深度分析
MCPEvol‑Bench：衡量 LLM 代理人在 MCP 伺服器演化環境中的適應能力
隨著MCP伺服器成為LLM與工具接點的核心基礎設施，現有基準未考慮工具介面持續演化。研究提出MCPEvol‑Bench，模擬11種變異操作在123台伺服器上生成多版本工具集，測試12大模型的適應性。結果顯示即使是前沿模型在演化環境中也會下降近14%，凸顯動態工具環境下的脆弱性。
MCP 伺服器
深度分析
AgentCheck：全流程 LLM 代理人故障注入、重現與修補測試平台
隨著LLM代理人廣泛部署，工具失效成為關鍵風險。AgentCheck以MCP伺服器為介面，先錄製正常回應，再注入十二種工具故障，提供可重現‑介入‑驗證的工作流程。實驗顯示最高代理人在120場景中通過105場，揭露沉默的資料品質錯誤是主要弱點，亦值得關注。
mcpscan
「mcpscan」：本機 AI 代理安全掃描工具深度解析與實務應用
本篇報導聚焦本機優先的AI代理安全掃描工具mcpscan，說明它如何離線偵測本機MCP伺服器、設定檔中的明文憑證、過寬工具範圍與未釘住套件，並以A‑F等級評分、提供多格式報告與資產清單，強調零遙測與僅建議模式的設計理念。工具可輸出JSON與HTML報告，列出本機AI資產，預設不寫入設定檔，需加--fix才會修正。
desktop-touch-mcp
「desktop-touch-mcp」：基於 Rust UIA 引擎的 Windows 桌面 AI 代理新方案
Desktop‑Touch‑MCP 在 GitHub Trending 中快速竄升，提供 Windows 桌面語意 discover‑then‑act 自動化。它使用 Rust UIA 引擎在 2 毫秒內完成焦點查詢，並加入每次操作感知防護，避免錯誤視窗輸入。此專案讓 AI 代理能安全、快速地控制本機應用程式，提升本地自動化效能。
深度分析
Octopus Protocol：以 LLM 編碼代理自動化硬體偵測與 FastMCP 伺服器生成
Octopus Protocol 提出一套由語言模型驅動的「基礎設施即提示」流程，能從裸機作業系統存取與 LLM 金鑰出發，自動完成硬體偵測、能力推斷、產生 Typed 工具介面、部署為 MCP（Model Context Protocol）伺服器，並以常駐守護程式持續監控與自我修復。