适合谁
- 想要在部署前发现 MCP 服务器配置与约束问题的开发者
- 需要在 CI/CD 中加入 MCP 服务器质量检查的团队
- 愿意在容器中隔离运行被测服务器并手动复核输出的研究人员
M
52FMRS · D
MCP Interviewer 是微软开源的 MCP 服务器预检工具，把约束检查、可选功能测试、实验性 LLM 评估和报告生成打包成一个 CLI（也可作为 Python 库使用）。它的价值在于让开发者更早发现服务器配置与行为问题，并可在 CI/CD 中用 --fail-on-warnings 把关。但它会执行任意服务器命令、测试时会实际调用工具，且官方明确标注为研究与实验用途，输出需要人工复核，因此不适合在不做隔离和审查的情况下直接用于生产环境。
MCP Interviewer 是微软开发的一个 Python 命令行工具，用于在 LLM 智能体使用 MCP 服务器之前对其进行检查。它提供三个层面的能力：约束检查（例如 OpenAI 对工具数量、名称长度、名称模式和 token 长度的限制）、可选的功能测试（由你指定的 LLM 根据服务器能力生成测试计划并调用工具执行，收集工具行为统计），以及实验性的 LLM 评估（对服务器特性给出结构化与自然语言的评价）。检查完成后会生成 Markdown 报告以及原始数据的 JSON 文件。该工具需要执行你提供的 MCP 服务器命令，官方建议在容器中隔离运行，并明确说明其面向研究与实验用途，尚未经过商业或真实场景的充分验证。
安装接入
- 作为 CLI 工具安装：pip install mcp-interviewer。
- 将 MCP 服务器命令作为参数传入，例如先设置容器命令 NPX_CONTAINER="docker run -i --rm node:lts npx"，然后执行 mcp-interviewer "$NPX_CONTAINER -y @modelcontextprotocol/server-everything"。
- 如需功能测试或 LLM 评估，添加 --model 和 --test / --judge-tools / --judge-test / --judge 等标志（这些选项需要模型）。
- 运行后会生成 mcp-interview.md 报告和对应的 mcp-interview.json 数据文件。
- 也可以作为依赖使用：uv add mcp-interviewer 或 pip install mcp-interviewer，并在 Python 中导入 mcp_interviewer。
选型与风险
不适合谁
- 希望直接在生产环境中无隔离运行任意服务器命令的用户
- 期望获得经充分验证、可直接商用结论的用户
- 不希望配置容器隔离或 LLM 模型客户端的用户
所需权限
- 执行用户提供的 MCP 服务器命令（在子进程中运行，MCP Python SDK 会在主机上执行任意命令）
- 启用功能测试（--test）时会调用服务器的工具
- 使用 LLM 功能时需要访问所指定的 OpenAI 兼容 API（可能包括本地 Ollama 端点）
风险与副作用
- 被测服务器命令会在主机上执行，若不在容器中隔离，可能危及主机系统、敏感数据或文件
- 启用 --test 会实际调用服务器工具，可能产生不可预期的副作用
- 服务器可能带有恶意或误导性的工具元数据，导致 MCP Interviewer 的输出不准确或被操纵
- LLM 生成的功能测试计划和评估结果可能有错误，官方提示所有 LLM 评估都应人工复核
- 该工具为研究与实验性质，尚未经过充分测试与验证
常见排障
- 若命令未找到或执行失败，确认服务器命令本身可独立运行，并考虑用容器命令（如 docker run -i --rm node:lts npx）包装
- 若提示需要模型，检查是否使用了 --test、--judge-tools、--judge-test 或 --judge，并为这些选项提供 --model
- 连接本地模型（如 Ollama）失败时，检查 --client-kwargs 中的 base_url 与 api_key 是否正确
- 使用自定义 OpenAI 兼容客户端时，确认 --client 指定的导入路径可被解析且为无参可调用对象
- 若输出可疑或异常，先人工检查服务器元数据，并参考仓库的 TRANSPARENCY.md 说明
使用场景
在把 MCP 服务器交给智能体使用前，检查其是否违反提供方的硬性约束
为 CI/CD 流程做检查，使用 --fail-on-warnings 在出现约束警告时失败
对 MCP 服务器进行功能测试，调用其工具并收集工具调用统计
使用 LLM 对服务器工具和测试结果进行实验性评估，并生成 Markdown 报告