概述

AI和LLM等领域，技术更新迭代速度实在是太快，学不过来也得学。MCP，Model Context Protocol，模型上下文协议，之前搜集整理过2篇MCP系列文章，请参考：

• MCP系列（一）
• MCP系列（二）

Chrome MCP

一款基于Chrome插件的开源（GitHub，7.9K Star，671 Fork）MCP服务器，主要功能是将Chrome开放给LLM，让AI来（直接）操作Chrome（原生Chrome API），处理复杂的语义搜索、内容分析等任务。

功能

• 生态支持：支持各种LLM、MCP工具（即Client，如Cursor、VScode、Cherry Studio）
• 支持20+原生Chrome工具：截图、网络监控、内容分析、互动、数据管理等
• 原生浏览器操作：无需再打开一个浏览器进程，使用原生Chrome API
• 本地化：完全本地化运行，保证隐私安全
• 流式连接：支持Streamable HTTP连接
• 浏览历史和书签管理：可对浏览历史进行分析，协助管理书签
• 跨页签操作：支持批量管理内容，提升多任务处理效率

部署

# 全局安装
npm install -g mcp-chrome-bridge
# GitHub Release页面下载zip包后解压，chrome://extensions

npm安装成功后，即启动一个Server服务，可使用Cherry Studio等工具，连接到该Server，查看其提供的工具。

MCP-Use

开源（GitHub，7.5K Star，871 Fork），通过6行代码就可实现任意LLM与MCP服务器的无缝连接，赋能网页浏览、3D建模等多样化场景。

提供多服务器动态选择、HTTP连接和E2B沙盒化执行，保障隐私与安全。

核心上，MCP-Use解决了AI代理生态系统中一个关键问题：将语言模型连接到工具和外部系统，而不被锁定在特定的供应商或平台中。

核心功能

• 快速上手方式：仅需6行代码即可创建MCP Agent
• 多模型支持：兼容LangChain支持的所有LLM（OpenAI、Claude、Llama等）
• 多服务器连接：动态选择最优MCP服务器
• HTTP支持：连接特定端口的MCP服务器
• 工具控制：为确保安全，MCP-Use提供细粒度工具限制（如如禁用文件系统或网络访问）
• E2B沙盒：集成E2B云沙盒，代码在沙盒中运行，避免本地污染

实战

安装：pip install mcp-use

示例配置文件：

{
	"mcpServers": {
		"playwright": {
			"command": "npx",
			"args": ["@playwright/mcp@latest"],
			"env": {
				"DISPLAY": ":1"
			}
		}
	}
}

代理

import asyncio
import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from mcp_use import MCPAgent, MCPClient

async def main():
	load_dotenv()
	# 创建Playwright MCP服务器的配置字典
	config = {}
	client = MCPClient.from_dict(config)
	client = MCPClient.from_config_file(mcp.json)
	llm = ChatOpenAI(model="gpt-4o")
	agent = MCPAgent(llm=llm, client=client, max_steps=30)
	result = await agent.run("使用Google搜索找到芝加哥最好的比萨餐厅",)
	print(f"\n结果: {result}")

if __name__ == "__main__":
	asyncio.run(main())

应用场景

• 网页浏览：自动化搜索、抓取数据
• Airbnb搜索：查找住宿，筛选条件
• 3D建模：通过Blender创建3D模型，适合设计和游戏开发
• 企业自动化：如IBM、NVIDIA使用MCP-Use整合内部工具
• 开发增强：与VS Code、Copilot结合，优化编码工作流

ContextForge

IBM开源（GitHub，2.5K Star，305 Fork），MCP Gateway+MCP Registry，集代理、注册表和虚拟化能力于一体，为开发者打造一站式AI工具与服务中枢。不仅是一个网关，更是未来AI应用栈的重要标准组件：连接工具、资源、提示词和代理，搭建出完整的AI服务操作系统。

定位：功能丰富的网关+代理+注册中心+流量调度中心+服务治理核心，统一对接MCP兼容应用和REST API服务，帮助开发者在一个端点上实现：

• 服务发现与注册
• 授权与认证管理
• API速率限制与自动重试
• 实时日志与可观测性
• 多种协议（HTTP、WebSocket、SSE、stdio、JSON-RPC）的转发与适配
• 虚拟化旧有API并包裹为MCP工具

架构

特性

• 协议适配与灵活中间层
  • 可挂载在任意MCP服务或REST API前
  • 自动将REST/gRPC API转换为MCP工具
  • 同时支持HTTP/JSON-RPC、WebSocket、SSE、stdio、可流式HTTP等传输
• 联邦注册（Federation Registry）
  • 支持通过mDNS自动发现或手动配置Peer Gateway
  • 健康检查+自动合并远程注册表
  • 通过Redis缓存和同步，支持跨集群高可用部署
• REST-to-MCP工具适配器
  • 自动从REST API的OpenAPI/JSON Schema提取调用定义
  • 支持多种鉴权（Header、Token、自定义认证）
  • 内置超时、重试和流控策略
• 虚拟化与统一注册
  • 将旧有API包装为虚拟MCP服务器
  • 统一管理Tools、Prompts、Resources
  • Prompt支持模板化、多模态、回滚与版本控制
  • Resource支持MIME类型识别、缓存、SSE实时推送
• 管理UI与可观测性
  • 内置基于HTMX+Alpine.js的管理后台
  • 实时日志查看、过滤、搜索与导出
  • 支持OpenTelemetry，可对接Phoenix、Jaeger、Zipkin、Tempo等后端
  • 提供LLM特定指标：Token消耗、调用成本、模型性能追踪
• 安全机制
  • 支持Basic Auth、JWT等多种身份认证
  • 配置灵活的CORS、Cookie策略与安全头优化
  • 工具鉴权信息加密存储，保证多环境间安全迁移

应用场景

• AI多工具聚合：想要把OpenAI工具调用、内部私有API、Python工具脚本统一给LLM使用MCP Gateway一键搞定
• 跨团队协作：多个研发团队分别开发MCP服务，通过联邦注册，团队工具可自动发现并整合进同一个网关
• 遗留系统现代化接入：公司内部旧有REST/gRPC服务无需重构，直接通过Gateway适配成MCP工具，被新一代LLM应用复用
• 可观测性与审计：企业级部署场景需要对调用量、成本、安全合规有可观测性。Gateway原生对接OTLP体系，保证透明可控

安装

python3 -m venv .venv && source .venv/bin/activate
pip install mcp-contextforge-gateway
# 启动 Gateway，并开启 UI + 管理 API
export MCPGATEWAY_UI_ENABLED=true
export MCPGATEWAY_ADMIN_API_ENABLED=true
BASIC_AUTH_PASSWORD=pass JWT_SECRET_KEY=my-test-key \
  mcpgateway --host 0.0.0.0 --port 4444

或

docker run -d --name mcpgateway \
	-p 4444:4444 \
	-e MCPGATEWAY_UI_ENABLED=true \
	-e MCPGATEWAY_ADMIN_API_ENABLED=true \
	-e BASIC_AUTH_USER=admin \
	-e BASIC_AUTH_PASSWORD=changeme \
	-e JWT_SECRET_KEY=my-test-key \
	ghcr.io/ibm/mcp-context-forge:0.6.0

浏览器打开http://localhost:4444/admin，管理后台，功能包括：

• 工具与服务注册/删除
• Prompt模板创建更新
• 实时日志监控与过滤
• 健康检查与指标展示
• A2A Agent管控（外部AI代理注册为工具）

通过API将一个REST工具直接注册进MCP Gateway：

curl -X POST -H "Authorization: Bearer $MCPGATEWAY_BEARER_TOKEN" \
	-H "Content-Type: application/json" \
	-d '{
		"name": "clock_tool",
		"url": "http://localhost:9000/rpc",
		"description": "返回当前时间",
		"input_schema": {
			"type": "object",
			"properties": {"timezone": {"type": "string"}}
		}
	}' \
	http://localhost:4444/tools

然后工具会自动出现在Gateway注册表中，任何MCP客户端，如Claude Desktop、VS Code MCP插件。

mcp‑gateway

在GitHub上搜索MCP-Gateway，至少有以下3个结果：

• 微软：GitHub，200 Star，22 Fork，官网
• AmoyLab：GitHub，1.7K Star，145 Fork，Star数量最高。官方文档
• lasso：GitHub，282 Star，21 Fork，官网

很可惜，本文是第3条；在其GitHub的README.md文档里有pip install mcp-gateway，最早使用此名字的代码仓库。

GenAI四类威胁：

• 敏感数据暴露：如果输出未被适当清理，工具可能无意泄露令牌、凭证或内部模型状态；
• Prompt注入：攻击者在工具描述或参数提示中嵌入隐藏指令，模型在运行时会无意执行这些恶意指令；
• 命令注入/远程代码执行：未经过验证的输入传入shell命令或系统调用，可能导致立即的远程代码执行；
• 缺乏日志与监控：没有透明的工具调用日志，难以检测滥用或调查事故。

Lasso Security，首个专为MCP生态设计的安全网关，面向MCP服务器的高级中间层，旨在集中化并增强AI基础设施，作为代理在LLM与各MCP服务器之间构建统一中介，功能：

• 读取服务器配置：从mcp.json文件中读取配置；
• 托管生命周期：启动和管理配置中的MCP服务器；
• 拦截请求与响应：在请求和返回的数据中消除敏感信息，如令牌和机密；
• 统一接口：为所有代理的MCP提供统一的发现与交互接口；
• 安全扫描：分析MCP服务器的信誉和安全风险，在加载前进行检测。

优点

• 开源透明、易于扩展：使用插件架构，方便社区贡献新的Guardrail（护栏）或集成企业内部的安全服务；
• 灵活的安全策略：基础插件提供令牌遮蔽和PII识别，Lasso插件则提供更强大的策略定制和实时威胁检测。用户可根据业务场景选择不同的组合；
• 支持多种部署形态：可通过pip安装，也可使用预构建Docker镜像，适应本地开发和云端部署；
• 统一视图与监控：提供可视化的监控界面，并支持通过xetrack或DuckDB进行详细的调用日志分析。

不足

• 性能开销：添加多层护栏、日志与扫描可能增加延迟，对于追求极低延迟的实时应用，需要注意性能测试。

架构

作为宿主环境中的枢纽：代理内部包含多个MCP‑Client插件，负责与不同MCP服务器通信；外部Agent则通过网关访问这些服务器，并由插件实现的Guardrail提供安全、审计等功能。

作为MCP交互的代理和编排器，注入安全、治理和监控能力，提供安全防护功能：

• Agnostic Guardrails（通用护栏）：在请求和响应两侧应用可配置的安全过滤器，防止敏感数据暴露，并在所有接入的MCP上统一工作。是解决敏感数据泄漏的重要手段；
• 统一可视化：提供集中化仪表盘来监控所有MCP的状态、风险评分及性能指标；
• 安全扫描器：在加载MCP服务器前分析其信誉和工具描述，检测隐藏的恶意指令、敏感文件模式并根据评分自动阻断；
• 高级追踪：保留每个请求与响应的详细日志，可对有偿令牌的使用进行成本评估，并提供行为模式分析。

安装：pip install mcp‑gateway

运行时需要提供mcp.json配置，并通过-p或--plugin指定启用的插件，如token遮蔽和xetrack追踪插件。

mcp‑gateway对外暴露两个统一工具接口：

1. get_metadata：返回所有可用的MCP的元数据，帮助LLM选择合适的工具；
2. run_tool：在清理请求与响应后执行任何被代理MCP的能力。

项目采用插件化设计，用于扩展和增强网关的功能，包括：

插件	支持功能	重点描述
basic	Token/Secret Masking	屏蔽各种常见令牌，如Azure客户端密钥、GitHub/GitLab访问令牌、GCP API Key、AWS AccessToken、HuggingFaceToken等
presidio	PII识别与匿名化	调用微软Presidio库识别信用卡、IP、邮件地址、电话、社会保障号等敏感个人信息并做脱敏。需额外安装pip install mcp-gateway[presidio]
lasso	综合安全策略	需要从Lasso官网申请API。启用后通过Lasso平台实时检查请求与响应的安全违规，包括prompt注入、敏感数据泄露和定制策略
xetrack	跟踪与调试	集成xetrack用于追踪工具调用，记录到sqlite数据库，并支持DuckDB或命令行分析

插件以Guardrail形式对请求和响应进行处理。用户可根据需求组合多个插件，如同时启用basic和lasso来既进行密钥遮蔽，又使用Lasso的高级安全策略。

内置安全扫描器在加载MCP服务器前执行声誉分析和工具描述扫描。它利用开源市场和GitHub数据评估服务器信誉，并检测工具描述中潜在的恶意指令、敏感文件模式并根据评分自动阻断。扫描结果会自动更新配置文件，并为每个服务器标记passed、blocked或skipped。

提供日志追踪和成本分析功能。启用xetrack插件后，每次调用的参数和返回内容都会写入SQLite数据库，并可借助xetrack CLI或DuckDB进行查询。项目文档举例展示了如何用xt tail查询最近的调用并查看目录列表。这不仅可用于调试，还能统计不同MCP的使用模式和花费（例如使用付费的外部API时）。

MCP-Bridge

开源（GitHub，856 Star，108 Fork）。

A middleware to provide an openAI compatible endpoint that can call MCP tools

MCP-Bench

ToolBench：只能让AI调用孤立的工具接口；

BFCL v3：

τ-Bench：步骤简单明确，相当于给出详细实验步骤让AI照做。

MCP-Bench，论文，开源（GitHub，318 Star，39 Fork），与传统测评不同，它直接连接金融交易系统、科研服务器等真实世界工具，要求AI处理类似"帮我分析某支股票的长期投资价值"这种开放式需求。

任务生成是MCP-Bench的核心环节。通过分析工具的输入输出签名，自动发现依赖链，基于此生成104个复杂任务。分为单服务器任务（56个）、双服务器任务（30个）和三服务器任务（18个），涵盖线性工作流、并行执行和混合模式等多种结构。为了模拟真实用户需求，任务描述被模糊化，即转换为自然语言形式，去除明确的工具名称和执行步骤。

覆盖28个工具超市与250种工具的协同网络

特点：

• 领域覆盖广：28个MCP服务器横跨11个专业领域，工具总量达250个，覆盖金融、科学计算、学术搜索等11个核心领域。
• 工具差异化：单个服务器工具数从1个（如Movie Recommender）到35个（BioMCP）不等
• 跨域协同强：通过MCP协议实现标准化调用，支持复杂的跨领域工作流

双重筛选硬指标，任务必须同时满足：

• 可解性评分＞9.0/10分（现有工具能稳定完成）
• 实用价值评分＞5.0/10分（贴近真实生活需求）

双重评估=客观+主观

客观：

• 工具调用有效性：好比考试时写对答题卡上的工具名称，不能张冠李戴；
• schema合规性：像填对答案格式，比如数学题必须写“解：”才符合规范；
• 执行成功：答案本身正确，确保工具调用真能解决问题；
• 依赖顺序：按步骤答题，就像化学实验不能颠倒操作流程。

主观：LLM Judge（使用o4-mini），从任务完成质量、工具使用质量和规划效率三个维度，取平均分。为了减少评分偏差，采用提示词洗牌（prompt shuffling）和多轮评分平均的策略，确保评估结果稳定性。

提示词洗牌是指：为了缓解LLM作为评价者时存在的（评估维度）顺序偏好问题，在每次评分前，系统会随机打乱评分维度（如任务完成质量、工具使用合理性、规划效果等）的呈现顺序，但保持每个维度内的具体内容不变。

实验结论：

1. 模式理解趋于成熟：大多数模型在工具调用和模式合规性上表现良好，表明低层次执行已不再是主要瓶颈；
2. 多服务器场景的挑战：随着任务复杂性和服务器数量的增加，弱模型性能显著下降，而顶级模型展现更强适应性；
3. 规划能力是关键差异：顶级模型在依赖感知和并行效率上的优异表现，凸显规划能力在复杂任务中的核心作用。

Hub

类似于GitHub，HuggingFace，MCP也有很多Hub平台。

MCPHub

官网，汇集超过2.5w个MCP服务器，并进行基础分类和整理。针对约500个常用且备受好评的MCP，平台实现自主托管；用户可在平台上轻松使用，几乎无需任何设置。对于一些优质MCP，进一步进行优化，使用户能够以最低成本在平台上享受高质量云服务。

功能

• 概述（Overview）：通常是GitHub上的README文件，可从中了解MCP安装方式、注意事项等；
• 质量（Quality）：对MCP服务器的质量进行评估，包括客观指标。对于自助托管MCP，还可能包括端到端测试；
• 架构（Schema）：通常指可获取的MCP内部架构信息；
• 评论（Comment）：用户评论；
• MCP GitHub基础信息：在网页右侧列出MCP服务器的其他基础信息。

对于部分自助托管MCP服务器，支持其他特性：

• 端到端测试报告：针对市面上各种复杂的MCP，基于聊天接口进行端到端测试，提供基于用户体验的MCP质量评估。
• Inspector：可以测试MCP服务器特定工具的效果。
• 通过聊天尝试MCP（Try MCP with Chat）：通过这一功能，用户可以实时比较MCP和OpenAI with Search的效果，非常实用。
• 所有自助托管的MCP都支持提供MCPhub的可流式传输HTTP链接供用户使用。用户可以通过MCPhub的令牌直接连接到已部署的MCP服务器，无论是在Claude还是其他客户端上，都无需再担心安装环境失败的情况。

Online Client

允许用户结合一组可信赖的MCP服务器来完成各种任务，支持Google和GitHub两种登录方式。

实际上就是提供一个类似于ChatGPT的聊天窗口

模型列表如上，最新的GPT-5呢？

区别在于支持使用MCP(Use MCP)

开启后，右侧会出现很多MCP Server，默认开启的Servers有84个，可看到该Server的评分信息，也可移除某个Server：

支持从市场安装Server

聊天窗口提供对比视图

账户余额

100个Credits定价1美元，买的越多越优惠。

Submit Server

MCPhub支持开发者提交或认领MCP服务器。只需上传包含README和实现代码的GitHub链接即可。未来还将通过模板来支持开发者提交的MCP自动托管在MCPhub上，开发者可为其MCP设定价格，只要有用户在MCPhub上使用或通过API调用，就可为开发者产生收益。

Awesome MCP Servers

官网，除了汇总Server外，Clients标签页还列举支持使用MCP Server的客户端应用或工具：

如Postman、Cursor等，全是国外产品。

mcp.so

官网，支持关键词搜索，分类很细；提供安装命令和文档，支持用户提交，支持评论与交流。

Smithery

官网，汇总MCP Server（没有Client）并大致分类：

• Memory Management：记忆管理
• Developer Toolchain Integrations：开发者工具链集成
• Market Data and Trading：市场数据和趋势
• Weather Data and Forecasts：天气数据和预测
• Web Search：联网搜索
• Codebase Automation Tools：代码库自动化工具
• Academic Paper Search：学术论文搜索
• SQL Database Querying
• Tool Integration Examples

此外提供Playground，与MCPHub的Online Client比较类似。

支持yolo模式（You Only Live Once，全自动，放手去干）。

模型支持4个：

右上角几个图标

查看代码

安装Server？

右侧面板

可观测性支持

系统提示词调整

支持超时等参数设置

PulseMCP

官网，与其他Hub定位类似，区别在于持续挖掘MCP领域最新动态(Pulse)，搜集Server和Client等资讯，并提供周报（Weekly Newsletter）。