我们分析了 4,584 台 MCP 服务器——平均 Trust Score 为 53.9（满分 100）
发布: (2026年4月17日 GMT+8 08:49)
5 分钟阅读
原文: Dev.to
Source: Dev.to
数字
| 指标 | 数值 |
|---|---|
| 跟踪的服务器 | 4,584 |
| 类别 | 16 |
| 记录的交互总数 | 5,846 |
| 平均信任分数 | 53.9 / 100 |
| 最高信任分数 | 92.1 |
| 信任分数超过90的服务器 | 8 |
平均 MCP 服务器得分为 53.9 / 100——仅略高于及格线。
按类别的信任度
| 类别 | 服务器数 | 平均信任分数 |
|---|---|---|
| Data | 208 | 58.3 |
| Code | 317 | 57.9 |
| Productivity | 263 | 56.7 |
| Finance | 226 | 56.2 |
| Health | 26 | 56.2 |
| Compliance | 83 | 56.1 |
| Security | 52 | 55.9 |
| Communication | 164 | 55.6 |
| Search | 367 | 55.5 |
| Education | 67 | 55.4 |
| Transport | 39 | 55.1 |
| Media | 113 | 54.4 |
| 其他 | 1,880 | 52.6 |
数据和代码服务器领先。 这些类别往往具有更结构化、可预测的行为——这正是信任评分所奖励的。
“其他”类别是长尾——1,880 台服务器（占所有跟踪服务器的 41 %），不属于任何明确的类别。它们低于平均的分数表明许多是实验性的或文档不完善的。
前 8 名：高信任服务器的特征
| 服务器 | 类别 | 信任分数 | 交互次数 |
|---|---|---|---|
| sg-cpf-calculator-mcp | Data | 92.1 | 691 |
| sg-gst-calculator-mcp | Finance | 92.1 | 697 |
| sg‑workpass‑compass‑mcp | Data | 92.0 | 692 |
| sg‑weather‑data‑mcp | Weather | 92.0 | 698 |
| asean‑trade‑rules‑mcp | Data | 91.8 | 691 |
| sg‑regulatory‑data‑mcp | Data | 91.7 | 705 |
| sg‑finance‑data‑mcp | Finance | 91.6 | 695 |
| sg‑company‑lookup‑mcp | Data | 91.4 | 694 |
模式
- 高交互量——每个服务器都有 690 + 次交互。信任是通过持续一致的行为获得的，而不是一次性扫描。
- 范围狭窄——每个服务器只专注于做好一件事。专注的范围 = 可预测的行为 = 更高的信任。
- 结构化数据源——它们封装政府/机构数据，而非随意的网页抓取。
为什么这现在很重要
对于代理开发者
平均服务器得分为 53.9。你会信任一个可靠性评分为 54 % 的承包商吗？在集成前请检查分数。
对于 MCP 服务器构建者
你的行为足迹就是你的声誉。你不能靠徽章来作弊——只能通过可靠的行为来获得。
对于合规团队
欧盟《人工智能法案》（第 12 条）要求对 AI 系统行为进行审计追踪。静态代码审查不足以满足需求。你需要运行时行为基线。
Observatory SDK（Python）
from dominion_observatory import ObservatoryClient
client = ObservatoryClient()
trust = client.check_trust("your-server-name")对于 LangChain 用户
pip install dominion-observatory-langchain自动报告每次 MCP 工具调用遥测的回调处理程序。
方法论
运行时行为分析，而非静态扫描。每次交互都会记录匿名遥测（工具名称、延迟、成功/失败——不包含个人身份信息，也不记录负载内容）。分数根据响应一致性、错误率、延迟稳定性和可用性计算。
完整方法论：
探索数据
- 完整服务器索引：
- 每周报告：
- 类别基线：
- SDK (Python)：
pip install dominion-observatory - SDK (npm)：
npm install dominion-observatory-sdk - GitHub：
- 在调用任何服务器之前检查信任分数：