MCPZoo：构建模型上下文协议生态测量体系
随着大型语言模型（LLM）能力的不断提升，模型上下文协议（Model Context Protocol, MCP）正在成为连接智能体与外部世界的重要桥梁。
在智能体逐渐从“能对话”走向“能执行”的过程中，如何让模型安全、高效地调用外部工具、访问实时数据、完成复杂任务，已经成为推动人工智能落地的关键问题。MCP 的提出，为智能体提供了一套开放、可扩展的标准化接口，让 AI 真正具备“操作世界”的能力。
然而，随着 MCP 项目的数量增长，生态呈现出分散、多样、标准不一的特征。目前，行业对这一新兴生态的理解速度，远不及其实际的发展速度。由于缺乏系统性的测量与结构化的分析，我们难以准确评估整个生态系统的规模、构成及其技术趋势。为此，我们打造了 MCPZoo —— 一个涵盖大量 MCP 服务器的运行样本库，通过自动化收集、部署与测量的方式，对不同来源的 MCP 实例进行统一化整理与运行验证。
MCPZoo致敬了移动安全领域经典数据集AndroZoo[1]，因为我们同样在研究一个快速扩张、形态多样的新兴生态。我们希望也以“Zoo”的方式，将它们集中起来、系统观察，丰富人们对这一前沿生态的认识。
数据采集与自动化部署
我们从 MCP World、MCP.so、MCP Servers Repository 和 AIbase MCP 四个主要生态源出发，通过自动化爬取、解析与标准化处理，对公开 MCP 项目的名称、仓库地址、配置文件与工具定义等核心要素进行标准化抽取与去重整合，形成结构化数据库。在这一过程中，我们收集了6万多个MCP 服务器项目 ——《MCP物种图鉴》编写完成。
然而，动物标本展览馆并不等于动物园。在 MCP 的野生环境中，许多项目看似完好，实则因依赖缺失、配置错误而无法正常运行。因此，我们不仅要”收集”，更要让每一个 MCP 服务器都能在我们的园区里”活起来”——这正是我们打造 MCPZoo 的初衷。 在此基础上，我们进一步打造了一个由大模型驱动的自动化容器部署体系。该体系能够根据项目结构自动生成匹配的 Dockerfile，并完成镜像构建与运行验证，使 MCPZoo 由一个静态的“仓库目录”真正转变为可部署、可复现的大规模运行样本库。 为了确保测量的全面性，MCPZoo 同时支持 MCP 的三种核心通信模式——STDIO、SSE 与 Streamable HTTP。其中，STDIO 模式常用于本地开发，SSE 适合实时推送场景，而 Streamable HTTP 则是云原生环境中的主流方案。通过统一封装的多协议适配层，我们能够自动识别服务器通信方式并建立稳定交互，这也是 MCPZoo 能够规模化运行的关键。 借助这一自动化流程，我们成功汇聚并构建了万余个独立的 MCP 镜像服务器，为后续的生态测量与功能分析提供了强大的数据基础。
该数据集仅用于学术研究目的，如需进一步了解欢迎联系洪赓老师：ghong@fudan.edu.cn
MCP 生态结构观察
研究发现，当前 MCP 生态的服务器类型分布呈现出较为明显的结构特征。管理系统和数据管理与处理类服务器最多，共占比12.10%，这说明当前 MCP 生态的核心功能仍然集中在结构化数据的获取、转换与分析环节。排在第三名的是内容生命周期管理类服务器，反映出内容生成、更新与组织在智能应用中的广泛需求。
在功能层面，我们随机选取了 1000 个可交互的 MCP 服务器样本，一共识别出 9337 个独立工具，平均每个服务器有 9.3 个工具。这些工具中用于检索的工具的数量最多，有 31 个服务器出现了检索类（search）的工具；其次是 describe_table、echo、list_tables、read_file、add 等功能模块。这些高频工具以数据访问、文件操作和内容生成类能力为主，广泛应用于信息检索、内容生成、数据处理等场景，构成了 MCP 生态的核心功能层。
研究发现，MCP 的部分发布者并非个人开发者，而是由组织或平台自动化生成与托管。例如，MCP-Mirror 作为开放镜像仓库，共发布了 1633 个服务器，用于集中再分发社区中的 MCP 工具；ag2-mcp-servers 则隶属于 AG2 平台，共发布了 973 个服务器，它通过工具自动构建并发布 MCP Server，实现了大规模的批量生成。 从发布者分布图可以看出，除上述集中化平台外，生态中还存在若干活跃的独立组织与开发者。其中，CDataSoftware 与 kukapay 的发布量明显高于其他主体，分别达到 403 和 141 个，代表了具备持续开发与维护能力的中型贡献者；而 AWS Labs、Aliyun、Microsoft 等机构的参与，则体现出云服务商与大型企业对 MCP 标准的关注。整体而言，MCP 生态的发布结构呈现出“平台主导、企业跟进、个人分布广泛”的格局。
从分散到集成：MCP 生态的演化方向
总体来看，当前 MCP 生态正处于由分散走向集成的早期阶段。不同来源的服务器在实现方式、通信协议和配置结构上各自独立，这种多样性体现了生态的开放性与创新活力。与此同时，诸如 MCP-Mirror 这样的再发布仓库正在发挥聚合作用，推动生态内部形成初步的标准化与统一格式，为后续的兼容性和互操作性奠定基础。
结语
通过系统化的爬取、解析与自动化部署，MCPZoo 目前已构建出大规模的 MCP 服务器样本库，并从运行层面对这一新兴生态的结构特征与功能分布进行了测量。这些工作为后续的生态测量与安全分析提供了数据基础，也为 MCP 生态的持续发展与研究提供了可验证的参考。我们希望MCPZoo可以深化公众对MCP生态的认识，让人们清晰地看见AI产业的前沿。
威胁情报小组
洪赓，助理研究员、硕导。研究聚焦于网络黑灰产检测、网络犯罪治理、人工智能安全治理等，目前已在IEEE S&P、USENIX Security、ACM CCS、NDSS等国际顶级会议上发表十余篇高水平学术论文，担任ACM CCS 24、CCS 25程序委员会委员，并主持国家自然科学基金青年项目等重要研究课题。相关成果在执法机关、头部公司均有成功应用，曾获ACM SIGSAC China优博奖（全国共3位）、ACM CCS 2018亮点论文等；学生培养方面，指导本科生团队获得“挑战杯”全国大学生课外学术科技作品竞赛全国特等奖、全国大学生信息安全竞赛一等奖等荣誉。个人主页：https://ghong.site/
邬梦莹，系统软件与安全实验室21级直博生。主要研究方向为网络黑产和互联网测量，目前已在ACM CCS、NDSS、USENIX Security、IEEE/ACM ICSE等网络安全及软件工程国际顶级会议上发表5篇高水平学术论文。相关研究成果在政府部门和工业界落地实战，取得良好效果。个人主页：https://funeoka-yumee.github.io/
万缤王，系统软件与安全实验室25级硕士。本科毕业于哈尔滨工业大学网络空间安全专业，主要研究方向为互联网测量、AI安全等。
安柏超，系统软件与安全实验室25级硕士。本科毕业于复旦大学保密技术专业，主要研究方向为互联网测量、AI安全等。
[1] Androzoo. https://androzoo.uni.lu/