GitHub上挂着47个MCP服务器，平均星标不到10颗。不是代码烂，是没人找得到。
这是SkillFlow团队过去6周"公开建造"（building in public）时反复看到的场景。他们给36个awesome-list提交了PR，发现社区热情得反常——每个开发者都在问同一个问题：这东西在哪能搜到？
AI智能体（AI Agent）的生态正在以周为单位膨胀。CrewAI、LangGraph、AutoGen轮番更新，MCP（模型上下文协议，Model Context Protocol）和A2A（Agent-to-Agent）协议相继登场。但基础设施没跟上：工具发现（discovery）环节几乎空白。
类比一下：这很像2008年iPhone刚发布时的应用市场。开发者做出了东西，用户不知道去哪找；找到了也不敢装，怕中毒；装上了发现不兼容自己的系统。App Store解决的不是"有没有应用"，而是信任、筛选和匹配。
MCP解决了"怎么连"，但没解决"找谁连"
MCP确实是个关键突破。它统一了智能体调用外部工具的方式——以前每个框架各讲各的方言，现在有了普通话。但协议只是管道，管道里流什么水，没人管。
SkillFlow团队列了四个具体痛点：
信任指标缺失。你怎么知道某个MCP服务器不会偷数据？GitHub星标能刷，README能抄，安全审计报告？大部分项目没有。团队尝试给每个工具打安全分，看代码质量、维护频率、依赖漏洞。
兼容性矩阵混乱。这个技能支持Claude吗？GPT-4呢？你用的LangChain版本？多数工具文档不写这些，用户只能自己试，试错成本极高。
版本追踪没人做。底层大模型能力一变，技能可能静默崩溃。比如某工具依赖GPT-4的函数调用格式，OpenAI一更新，它可能就失效了。但用户和开发者都缺乏感知渠道。
企业级治理空白。团队采购需要审批流、审计日志、技能白名单。个人开发者用不到，但企业买家每张订单都先问："安全怎么处理？"
公开建造6周，三个反直觉发现
SkillFlow从2月开始在社交平台直播开发过程，收获了意料之外的反馈。
第一个发现：社区比想象中开放。他们给36个awesome-list发PR，通过率极高。「MCP社区是我见过最欢迎新人的技术圈」，团队成员在更新里写道。这和区块链协议早期的封闭感完全不同。
第二个发现：企业采购的决策链极长，但触发点极短。每个潜在合作伙伴的第一句话都是安全，第二句是合规，第三句才会问到功能。反过来，一旦安全信任建立，功能谈判反而很快。
第三个发现：长尾工具的生存状况比头部更惨。明星项目可能有几百星，但绝大多数MCP服务器卡在个位数。不是质量差，是分发渠道被头部挤占，新人完全没有冷启动机会。
团队尝试的定位是"聚合层"而非"替代者"——不另起炉灶做新注册表，而是把现有分散的源（GitHub、官方注册表、社区awesome-list）统一索引，加上筛选和治理层。
生态早期，标准比产品更重要
SkillFlow团队认为，当前最缺的不是更多工具，而是描述工具的共同语言。
一个MCP服务器需要什么输入、输出什么格式、依赖哪些模型能力、维护状态如何——这些信息现在散落在README、Discord对话、GitHub issue里，没有结构化标准。团队正在推动一种"技能描述规范"，让机器可读、可比较、可验证。
这和当年npm的package.json、Docker的Dockerfile类似：协议解决"能跑"，标准解决"怎么知道能跑"。
他们的赌注是：MCP生态会经历类似移动应用市场的整合期，从"野蛮生长"到"平台治理"。现在入局做筛选层，比等市场成熟后再切入更容易建立心智。
风险也很明显。MCP本身还在快速迭代，协议变动可能让早期积累的标准失效；巨头（OpenAI、Anthropic）随时可能推出官方市场；开发者习惯免费开源，付费筛选服务的商业模式未经验证。
但团队的数据给了一些信心：6周内自然流量增长中，40%来自"某某MCP工具怎么用"这类长尾搜索——说明需求真实存在，只是没被满足。
如果你正在做MCP相关开发，你现在的工具发现流程是什么？GitHub搜索、Twitter刷帖、还是靠同事口口相传？
热门跟贴