A Large-Scale Dataset of MCP Implementations on GitHub
Questo articolo introduce il primo dataset su larga scala e basato sull'evidenza di 2.297 implementazioni validate del Model Context Protocol (MCP) da GitHub, creato attraverso una rigorosa pipeline di verifica ibrida per stabilire un benchmark fondamentale per l'analisi degli ecosistemi MCP reali, delle tendenze di sviluppo e dei pattern architettonici.
Articolo originale dedicato al pubblico dominio sotto CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Immagina il mondo dell'IA come un enorme robot chiacchierone che vive dentro un computer. Per molto tempo, questo robot ha potuto parlare solo di ciò che aveva imparato dai suoi dati di addestramento, come uno studente che conosce solo ciò che è scritto nel suo libro di testo. Ma recentemente, è arrivato un nuovo libro delle regole chiamato Model Context Protocol (MCP). Pensa all'MCP come a un traduttore universale e a un insieme di prese elettriche standard che permettono al robot di collegarsi a strumenti del mondo reale — come app del meteo, motori di ricerca o editor di codice — così può effettivamente fare le cose invece di limitarsi a parlarne.
Ma ecco il problema: nessuno sapeva esattamente quante persone stessero effettivamente costruendo queste "prese elettriche" o come fossero fatte sotto il cofano. C'erano voci e liste, ma nessuna mappa solida del codice reale.
È qui che entra in gioco questo articolo. Gli autori hanno agito come cacciatori di tesori digitali, immergendosi in GitHub (una gigantesca biblioteca dove gli sviluppatori conservano il loro codice) per costruire la prima mappa massiccia e verificata di questi progetti MCP.
La Grande Scavo
Il team non ha tirato a indovinare; ha costruito una pipeline robotica super intelligente per cercare indizi. Sono partiti con 3.238 potenziali progetti che menzionavano "MCP". Ma non ogni progetto che dice "Sono un progetto MCP" lo è davvero. Alcuni erano solo gusci vuoti, altri erano solo tutorial, e altri ancora usavano il nome "MCP" per qualcosa di totalmente diverso (come una mod di gioco per Minecraft, non uno strumento di IA).
Per arrivare alla verità, hanno eseguito un controllo in più fasi:
- Il Controllo del Curriculum: Il progetto aveva aggiornamenti recenti? Se non si muoveva da nove mesi, era fuori.
- La Scansione del Codice: Hanno cercato file "impronta digitale" specifici (come
package.jsonopyproject.toml) che provano che il progetto sta effettivamente cercando di connettersi al sistema MCP. - Il Controllo della Struttura: Hanno cercato cartelle e punti di ingresso specifici che mostrano che il codice è pronto per essere eseguito, non solo lì fermo come concetto.
Dopo tutto questo filtraggio, hanno trovato 2.297 progetti che erano la realtà dei fatti. Erano così meticolosi che, quando hanno ricontrollato manualmente un campione casuale, hanno scoperto che il processo era accurato all'83%. Hanno persino individuato 90 progetti che sembravano strumenti reali ma erano in realtà solo modelli di "mostra e racconta" senza parti funzionanti, e li hanno espulsi dalla lista finale.
Cosa Stanno Facendo Questi Progetti?
Una volta ottenuta la loro lista di 2.297 progetti verificati, li hanno divisi in tre ruoli principali, come personaggi in un'opera teatrale:
- I Client (Clienti): Questi sono i "richiedenti". Sono come le mani del robot, che si protendono per chiedere strumenti. (Pensa a un'interfaccia di chat che chiede il meteo).
- I Server: Questi sono i "fornitori". Possiedono gli strumenti e li consegnano quando richiesti.
- I Gateway (Gateway): Questi sono i "intermediari" o traduttori. Aiutano sistemi diversi a comunicare tra loro, colmando le lacune tra l'IA e i servizi esterni.
I dati suggeriscono che Python e TypeScript sono i linguaggi superstar per costruire questi strumenti. Dominano la scena sia per i richiedenti (Client) che per i fornitori (Server). Curiosamente, anche i "intermediari" (Gateway) amano usare Go, un linguaggio noto per velocità e affidabilità.
Come Sono Costruiti?
L'articolo suggerisce che la maggior parte di questi progetti non sono enormi monoliti aziendali. Inveve, sembrano piccoli team agili. Il tipico progetto ha circa 4 contributori unici e 70 commit (aggiornamenti). Gli sviluppatori sembrano preferire il fare piccole modifiche frequenti piuttosto che enormi e spaventose aggiornamenti tutti in una volta.
Cosa Significa Questo
Questo articolo non sostiene di aver risolto ogni mistero sugli strumenti di IA. Invece, fornisce una base solida basata sulle evidenze. Suggerisce che, sebbene l'ecosistema stia crescendo rapidamente, è attualmente dominato da alcuni linguaggi chiave e segue un modello specifico di sviluppo piccolo e iterativo. Fornendo ai ricercatori una lista pulita e verificata di 2.297 progetti reali, questo lavoro prepara il terreno per studi futuri per capire come queste connessioni di IA si stiano evolvendo davvero, invece di limitarsi a indovinare basandosi sull'hype del marketing.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.