AI创业内参
Agent工坊

【Agent工坊】你的MCP服务器正在拖垮AI Agent：用mcpgrade 3分钟排查，告别"工具选错症"

AI创业内参

36个热门MCP服务器静态分析结果触目惊心：MongoDB官方66分、Notion 62分、Airtable 69分——1/3的MCP服务器对AI Agent实际上"不可用"。不是协议的问题，是设计的问题。今天教你用mcpgrade给MCP服务器做体检。

一个你肯定遇到过的场景

你用Claude Code写了一段代码，想让Agent帮你查数据库。Agent说"我可以用MongoDB MCP工具"。你信心满满地让它执行——结果Agent选了完全错误的collection，幻觉出一个不存在的字段名，然后在你每次请求上浪费8k tokens去解析schema。

你以为是模型的问题？换了个模型还是一样。

问题不在模型，在你的MCP服务器。

7月21日，开发者Teng Li发布了一篇引爆Hacker News技术圈的文章，揭露了一个被所有人忽视的事实：MCP协议规范不等于Agent可用性。一个MCP服务器可以100%通过协议验证，但对AI Agent来说完全不可用——就像一辆通过年检但发动机漏油的车。

数据触目惊心：1/3的MCP服务器不及格

Teng Li开发了一款叫 mcpgrade 的工具（你可以理解为MCP版Lighthouse），对36个社区最流行的MCP服务器进行了静态分析评分。结果出乎所有人意料：

MCP服务器质量分布（36个热门服务器）:
████████████ 44% A级（15个） — 可用
████████░░░░ 22% B/C级（8个）  — 勉强可用
████████████ 33% D/F级（11个） — 不可用

最让人震惊的不是低分数量，而是低分来自谁：

MCP服务器 评分 错误数 谁做的
MongoDB官方 66分 66个错误 MongoDB公司
Notion官方 62分 — Notion公司
Airtable官方 69分 66个错误 Airtable公司

反直觉吧？大厂官方出品的MCP服务器，反而质量最差。而社区项目——brave-search、tavily、perplexity-ask、@shopify/dev-mcp——全部拿了A级。

这背后有一个残酷的真相：大厂是把"MCP服务器"当成API文档的另一种格式来写的，而社区项目是真正在为AI Agent设计工具描述。

MCP服务器报废的三种致命模式

mcpgrade的分析框架揭示了MCP服务器失败的三类根因。理解这些，你就能自己判断一个MCP服务器是否值得接入。

致命模式一：工具描述对AI Agent"语义不可见"

AI Agent选择工具的机制很简单：它读取工具的名称和描述文本，然后判断"这个工具能完成用户的任务吗"。

如果一个MongoDB查询工具的描述写成这样：

"Executes a query against the database using the provided filter and options."

Agent看到的是什么？一堆泛泛的词汇。它不知道这个工具能做find()还是aggregate()，也不知道filter参数该传什么格式。

正确的写法应该是：

"Finds documents in a MongoDB collection matching the given query filter.
Supports MongoDB query operators ($eq, $gt, $in, $regex, etc).
Returns up to 100 documents sorted by _id descending unless specified otherwise.
Parameters: collection (string, required) - collection name; filter (object, required) - MongoDB query filter; limit (number, optional) - max documents to return (default 100)."

区别在哪？第二个版本给了Agent足够多的语义锚点：它能判断这个工具是查文档的，知道可以用MongoDB的$in操作符，知道默认返回100条。

Teng Li的发现是：差的描述导致Agent选错工具，选了工具又幻觉参数，幻觉了参数还不报错——整个链条的源头都是几行描述文字没写好。

致命模式二：Schema设计无视AI Agent的Token预算

你有算过吗？每次Agent调用MCP工具，它要先把工具的完整JSON Schema读到上下文中。一个典型的数据库MCP工具，schema动辄5000-10000个字符。如果Agent在一次对话中调用了10次工具，光解析schema就烧掉了50k-80k tokens。

Teng Li在生产环境中观察到：Agent在每个请求上平均浪费8k tokens来解析劣质MCP schema。按当前API价格（Claude Sonnet 5 $3/M input tokens），每次对话多花$0.024。你一天跑100次自动化任务，一年下来就是$876的纯浪费。

mcpgrade的评分标准中有一项专门检查Schema冗余度——建议每个工具的参数不超过5个必需字段，每个参数描述不超过两句话。

致命模式三：错误处理对Agent"完全黑盒"

这是最隐蔽的坑。你用过这种API吗：不管内部发生什么错误，永远返回{"error": "something went wrong"}？

对MCP服务器来说，这种笼统的错误信息比没有错误信息更糟。因为Agent会基于错误信息做决策——如果它收到"something went wrong"，它可能重试3次，每次都失败，然后告诉你"任务无法完成"。但如果它收到"collection 'users' not found. Available collections: accounts, products, orders"，它就能立即修正。

好的MCP服务器会暴露"具象化错误"：

❌ 坏: {"error": "query failed"}
✅ 好: {"error": "MongoDB query failed: field 'email' does not exist in collection 'users'. 
       Available fields: username, login_email, contact_email. 
       Did you mean 'login_email'?"}

第二种错误不仅让Agent能修复，还能让人看懂。这在生产环境中意味着自动修复率大幅提升。

实战：3分钟用mcpgrade给你的MCP服务器体检

mcpgrade目前是开源工具（tengli.dev/mcpgrade），直接对MCP服务器配置做静态分析。流程非常简单：

第一步：安装

npm install -g mcpgrade
# 或
pip install mcpgrade

第二步：扫描你的MCP配置

# 扫描单个MCP服务器
mcpgrade analyze ./my-mcp-server/

# 扫描Claude Code的MCP配置文件
mcpgrade analyze ~/.claude/mcp.json

# 批量扫描projects目录
mcpgrade batch ./projects/mcp-servers/

第三步：看报告

mcpgrade会生成一份类似Lighthouse的报告，包含：

  • 总分（100分制，≥80分可用）
  • 描述质量：工具名是否自解释、参数描述是否包含枚举值
  • Schema精简度：是否有多余字段、参数数量是否合理
  • 错误处理：是否每个错误路径都有具象化错误信息
  • 示例完备性：是否提供了input/output示例帮助Agent理解

一票否决指标（出现任何一项直接判定不可用）：
- 无工具描述或描述少于20字符
- 无参数类型定义
- 所有错误返回同一字符串

建议你今晚就扫描一下正在用的MCP服务器。如果发现D/F级，优先替换成A级的社区替代品。

MCP服务器选型清单（可直接复制）

基于mcpgrade公开发布的评分数据，我们整理了一份快速参考：

✅ A级（可以直接用，44%的服务器在此列）

这些服务器通过了mcpgrade 80+评分，Agent友好度极高：

用途 推荐MCP服务器 评分
网页搜索 brave-search, tavily, exa A
地图/位置 google-maps A
团队协作 slack, gitlab A
AI搜索 perplexity-ask A
电商 @shopify/dev-mcp A
搜索 elastic A
出行 airbnb A

⚠️ B/C级（测试环境可以用，生产慎用）

22%的服务器在这个区段。描述基本可读，Schema勉强够用，但Agent有时会选错工具或传错参数。如果必须用，建议加一层wrapper做错误修正。

❌ D/F级（不建议使用）

33%的服务器在这里，包括多个大厂官方MCP服务器。问题集中在：描述太泛、Schema太臃肿、错误信息不透明。

更深一层：为什么这会影响你的AI创业

如果你在做AI Agent创业，MCP服务器质量不是技术细节，是商业模式问题。

想象你的产品依赖MongoDB MCP服务器做数据查询。用户每次请求因为劣质工具描述多花8k tokens → 你的API成本增加 → 用户付费意愿下降 → 利润被token成本吃掉。

换个角度：如果你的Agent产品用的是A级MCP服务器（brave-search、tavily等），Agent的选择准确率更高、token消耗更少、错误修复更快。这直接转化为：
- 用户满意度提升
- API账单下降20-30%
- 自动化任务成功率从75%提升到95%+

一条简单的规则：把你的MCP依赖当成产品质量的一部分来管理。 不是"能用就行"，而是"Agent能用对才行"。

行动建议

  1. 今天就扫描：用mcpgrade扫描你项目中所有MCP服务器配置（5分钟）
  2. 建立准入标准：新增MCP服务器必须≥80分才能合并到生产
  3. 替换D/F级依赖：优先替换为同功能的A级服务器（参考上面清单）
  4. 量化Token浪费：算一下劣质MCP服务器每月浪费你多少API费用（给自己一个数字）
  5. 加入MCP服务器CI检查：在CI/CD中加入mcpgrade analyze命令，低于80分自动阻断部署

总结

MCP协议给了AI Agent"手和脚"，但不是所有手和脚都好用。Teng Li和mcpgrade的贡献在于：把"好不好用"从一个主观感受变成了可量化的评分——就像Lighthouse让网页性能可测量一样。

记住三个数字：1/3的MCP服务器不及格、每次请求浪费8k tokens、大厂官方不等于质量好。

检查你的MCP依赖，别让劣质服务器悄悄吃掉你的利润。

参考来源: tengli.dev/posts/mcp-servers-failing-agents.html (Teng Li, 2026-07-21)

AI创业 #Agent工坊 #MCP协议 #AI工具 #一人公司