Choisir quels serveurs MCP installer implique de naviguer parmi des milliers d’options. Le dépôt principal dépasse les 75 000 étoiles GitHub, tous les grands éditeurs IA ont adopté le protocole, et les annuaires communautaires recensent plus de 5 800 serveurs.

Cet article dresse la carte du paysage actuel : les serveurs officiels dignes de confiance, les clients à considérer, les SDKs pour développer les vôtres, et les serveurs spécifiques aux bases de données qui comptent vraiment pour notre travail.

Serveurs de référence officiels

Le comité de pilotage MCP maintient des serveurs de référence qui illustrent les bonnes pratiques. Ce sont ceux sur lesquels vous pouvez compter en production, et ils constituent de bons modèles si vous décidez de créer le vôtre.

Les serveurs activement maintenus :

Le serveur Filesystem est probablement l’un des plus utiles, particulièrement pour le développement d’agents personnalisés. Les assistants IA peuvent lire vos fichiers SQL, modèles dbt et configurations sans que vous ayez à tout copier-coller. Git est tout aussi pratique pour l’exploration de dépôts et l’assistance à la revue de code.

Plusieurs serveurs de référence originaux ont été archivés et transférés à la maintenance communautaire ou aux éditeurs. Ils fonctionnent toujours, mais l’équipe centrale MCP ne les met plus à jour :

Serveurs de bases de données :

• PostgreSQL
• SQLite
• Redis

Intégrations de plateformes :

• GitHub (désormais maintenu par GitHub)
• Slack (désormais maintenu par Zencoder)
• Google Drive
• Google Maps
• Brave Search (désormais maintenu par Brave)

Outils de développement :

• Puppeteer
• Sentry
• AWS KB Retrieval

La transition vers la maintenance par les éditeurs profite aux utilisateurs. Quand GitHub maintient le serveur MCP GitHub, vous bénéficiez d’une meilleure intégration et de mises à jour plus rapides lors des évolutions d’API.

Panorama des clients

Les clients MCP sont des applications qui se connectent aux serveurs et exposent leurs capacités aux modèles IA. On compte désormais plus de 300 clients, dont 40+ en développement actif. La plupart d’entre nous n’en utiliseront qu’un ou deux.

Le choix dépend de votre façon de travailler. Claude Desktop convient bien à l’analyse exploratoire, la revue de documentation et les requêtes ad-hoc. Claude Code s’intègre naturellement aux workflows en terminal, comme l’exécution de dbt. Cursor ou Windsurf ont du sens si l’essentiel de votre travail consiste à éditer des fichiers dans un IDE, vous permettant d’interroger des bases de données ou vérifier l’état des pipelines sans changer de contexte.

Adoption par les entreprises

Le protocole bénéficie d’un large soutien de l’industrie. L’adoption par OpenAI en mars 2025 a signalé que MCP dépasse l’écosystème d’Anthropic.

En décembre 2025, Anthropic a fait don de MCP à l’Agentic AI Foundation sous l’égide de la Linux Foundation, en faisant un standard ouvert neutre vis-à-vis des éditeurs.

SDKs et dépôts

Créer votre propre serveur MCP nécessite l’un des SDKs officiels. La plupart des langages sont couverts.

Pour les data engineers, le SDK Python est le choix évident. Installation :

# Avec uv (recommandé)
uv add "mcp[cli]"

# Avec pip
pip install "mcp[cli]"

Nécessite Python 3.10+. Le SDK inclut FastMCP, un framework de haut niveau qui gère la plupart du code répétitif :

from mcp.server.fastmcp import FastMCP

mcp = FastMCP("MyDataServer")

@mcp.tool()
def query_table(table_name: str, limit: int = 100) -> str:
    """Query a table and return results."""
    # Votre logique de base de données ici
    return f"Results from {table_name}"

if __name__ == "__main__":
    mcp.run(transport="stdio")

Le SDK TypeScript fonctionne pour les environnements Node.js :

npm install @modelcontextprotocol/server zod

Nécessite Node.js 18+ (22.7.5+ recommandé). Des SDKs communautaires existent également pour Java, Kotlin, Go, Rust, Swift, Ruby et PHP.

Serveurs pour la data engineering

Plutôt que de construire des intégrations personnalisées pour chaque assistant IA, ces serveurs offrent un accès standardisé à votre infrastructure de données.

Le serveur MCP Snowflake officiel de Snowflake Labs inclut l’intégration Cortex AI, l’exécution SQL, les vues sémantiques et le support RBAC. Les assistants IA peuvent aider à l’optimisation des requêtes et à l’exploration des données en utilisant les données réelles de votre data warehouse, tout en respectant vos contrôles d’accès existants.

Le serveur centralmind/gateway vaut le détour si vous avez plusieurs bases de données. Un seul serveur peut fournir l’accès à PostgreSQL, MySQL, ClickHouse, Snowflake, BigQuery, SQL Server, Oracle, SQLite, ElasticSearch et DuckDB. Un fichier de configuration, un processus serveur, l’accès à l’ensemble de votre paysage de données.

Pour l’infrastructure de streaming, mcp-confluent permet aux assistants IA de lister les topics et schémas, produire et consommer des messages, et accéder aux APIs REST de Confluent Cloud. Utile pour déboguer des pipelines ou explorer le contenu des topics.

Ressources de découverte

Le registre officiel registry.modelcontextprotocol.io est la source de référence pour les serveurs vérifiés. Les annuaires communautaires agrègent l’écosystème plus large :

Pour commencer

Le serveur Filesystem est le plus universellement utile pour les agents personnalisés. Les assistants IA peuvent lire vos fichiers SQL, modèles dbt et documentation directement au lieu de vous voir tout copier dans des fenêtres de chat.

Ensuite, votre base de données principale (Snowflake, BigQuery via MCP Toolbox, PostgreSQL) est ce qui compte le plus. La connaissance du schéma et l’accès à des échantillons de données transforment les suggestions IA génériques en recommandations qui fonctionnent réellement avec vos tables.

Git et le serveur MCP dbt valent la peine d’être ajoutés si vous faites de la revue de code ou avez besoin du contexte de lignage, mais ce sont des raffinements plutôt que des essentiels.