模型上下文协议服务器中运行时故障的分类

MCP（模型上下文协议）使 LLM（大语言模型）能够通过标准化协议与外部工具和数据源进行交互。它在工具增强型人工智能 (AI) 工作流程中的快速采用带来了新的可靠性挑战，例如在运行时接受但未强制执行的配置参数，导致意外的默认行为，其运行时故障特征仍未经过经验检验。我们提出了 MCP 服务器中运行时故障的第一个经验分类法。我们手动分析了通过覆盖 473 个主动维护的 MCP 服务器 GitHub 存储库的存储库挖掘管道识别的 833 个已确认的运行时故障线程，并使用自下而上的开放编码程序导出了分类法。该分类包括 11 个顶级类别和 27 个子类别（73 个叶故障类型），涵盖协议交互、工具调用、模式实施、状态管理、模型提供者集成、安全验证以及超时或显式取消正在进行的操作的反复出现的故障。为了评估分类法的外部有效性，我们调查了 55 位 MCP 服务器开发人员。受访者报告平均遇到过 27 个故障子类别中的 20 个，并且没有一个类别未被观察到。这些结果表明，该分类法反映了基于 MCP 的系统中广泛观察到的运行时故障，并将有助于未来人工智能软件的维护和发展。