← 返回目录

MCP Interviewer

官方

非标准 Server

在智能体遇到问题之前，先发现 MCP 服务器的问题。

这不是典型的可直接连接的 MCP Server，使用前请先阅读源仓库说明。

查看安装方法 ↓ 横向对比 GitHub 源仓库 ↗

分类: 开发工具第 227 / 438
Stars: ★ 158 非常热门
传输方式: stdio（本地进程） · SSE
运行环境: Python 3.12+ · Docker
凭据: 可选 API Key
许可证: MIT
最近提交: 48 天前

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。

最强项 · 文档质量 14/20 最弱项 · 安全与权限 8/20

可靠性

9/20

安全与权限

8/20

维护活跃度

10/20

文档质量

14/20

安装易用性

11/20

查看各项评分依据

可靠性 9/20: 仅凭 README 与仓库元数据静态评审，未缓存在任何 server manifest，无法验证 MCP 初始化握手、工具列表与真实行为是否一致。README 描述了约束检查、功能测试、LLM 评估与报告生成等路径，且明确指出 LLM 评估为实验性、需人工复核；但仓库内是否提交了测试、CI 覆盖关键路径无证据，故按静态校准上限 12 以内给 9。功能测试（--test）会实际调用服务器工具，失败诊断与错误处理细节未披露，扣分。
安全与权限 8/20: 未发现恶意代码、凭证窃取、隐蔽外传或伪造维护者/测试结果等红线，故不触发 0-4。README 明确警示：mcp-interviewer 会在子进程执行所给 MCP 服务器命令，并建议用 Docker 隔离，同时提示 MCP Python SDK 会执行任意命令、工具元数据可能被恶意操纵。但默认行为仍是执行用户提供的命令，无强制确认或沙箱，--test 会触发真实工具副作用；将 base_url 指向本地 Ollama 等配置涉及 API key 传递但无泄露示例。权限边界与确认机制不完整，给 8。
维护活跃度 10/20: 微软官方仓库、MIT 许可、未归档、155 星、17 个开放 issue，PyPI 上有发布包，说明有一定活跃度与明确归属。但静态材料中看不到具体发布节奏、提交历史、issue 响应速度、依赖更新策略以及安全响应渠道（仅有 CONTRIBUTING.md、TRANSPARENCY.md 的引用，未获取内容）。治理与版本化信息存在缺口，给 10。
文档质量 14/20: 文档结构分层清晰：目录、工作原理（约束检查/功能测试/LLM 评估/报告生成）、约束与报告代码表、安装、快速开始、CLI 与 Python 两种用法、Bring Your Own Models、Limitations、Trademarks，并附示例报告与博客链接。局限性与实验性属性有明确披露（LLM 评估需人工复核、需容器隔离、元数据可能被操纵）。扣分在于缺少具体工具参数细节、成本说明与故障排查章节，且 server manifest 未缓存导致实际行为无法从文档交叉验证，给 14。
安装易用性 11/20: 安装路径明确：pip install mcp-interviewer 或 uv add，CLI 与 Python 两种集成方式均有示例，LLM 功能通过 openai 兼容客户端与 --client-kwargs/--client 灵活配置。但完整可用依赖 Docker 容器化运行目标服务器，Quick Start 与示例都要求预先构造容器命令，属多步且较手动；未提供主流 MCP 客户端（如 Claude Desktop 等）配置文件示例。无 CI/测试文件作为可验证执行证据，按静态校准上限 15 以内给 11。

静态评测 · 未实际运行收录于 2026-09-18

查看 FMRS 评分方法 →

选型与风险

能访问什么执行命令或代码访问网络

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

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

安装接入

准备工作

运行环境：Python 3.12+ · Docker

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。

验证是否装好

运行 `mcp-interviewer "$UVX_CONTAINER mcp-server-fetch"`，确认当前目录生成了 mcp-interview.md 和 mcp-interview. 报告文件，即说明安装成功。

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

试试这样问

连接成功后，可以直接对 AI 助手这样说：

面试一下 @modelcontextprotocol/server-everything，检查有没有约束违规。
用 gpt-4.1 对我的 mcp-server-fetch 服务器做功能测试并生成报告。
检查这个 MCP 服务器的工具数量和名称是否符合 OpenAI 的限制。
对 https://my-mcp-server.com/sse 运行一次完整评估并输出 Markdown 报告。

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

详细介绍

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。