mcpskills-trust-scores

MCP Skills信任评分数据集是一个公开的数据集，用于评估AI技能、MCP服务器和npm软件包的信任度。该数据集包含2273个条目，每个条目对应一个已评分的代码仓库或软件包。核心数据包括一个0-10分的复合信任评分（composite）、一个等级标签（tier，如verified、established、new、blocked）以及支持该评分的元数据，这些元数据覆盖了四个评估维度：活跃度（Alive）、合法性（Legit）、稳健性（Solid）和可用性（Usable）。数据集提供了详细的字段，包括标识符（key）、类型（type，如github或npm）、仓库地址（repo）、包名（package）、评分、等级、模式（mode）、限制状态（limited）、GitHub星标数（stars）、分叉数（forks）、许可证（license）、描述（description）、扫描时间（scannedAt）和发现途径（discoveredVia）。数据以CSV和JSON两种格式提供，并遵循CC BY 4.0许可证。此数据集是官方源（mcpskills.io/data/latest.json）的每周自动更新镜像，旨在方便进行数据分析和学术引用。适用于AI代理安全、软件供应链风险评估、开源项目质量分析等场景。

The MCP Skills Trust Score Dataset is a publicly available dataset designed to evaluate the trustworthiness of AI skills, MCP servers, and npm packages. It comprises 2,273 entries, each corresponding to a scored code repository or software package. The core data includes a composite trust score ranging from 0 to 10, a tier label (e.g., "verified", "established", "new", "blocked"), and metadata supporting the score, which covers four evaluation dimensions: Activity (Alive), Legitimacy (Legit), Robustness (Solid), and Availability (Usable). The dataset provides detailed fields including identifier (key), type (e.g., "github" or "npm"), repository address (repo), package name, score, tier, mode, limited status, GitHub stars, forks, license, description, scannedAt, and discoveredVia. The data is offered in both CSV and JSON formats, and is licensed under CC BY 4.0. This dataset is a weekly automatically updated mirror of the official source (mcpskills.io/data/latest.json), intended to facilitate data analysis and academic citation. It is applicable to scenarios such as AI agent security, software supply chain risk assessment, and open-source project quality analysis.

原始信息汇总

数据集概述：MCP Skills Trust Scores

数据集名称：MCP Skills Trust Scores
许可证：CC-BY-4.0
语言：英语
数据规模：约 1,000 至 10,000 条记录（实际行数：2273 行）
数据集配置：default，数据文件为 mcpskills-trust-scores.csv
来源数据集：原始数据（original）

---

数据集描述

该数据集是关于 AI 技能、MCP 服务器和 npm 包公开信任评分的数据集。每行代表一个经过评分的仓库或包，包含一个 0-10 的综合信任分数、分级标签以及四个维度（活跃度、合法性、可靠性、可用性）的辅助元数据。

• 数据来源与方法论：https://mcpskills.io/methodology
• 权威实时导出地址：https://mcpskills.io/data/latest.json (以及 https://mcpskills.io/data/latest.csv)
• 许可证要求：使用需注明出处（CC BY 4.0）
• 最近更新：2026-06-15
• 行数：2273
• 同步说明：本数据集每周通过自动化作业从权威实时导出地址同步一次，权威数据源为 https://mcpskills.io/data/latest.json，本数据集为便于分析和引用的镜像。

---

文件说明

文件名	描述
mcpskills-trust-scores.csv	完整数据集，RFC 4180 格式的 CSV 文件，许可证注释行以 # 开头。
mcpskills-trust-scores.json	相同数据的 JSON 封装，包含 dataset 元数据、summary（分级计数、平均值）和 rows 数组。

---

列说明

数据集包含以下列：key, type, repo, package, composite, tier, mode, limited, stars, forks, license, description, scannedAt, discoveredVia

• composite：0-10 的信任评分
• tier：分级标签，取值包括 verified、established、new、blocked
• type：类型，取值为 github 或 npm

---

使用示例

DuckDB（自动跳过以 # 开头的注释行）： sql SELECT key, composite, tier FROM read_csv_auto(mcpskills-trust-scores.csv, comment=#) WHERE tier = verified ORDER BY composite DESC LIMIT 20;

pandas： python import pandas as pd df = pd.read_csv("mcpskills-trust-scores.csv", comment="#") df[df.tier == "verified"].sort_values("composite", ascending=False).head(20)

Hugging Face datasets： python from datasets import load_dataset ds = load_dataset("MisterRiseAbove/mcpskills-trust-scores")

---

引用

MCP Skills. (2026). MCP Skills Trust Scores [Data set]. https://mcpskills.io/data/latest.json

数据来源于 MCP Skills (https://mcpskills.io)，遵循 CC BY 4.0 许可。

搜集汇总

数据集介绍

构建方式

在人工智能代理与模型上下文协议（MCP）生态系统蓬勃发展的背景下，供应链中各组件的可信度评估成为关键议题。MCP Skills Trust Scores 数据集应运而生，旨在为AI技能、MCP服务器及npm包提供公开、可复现的信任评分。该数据集通过自动化流程从官方源（https://mcpskills.io/data/latest.json）定期刷新，每周镜像至此。其构建方法基于一个四维评估框架（Alive、Legit、Solid、Usable），针对每个GitHub仓库或npm包计算复合信任评分（0-10分），并划分至四个信任等级（verified、established、new、blocked），同时收录诸如星标数、分支数、许可证等元数据作为支撑。

特点

该数据集的核心特点在于其多维度、结构化的信任评估体系。共包含2273条记录，每条数据涉及类型（GitHub或npm）、仓库名、包名、复合评分、等级、活跃模式（mode）、有限性标识（limited）等丰富字段。数据采用RFC 4180标准的CSV格式（注释行以#开头）或JSON信封格式发布，后者额外包含数据集的元数据描述、摘要统计（如各等级计数、平均分）及完整行记录。这种设计既便于快速浏览全局概况，也支持深度查询与分析，尤其适合用于AI代理安全审计、开源组件风险评估及供应链安全性研究。

使用方法

该数据集的使用方法灵活多样，适配多种数据分析工具与场景。使用DuckDB时，可通过read_csv_auto函数并指定注释符号#直接读取CSV文件，执行类似筛选verified等级并按复合评分降序排列的SQL查询。在Python生态中，pandas用户只需在read_csv中设置comment='#'参数，即可无缝加载数据并进行条件过滤与排序。对于Hugging Face生态系统的用户，更可借助datasets库的一行命令load_dataset直接加载该数据集，实现与模型训练、评测管线的深度集成。此外，官方还为深度分析提供了JSON端点，支持程序化访问与持续集成。

背景与挑战

背景概述

随着人工智能代理（AI Agent）生态系统的蓬勃发展，模型上下文协议（MCP，Model Context Protocol）服务器与npm包作为其关键基础设施组件，其安全性与可信度成为学界与工业界关注的焦点。2026年，MCP Skills团队构建了MCP Skills Trust Scores数据集，旨在系统性地量化评估这些技能模块的信任级别。该数据集由MCP Skills机构维护，包含2273个经过评分的代码仓库与包，覆盖了活跃性（Alive）、合法性（Legit）、稳固性（Solid）与可用性（Usable）四个信任维度，为AI供应链安全研究与信任评分提供标准化基准，迅速成为该领域不可或缺的参考资源。

当前挑战

该数据集首要解决的领域问题是为人工智能技能供应链中的信任缺失提供量化度量方案。在AI代理的快速部署中，MCP服务器与npm包来源多样，存在恶意软件植入、维护停滞或授权不清等风险，而传统的静态分析难以捕捉这些动态信任属性。在构建过程中，团队面临了元数据来源碎片化与评分标准确立的挑战：需从分散的GitHub及npm注册表中提取一致性信息，并设计出鲁棒的四维度评分模型以确保评分能反映真实性能。此外，保持数据集的时效性亦是一大难题，需通过每周自动刷新机制与权威数据源同步，平衡分析便利性与数据新鲜度之间的张力。

常用场景

经典使用场景

在人工智能代理与供应链安全交叉的前沿领域，MCP Skills Trust Scores 数据集作为首个系统性评估 MCP 服务器、AI 技能及 npm 包可信度的公开基准，其经典使用场景是对开源组件进行多维度的信任评分与分级。研究者可依据 Alive（活跃度）、Legit（合法性）、Solid（稳健性）及 Usable（可用性）四大维度合成的综合信任分数（0-10），快速筛选出经过验证的可靠组件，排除被封锁的不安全项目。该数据集支持从 SQL 分析到 Python 数据框架的灵活查询，常被用于构建 AI 代理生态中的安全准入清单，为后续的组件选型与风险评估奠定量化基础。

实际应用

在实际产业部署中，该数据集已被集成至智能代理的自动化运维管道与安全审计流程。开发团队可利用其实时更新的信任评分，在CI/CD流水线中设置准入阀值，自动拦截blocked层级的恶意或过时包，并对new层级的组件触发人工复核。大型企业将其作为内部私有仓库的清洗过滤器，通过比对composite分数与内部安全策略，实现对外部依赖的细粒度管控。此外，数据集的时效性更新机制（每周刷新）使其能够同步捕捉到供应链中组件的状态变迁，如活跃度骤降或许可证变更，为持续监控与应急响应提供决策支持。

衍生相关工作

该数据集的诞生催生了多项衍生研究工作，包括基于其四维评估架构的自动化信任预测模型，研究者利用随机森林或图神经网络从仓库元数据（如star数、fork数、许可证类型）预测新组件的信任分数，以实现零样本风险预警。另一支衍生工作是构建多智能体协同的供应链安全图谱，将每个评分记录作为图谱节点，动态关联已知漏洞数据库与依赖关系网络，形成跨包的威胁传播路径追踪。此外，数据集的层级标签被用作弱监督信号，训练检测恶意MCP服务器的分类器，显著提升了AI代理对外部工具调用的安全护城河能力。