适合的用途

成本

claude_run

Claude (Anthropic)

本地 CLI

Claude Code 登录

复杂推理、写作、代码审查。适用于非 Claude 的 MCP 客户端。

API 使用量

openclaw_run

OpenClaw (插件)

SSH

SSH 密钥

交易、自动化、多步骤工作流

自托管

gemini_run

Google Gemini

本地 CLI

Google 登录

长上下文(1M 令牌)、多模态、研究

API 使用量

codex_run

OpenAI Codex

本地 CLI

OpenAI 登录

编码、调试、文件编辑、Shell 脚本

API 使用量

local_llm_run

LM Studio / Ollama / llama.cpp

HTTP

分类、格式化、提取、重写

免费

会话恢复

claude_rungemini_runcodex_run 使用 CLI 会话恢复 来消除冷启动开销。首次调用时创建新会话;后续调用恢复该会话,因此模型只接收新消息,而不是重新处理完整的对话历史。

指标

无会话恢复

有会话恢复

每次请求的提示大小

18-25 KB

<1 KB(仅新消息)

Claude Sonnet 响应时间

80-120 秒(50% 挂起率)

5-10 秒

静默挂起率

~50%

接近 0%

会话持久化到 ~/.openclaw/cli-bridge/cli-sessions.json,并在 2 小时不活动或 50 次请求后过期。session_id 在每次响应中返回,以便你检查使用了哪个会话。

智能提示拆分

prompt_split 工具分析复杂提示并将其拆分为子任务:

User: "Search my memory for TurboQuant notes, summarize with Gemini,
       reformat as JSON locally, then save a summary to memory"

prompt_split returns:
  t1: openclaw_memory_search  -- "Search memory for TurboQuant"        (parallel)
  t3: local_llm_run           -- "Reformat raw notes as clean JSON"    (parallel)
  t2: gemini_run              -- "Summarize the key findings"          (after t1)
  t4: openclaw_memory_write   -- "Save summary to today's log"        (after t2, t3)

使用 prompt_split_execute 自动执行计划,或让 Claude 逐步执行。任务按依赖顺序运行,并行组并发执行。三种分析策略:

策略

速度

质量

用途

heuristic

即时

对清晰提示效果好

关键词匹配,无需 LLM 调用

local

5-30 秒

更好的推理

你的本地 LLM 分析提示

gemini

5-15 秒

最佳质量

Gemini-flash 分析提示

auto(默认)

视情况

最佳可用

对简单提示短路,然后尝试 gemini -> local -> heuristic


可用工具(共 34 个)

Home Assistant(7 个工具)

工具

描述

home_get_state

读取任何 Home Assistant 实体状态

home_light

控制灯光:开/关/切换、亮度、色温、RGB

home_climate

控制 Tado 恒温器:温度、HVAC 模式

home_scene

按房间激活 Hue 场景

home_vacuum

控制 Roborock 扫地机器人:启动、停止、回充、状态

home_sensors

读取所有温度、湿度和 CO2 传感器

home_automation

列出、触发、启用或禁用 HA 自动化

记忆(3 个工具)

工具

描述

openclaw_memory_write

向今天的每日日志写入笔记

openclaw_memory_read_today

读取今天的记忆日志

openclaw_memory_search

搜索最近 N 天的记忆文件

Cron 自动化(7 个工具)

工具

描述

openclaw_cron_list

列出所有计划的 OpenClaw cron 作业

openclaw_cron_run

按 ID 立即触发 cron 作业

openclaw_cron_status

获取调度器状态和最近的运行历史

openclaw_cron_create

创建新的 cron 作业(cron 表达式、间隔或一次性)

openclaw_cron_edit

编辑现有 cron 作业(名称、消息、计划、模型)

openclaw_cron_delete

按 ID 删除 cron 作业

openclaw_cron_history

显示 cron 作业的最近执行历史

OpenClaw 代理(4 个工具)

工具

描述

openclaw_run

向 OpenClaw AI 代理发送提示(所有插件可用)

openclaw_status

检查 OpenClaw 守护进程是否正在运行

openclaw_plugins

列出所有已安装的插件

openclaw_notify

通过 WhatsApp、Telegram 或最后使用的渠道发送通知

AI 子代理(5 个工具)

工具

描述

claude_run

通过本地 CLI 向 Claude 发送提示。适用于非 Claude 的 MCP 客户端(Cursor、Windsurf)。

gemini_run

通过本地 CLI 向 Google Gemini 发送提示。1M 令牌上下文。

codex_run

通过本地 CLI 向 OpenAI Codex 发送编码任务。

local_llm_run

向本地 LLM(LM Studio、Ollama、llama.cpp)发送提示。免费、私密。支持流式输出。

llama_server

启动/停止/配置 llama.cpp 服务器,支持 TurboQuant 缓存。

系统管理(4 个工具)

工具

描述

system_status

一次性健康检查所有服务,带延迟(HA、SSH、LLM、CLI)

local_llm_models

列出、加载或卸载 LM Studio / Ollama 上的模型

openclaw_logs

查看 OpenClaw 服务器的网关、代理或系统日志

file_transfer

通过 SSH 上传、下载或列出 OpenClaw 服务器上的文件

路由和编排(3 个工具)

工具

描述

mcp_help

显示路由指南。传入任务以获得具体工具推荐。

prompt_split

分析复杂提示,拆分为带代理分配的子任务。

prompt_split_execute

执行拆分计划:按依赖顺序将子任务分派给代理,并带速率限制。

仪表板

端点

描述

http://localhost:3334/status

自动刷新的 HTML 仪表板(服务健康、已加载模型)

http://localhost:3334/api/status

用于编程状态检查的 JSON API


测试结果

所有测试都针对实时服务运行(LM Studio 搭配 Deepseek R1 Qwen3 8B,通过 SSH 连接 OpenClaw 服务器)。

  elvatis-mcp integration tests

  Local LLM (local_llm_run)

        Model: deepseek/deepseek-r1-0528-qwen3-8b
        Response: "negative"
        Tokens: 401 (prompt: 39, completion: 362)
  PASS  local_llm_run: simple classification (21000ms)
        Extracted: {"name":"John Smith","age":34}
  PASS  local_llm_run: JSON extraction (24879ms)
        Error: Could not connect to local LLM at http://localhost:19999/v1/chat/completions
  PASS  local_llm_run: connection error handling (4ms)

  Prompt Splitter (prompt_split)

        Strategy: heuristic
        Agent: codex_run
        Summary: Fix the authentication bug in the login handler
  PASS  prompt_split: single-domain coding prompt routes to codex (1ms)
        Strategy: heuristic
        Subtasks: 3
          t1: codex_run -- "Refactor the auth module"
          t2: openclaw_run -- "check my portfolio performance and"
          t3: home_light -- "turn on the living room lights"
        Parallel groups: [["t1","t3"],["t2"]]
        Estimated time: 90s
  PASS  prompt_split: heuristic multi-agent splitting (0ms)
        Subtasks: 4, Agents: openclaw_memory_write, gemini_run, local_llm_run
        Parallel groups: [["t1","t3","t4"],["t2"]]
  PASS  prompt_split: cross-domain with dependencies (1ms)
        Strategy: local->heuristic (fallback)
        Subtasks: 1
  PASS  prompt_split: local LLM strategy (with fallback) (60007ms)

  Routing Guide (mcp_help)

        Guide length: 2418 chars
  PASS  mcp_help: returns guide without task (0ms)
        Recommendation: local_llm_run (formatting task)
  PASS  mcp_help: routes formatting task to local_llm_run (0ms)
        Recommendation: codex_run (coding task)
  PASS  mcp_help: routes coding task to codex_run (0ms)

  Memory Search via SSH (openclaw_memory_search)

        Query: "trading", Results: 5
  PASS  openclaw_memory_search: finds existing notes (208ms)

  -----------------------------------------------------------
  11 passed, 0 failed, 0 skipped
  -----------------------------------------------------------

自行运行测试:

npx tsx tests/integration.test.ts

先决条件:已配置 .env,本地 LLM 服务器正在运行,OpenClaw 服务器可通过 SSH 访问。


基准测试

参见 BENCHMARKS.md 获取完整的基准测试套件、方法论和社区贡献指南。

参考硬件

组件

规格

CPU

AMD Threadripper 3960X(24 核 / 48 线程)

GPU

AMD Radeon RX 9070 XT Elite(16 GB GDDR6)

RAM

128 GB DDR4

OS

Windows 11 Pro

运行时

LM Studio + Vulkan(llama.cpp-win-x86_64-vulkan-avx2@2.8.0

本地 LLM 推理(LM Studio、Vulkan GPU、--gpu max

3 次运行的中位数,max_tokens=512。任务:分类(1 词情感)、提取(JSON)、推理(算术)、代码(Python 函数)。Vulkan 是 AMD RX 9070 XT 的推荐运行时(在 5 个模型中胜过 ROCm 4 个)。

模型

参数

分类

提取

推理

代码

平均 tok/s

Phi 4 Mini Reasoning

3B

2.6s

1.9s

4.7s

4.8s

106

Deepseek R1 0528 Qwen3

8B

3.0s

6.5s

7.2s

7.4s

70

Qwen 3.5 9B

9B

6.2s

4.0s

8.4s

7.2s

48

Phi 4 Reasoning Plus

15B

0.4s

9.7s

3.5s

9.9s

40

GPT-OSS 20B

20B

0.6s

0.6s

0.6s

1.9s

63

GPU 速度对比 vs CPU(Deepseek R1 8B,Vulkan): 分类快 7.2 倍,提取快 3.8 倍。

子代理对比(相同任务,不同后端)

Agent

后端

平均延迟

费用

备注

local_llm_run

GPT-OSS 20B(Vulkan GPU)

1.0s

免费

比 Codex 快 4 倍,比 Claude 快 6 倍

codex_run

OpenAI Codex CLI

4.1s

按使用付费

最适合代码任务

claude_run

Claude Sonnet 4.6

6.3s(恢复会话需 5-10s)

按使用付费

最适合复杂推理

gemini_run

Gemini 2.5 Flash

34.0s

免费套餐

CLI 启动开销,最适合长上下文

服务延迟(system_status)

服务

延迟

备注

Home Assistant(REST API)

48–84 ms

本地网络,直接 HTTP

OpenClaw SSH

273–299 ms

LAN SSH + 命令执行

本地 LLM(模型列表)

19–38 ms

LM Studio localhost API

Claude CLI(版本检查)

472–478 ms

CLI 启动开销

Codex CLI(版本检查)

131–136 ms

CLI 启动开销

Gemini CLI(版本检查)

4,700–4,900 ms

CLI 启动 + 身份验证

prompt_split 准确率(启发式策略)

指标

结果

通过率

10/10(100%)

任务数量准确率

10/10(100%)

平均代理匹配度

100%

延迟

<1ms(无 LLM 调用)

v0.8.0+ 的改进:词边界正则匹配、多代理提示的逗号子句拆分、按工具的路由规则、openclaw_notify 路由。完整测试语料请参阅 BENCHMARKS.md

想贡献自己硬件上的基准结果?请看看 BENCHMARKS.md


要求

  • Node.js 18 或更高版本

  • OpenSSH 客户端(Windows 10+、macOS、Linux 内置)

  • 一个已运行、可通过 SSH 访问的 OpenClaw 实例

  • 一个拥有长期访问令牌的 Home Assistant 实例

可选(用于子代理):

  • claude_runnpm install -g @anthropic-ai/claude-code,然后运行一次 claude 完成身份验证

  • gemini_runnpm install -g @google/gemini-cli,然后执行 gemini auth login

  • codex_runnpm install -g @openai/codex,然后执行 codex login

  • local_llm_run:任何兼容 OpenAI API 的本地服务器:

    • LM Studio(推荐,GUI,默认端口 1234)

    • Ollamaollama serve,端口 11434)

    • llama.cppllama-server,任意端口)


安装

全局安装:

npm install -g @elvatis_com/elvatis-mcp

或者直接通过 npx 使用(无需安装):

npx @elvatis_com/elvatis-mcp

每个版本都由 GitHub Actions 从推送的 v* 标签构建并发布,并且基于该标签所指向的确定提交。 SECURITY.md 说明了这种构建方式能保证什么、不能保证什么,以及如何验证你已安装的版本。 CHANGELOG.md 记录了每个版本包含的内容。


在哪里可以使用它?

elvatis-mcp 适用于所有 MCP 兼容客户端。每个客户端都使用自己的配置文件。

客户端

传输方式

配置文件

Claude Desktop / Cowork(Windows MSIX)

stdio

%LOCALAPPDATA%\Packages\Claude_pzs8sxrjxfjjc\LocalCache\Roaming\Claude\claude_desktop_config.json

Claude Desktop / Cowork(macOS)

stdio

~/Library/Application Support/Claude/claude_desktop_config.json

Claude Code(全局,所有项目)

stdio

~/.claude.json

Claude Code(仅当前项目)

stdio

仓库根目录下的 .mcp.json(已包含)

Cursor / Windsurf / 其他

stdio 或 HTTP

参见应用文档

Claude Desktop 和 Cowork 共享同一个配置文件。Claude Code 是一个独立的系统。


配置

1. 创建你的 .env 文件

cp .env.example .env
# Required
HA_URL=http://your-home-assistant:8123
HA_TOKEN=your_long_lived_ha_token
SSH_HOST=your-openclaw-server-ip
SSH_USER=your-ssh-username
SSH_KEY_PATH=~/.ssh/your_key

# Optional: Local LLM
LOCAL_LLM_ENDPOINT=http://localhost:1234/v1    # LM Studio default
LOCAL_LLM_MODEL=deepseek-r1-0528-qwen3-8b     # or omit to use loaded model

# Optional: Sub-agent models
GEMINI_MODEL=gemini-2.5-flash
CODEX_MODEL=o3

2. 配置 MCP 客户端

Claude Desktop(macOS)

编辑 ~/Library/Application Support/Claude/claude_desktop_config.json

{
  "mcpServers": {
    "elvatis-mcp": {
      "command": "npx",
      "args": ["-y", "@elvatis_com/elvatis-mcp"],
      "env": {
        "HA_URL": "http://your-home-assistant:8123",
        "HA_TOKEN": "your_token",
        "SSH_HOST": "your-openclaw-server-ip",
        "SSH_USER": "your-username",
        "SSH_KEY_PATH": "/Users/your-username/.ssh/your_key"
      }
    }
  }
}

Claude Desktop(Windows MSIX)

打开此文件(如不存在则创建):

%LOCALAPPDATA%\Packages\Claude_pzs8sxrjxfjjc\LocalCache\Roaming\Claude\claude_desktop_config.json
{
  "mcpServers": {
    "elvatis-mcp": {
      "command": "C:\\Program Files\\nodejs\\node.exe",
      "args": ["C:\\path\\to\\elvatis-mcp\\dist\\index.js"],
      "env": {
        "HA_URL": "http://your-home-assistant:8123",
        "HA_TOKEN": "your_token",
        "SSH_HOST": "your-openclaw-server-ip",
        "SSH_USER": "your-username",
        "SSH_KEY_PATH": "C:\\Users\\your-username\\.ssh\\your_key"
      }
    }
  }
}

在 Windows 上始终使用完整的绝对路径。MSIX 沙盒不会解析 ~ 或相对路径。

Claude Code(当前项目)

.mcp.json.example 复制为 .mcp.json(已加入 gitignore,永远不会提交),然后填入你的路径和 SSH 详细信息。接着将 .env.example 复制为 .env 来补齐其余配置。

Claude Code(全局)

claude mcp add --scope user elvatis-mcp -- node /path/to/elvatis-mcp/dist/index.js

HTTP 传输(远程客户端)

MCP_TRANSPORT=http MCP_HTTP_PORT=3333 npx @elvatis_com/elvatis-mcp

将你的客户端连接到 http://your-server:3333/mcp


环境变量

必填

变量

描述

HA_URL

Home Assistant 的基础 URL,例如 http://192.168.x.x:8123

SSH_HOST

OpenClaw 服务器的主机名或 IP

可选

变量

默认值

描述

HA_TOKEN

--

Home Assistant 长期访问令牌

SSH_PORT

22

SSH 端口

SSH_USER

chef-linux

SSH 用户名

SSH_KEY_PATH

~/.ssh/openclaw_tunnel

SSH 私钥路径

OPENCLAW_GATEWAY_URL

http://localhost:18789

OpenClaw Gateway URL

OPENCLAW_GATEWAY_TOKEN

--

可选的 Gateway API 令牌

OPENCLAW_DEFAULT_AGENT

--

openclaw_run 使用的命名 agent

GEMINI_MODEL

gemini-2.5-flash

gemini_run 使用的默认模型

CODEX_MODEL

--

codex_run 使用的默认模型

LOCAL_LLM_ENDPOINT

http://localhost:1234/v1

本地 LLM 服务器地址(LM Studio 默认)

LOCAL_LLM_MODEL

--

默认本地模型(留空则使用服务器已加载的模型)

MCP_TRANSPORT

stdio

传输模式:stdiohttp

MCP_HTTP_PORT

3333

HTTP 端口

SSH_DEBUG

--

设为 1 以输出详细的 SSH 日志

ELVATIS_DATA_DIR

~/.elvatis-mcp

持久化使用数据的目录(速率限制器)

RATE_LIMITS

--

JSON 字符串,包含按 agent 限制覆盖速率


本地 LLM 设置

elvatis-mcp 可与任意兼容 OpenAI API 的本地服务器配合使用。这里有三种常用选择:

LM Studio(推荐桌面端)

  1. lmstudio.ai 下载

  2. 加载一个模型(例如 Deepseek R1 Qwen3 8B、Phi 4 Mini)

  3. 点击侧边栏中的“Local Server”并启用它

  4. 服务器运行在 http://localhost:1234/v1(默认地址)

Ollama

ollama serve                    # starts server on port 11434
ollama run llama3.2             # downloads and loads model

.env 中设置 LOCAL_LLM_ENDPOINT=http://localhost:11434/v1

llama.cpp

llama-server -m model.gguf --port 8080

.env 中设置 LOCAL_LLM_ENDPOINT=http://localhost:8080/v1

按任务推荐的模型

Model

大小

最适合

Phi 4 Mini

3B

快速分类、格式化、提取

Deepseek R1 Qwen3

8B

推理、分析、提示拆分

Phi 4 Reasoning Plus

15B

高度复杂的推理以及高质量输出

GPT-OSS

20B

通用任务、更长响应

推理模型(Deepseek R1、Phi 4 Reasoning)会将其思维链包裹在 thinking 标签中。elvatis-mcp 会自动移除这些标签,给你干净简洁的响应。


SSH 设置

cron工具、memory工具和 OpenClaw 工具通过 SSH 与你的服务器通信。

# Verify connectivity
ssh -i ~/.ssh/your_key your-username@your-server "openclaw --version"

# Optional: SSH tunnel for OpenClaw WebSocket gateway
ssh -i ~/.ssh/your_key -L 18789:127.0.0.1:18789 -N your-username@your-server

在 Windows 上,elvatis-mcp 会自动将 SSH 二进制解析为 C:\Windows\System32\OpenSSH\ssh.exe,并在临时连接失败时重试。设置 SSH_DEBUG=1 可查看详细输出。


/mcp-help 斜杠命令

在 Claude Code 中,/mcp-help 斜杠命令会将完整的 34 工具路由指南以格式化输出显示:

/mcp-help                           # full guide
/mcp-help openclaw_status           # help for a specific tool
/mcp-help analyze this trading strategy for risk  # routing recommendation

速率限制

云量子代理(claude_runcodex_rungemini_run)被限速以避免出现不可控的成本。默认限制:

Agent

/分钟

/小时

/天

估算成本/调用

claude_run

5

30

200

$0.03

codex_run

5

30

200

$0.02

gemini_run

10

60

500

$0.01

本地代理(local_llm_runhome_*openclaw_*)不受限。

使用数据持久化到 ~/.elvatis-mcp/usage.json。可通过 RATE_LIMITS 环境变量覆盖限制:

RATE_LIMITS='{"claude_run":{"perMinute":3,"perDay":100}}'

开发

git clone https://github.com/elvatis/elvatis-mcp
cd elvatis-mcp
npm install          # builds automatically via prepare script
cp .env.example .env # fill in your values
node dist/index.js   # starts in stdio mode, waits for MCP client

构建并监听模式:

npm run dev

运行集成测试:

npx tsx tests/integration.test.ts

项目结构

src/
  index.ts              MCP server entry, tool registration, transport, dashboard
  config.ts             Environment variable configuration
  dashboard.ts          Status dashboard HTML renderer
  ssh.ts                SSH exec helper (Windows/macOS/Linux)
  spawn.ts              Local process spawner for CLI sub-agents (supports stdin piping)
  session-registry.ts   CLI session registry: persist/resume Claude, Gemini, Codex sessions
  tools/
    home.ts             Home Assistant: light, climate, scene, vacuum, sensors
    home-automation.ts  HA automations: list, trigger, enable, disable
    memory.ts           Daily memory log: write, read, search (SSH)
    cron.ts             OpenClaw cron: list, run, status (SSH)
    cron-manage.ts      OpenClaw cron: create, edit, delete, history (SSH)
    openclaw.ts         OpenClaw agent orchestration (SSH)
    openclaw-logs.ts    OpenClaw server log viewer (SSH)
    notify.ts           WhatsApp/Telegram notifications via OpenClaw
    claude.ts           Claude sub-agent (local CLI, for non-Claude clients)
    gemini.ts           Google Gemini sub-agent (local CLI)
    codex.ts            OpenAI Codex sub-agent (local CLI)
    local-llm.ts        Local LLM sub-agent (OpenAI-compatible HTTP)
    local-llm-models.ts LM Studio model management (list/load/unload)
    llama-server.ts     llama.cpp server manager (start/stop/configure)
    file-transfer.ts    File upload/download via SSH
    system-status.ts    Unified health check across all services
    splitter.ts         Smart prompt splitter (multi-strategy)
    split-execute.ts    Plan executor with agent dispatch and rate limiting
    help.ts             Routing guide and task recommender
    routing-rules.ts    Shared routing rules and keyword matching
  rate-limiter.ts       Rate limiting + cost tracking for cloud sub-agents
tests/
  unit.test.ts          42 unit tests (no external services needed)
  integration.test.ts   Live integration tests

许可证

Apache-2.0 -- Copyright 2026 Elvatis

A
license - permissive license
A
quality
A
maintenance

Maintenance

Maintainers
14hResponse time
4wRelease cycle
6Releases (12mo)
Commit activity
Issues opened vs closed

Resources

Unclaimed servers have limited discoverability.

Looking for Admin?

If you are the server author, to access and configure the admin panel.

Related MCP Servers

View all related MCP servers

Related MCP Connectors

  • MCP server for AI agents to plan, verify, and deploy Cloudflare-native apps.

  • An MCP memory server. One memory your agents share — across models, devices and apps.

  • Cloud-hosted MCP server for durable AI memory

View all MCP Connectors

Latest Blog Posts

MCP directory API

We provide all the information about MCP servers via our MCP API.

curl -X GET 'https://glama.ai/api/mcp/v1/servers/elvatis/elvatis-mcp'

If you have feedback or need assistance with the MCP directory API, please join our Discord server