周末在Github 上发现了一个组织MangedCode,昨天写了 他的一个组件库13 家 LLM 提供商,一台本地服务器全仿真:.NET 测试的新解法,今天要介绍另一个项目。

NuGet 下载 3.5 万次,45 个版本,测试覆盖率卡在 85% 的门槛上,仓库里躺着 19 篇架构决策记录——这配置看着像某个大厂的开源项目。

再看 GitHub 主页:5 个 Star,0 个 Fork,从头到尾只有一个贡献者。

这个项目叫 ManagedCode.MCPGateway。我花了一天把它读完了,结论是:它赌的那个方向,可能是整个 MCP 网关赛道里最被低估的一个。

先说说它要解决什么问题

用 AI Agent 干过活的人都有体会:给模型接的工具一多,它就开始犯糊涂。

这不是玄学,是有数据的。arXiv 上有一篇 RAG-MCP 的论文做过实验:把全部工具描述一股脑塞进提示词,模型的工具选择准确率只有 13.62%。改用"先检索、再注入"的方式之后,准确率跳到 43.13%,提示词还省了一半 token。

RAG-MCP 论文实验数据

13.62% 什么概念?模型在十个工具里瞎蒙,命中率都比这高。工具描述堆得越多,模型越选不对——这就是工具过载。

而 MCP 生态现在的膨胀速度,正在把这个问题从小麻烦变成大麻烦。2026 年 MCP 协议的月下载量已经过了 9700 万次,一个企业内部挂几十个 MCP 服务器、几百上千个工具,一点不夸张。

市面上的网关都在干什么

理论上,网关应该管这事。但看一圈主流方案你会发现,大家的心思不在这儿。

Docker 的 MCP Gateway 主打容器隔离,防的是供应链投毒;微软的 MCP Gateway 是个 Kubernetes 反向代理,核心是 Entra ID 认证和会话路由;IBM 的 ContextForge 讲究多协议聚合和跨地域联邦;lunar.dev 的 MCPX 从流量可观测性起家。

认证、路由、限流、审计——这些当然都重要。但它们回答的问题是"流量怎么管",而不是"模型怎么在一千个工具里找到对的那个"。绝大多数网关拿到工具目录后,原封不动全塞给模型,顶多做个静态过滤。

ManagedCode.MCPGateway 选了一条没人走的路:把工具检索做成网关的核心能力。

它的做法有点意思

这是个 .NET 库,不是独立部署的服务。dotnet add package 装进去,你的应用里就多了一个网关:左边接本地函数和各种 MCP 服务器,右边既能直接喂给模型,还能把整个聚合目录再导出成一个标准 MCP 端点给别人用。

整体架构

关键在检索这块。它的默认路径不是向量搜索——向量要接嵌入服务,要钱要网。它把每个工具生成一份 Markdown 知识文档,在进程内建一个 RDF 知识图谱,查询来了先跑 SPARQL,图谱语义匹配不上再走排序和模糊回退。全本地,全确定性,零外部依赖。想用向量也行,注册一个嵌入生成器就有,但那是选配,不是标配。

这个取舍我挺欣赏。工具检索这个场景,描述文本短、结构规整、总量也就几千几万条,知识图谱 + SPARQL 的组合其实比向量更对口,还白赚一个可解释性——你能知道模型为什么搜到这个工具。

围绕检索还有一整套给模型用的设计:三个"元工具"(搜索、路由、调用)让 Agent 先查再用,而不是一开始就吞下整个目录;路由接口按类别分批推荐工具,巡检类请求自动偏好只读的安全工具。说白了,它把 RAG-MCP 那篇论文的思路,做成了一个工程上能直接用的东西。

另一个让我意外的地方:协议跟进速度

今年 7 月底,MCP 发布了 2026-07-28 版本规范,算是协议诞生以来最大的一次重写:砍掉 initialize 握手、会话头,引入 server/discover,Tasks(长任务)转正成正式扩展。

这套新东西,Claude Code 到现在还没支持 Tasks 扩展,社区里功能请求还挂着。而这个 5 Star 的小项目,版本号直接跟着官方 C# SDK 走,SDK 出 2.4.0 它就出 2.4.0,Tasks、Apps、缓存提示这些前沿能力全都支持了。

一个人维护的项目,协议覆盖跑在了 Anthropic 自家客户端前面。这事多少有点魔幻。

性能数字也拿得出手

仓库里附了完整的 BenchmarkDotNet 基准,而且写得挺实诚——失败的用例也记录在案。

11 月初的 CI 数据:一万个工具的目录,四个并发授权循环跑下来平均 74.5 毫秒,内存分配 92 MiB。从一千工具扩到一万,耗时只涨了五成,扩展性不错。

性能基准

冷启动贵一些,一百多个工具首次建图索引要半秒多,大头花在分词上。不过相同目录的二次构建能复用共享索引,压到 7 毫秒。

那为什么会只有 5 个 Star

这就是这个项目最值得琢磨的地方。我的判断是三个原因叠加:

一是形态尴尬。它是个 .NET 库,而 MCP 网关的主流叙事是"独立部署的基础设施"。做平台的人看不上库,用 Python、TypeScript 的社区又够不着它。目标用户被收窄到".NET 10 技术栈、且认可 Microsoft.Extensions.AI 抽象"的那一小撮团队。

二是零推广。作者 Konstantin Semenenko 是 Orleans 生态的老面孔,NuGet 个人累计下载 160 多万,但这个项目他基本没吆喝过。那 3.5 万次 NuGet 下载,大概率主要是他自己产品(一个叫 Prostir 的 AI 代理平台)和下游 CI 拉的。

三是赛道认知差。大部分人还没被工具过载毒打过。现在接十几个工具觉得够用,等真挂上一千个工具、看着模型选错工具把生产数据改乱的时候,才会回头找检索方案。

能上车吗

说实话,看你怎么用它。

如果你的团队是 .NET 栈,工具目录已经多到模型开始犯迷糊,这个项目值得进评估清单——检索质量拿自己的工具语料实测一下,别光看文档。用法上它也不排斥别的网关:集群边界上照样可以摆 ContextForge 管认证审计,MCPGateway 嵌在应用里管工具发现,两层互补。

风险也得说清楚:单人维护是硬伤,107 次提交全是一个人写的,它还依赖同作者的另一个年轻库 MarkdownLd,等于一条单人双层依赖链。MIT 协议可以 fork,作者的生意也建立在这套东西上,存续动机比一般玩票项目强,但选型记录里这一笔必须写明白。

写在最后

这个项目的处境,其实挺像早期的好多基础设施:问题真实存在、解法站得住脚、工程做得扎实,但市场还没疼到那个份上。

RAG-MCP 那 13.62% 的准确率摆在那儿,工具检索迟早会变成网关的标配能力——等 Agent 真进生产环境,这个问题藏不住。到那天再回头看,一个 5 个 Star 的项目提前一年把答案写好了,也不算稀奇。

开源世界里,Star 数衡量的是注意力,不是正确性。这两者错配的时候,往往是值得多看一眼的时候。


数据来源:GitHub、NuGet 公开数据及项目文档,采集于 2026 年 11 月;开源项目数据变化快,引用前建议复核。


原文地址: https://www.cveoy.top/t/topic/qHYa 著作权归作者所有。请勿转载和采集!

免费AI点我,无需注册和登录