TDQS

技能简介 TDQS（Tool Definition Quality Score，MCP 工具定义质量评分）是一个开源规范，用于评估 MCP 工具定义的描述质量，帮助 MCP 服务器维护者了解自己的工具能否被 AI Agent 正确理解和调用。该规范由 Glama 团队发起，已对超过 22.8 万个工具和 1.5 万个 MCP 服务器进行了评分，是目前最全面的 MCP 工具质量评估框架。

核心能力 六维质量评估：从描述清晰度、参数覆盖、行为说明、使用时机、输出结构、调用成本六个维度对工具定义进行评分。 确定性阶段 + LLM 评判：schema 和注解可读的内容由代码自动提取，仅描述部分交由模型评判，确保结果可复现。 分级阈值体系：A（≥3.5）、B（≥3.0，合格线）、C（≥2.0）、D（≥1.0）、F 五级打分，可直接作为发布门槛。 详细改进建议：每个评分维度都附带具体理由说明，告诉维护者哪里需要改、怎么改。 Badge 徽章系统：每个评分报告有永久 URL 和 SVG 徽章，可嵌入 README 或发布页面。 三种评分入口：在线 Playground（浏览器）、CLI（终端 / CI）、Hosting API（HTTP），同一评分在不同入口结果一致。 大规模数据支撑：228,369 个工具已评分，73.5% 越过合格线，97% 的描述仍携带至少一个缺陷。

安装配置 npm 安装 CLI：npx tdqs score --url https://mcp.example.com/mcp --fail-under B。 Python 安装：pip install tdqs，然后运行 tdqs score --help。 在线 Playground：访问 https://tdqs.dev/playground，用 GitHub 登录后粘贴 tools/list 结果即可评分。

使用步骤 获取工具列表：调用 MCP 服务器的 tools/list 接口，获取 JSON 格式的工具定义。 提交评分：将 JSON 结果粘贴到 Playground，或用 CLI 传入服务器 URL。 查看报告：获得每个工具的六维评分、总体等级和改进建议。 嵌入 Badge：将报告页面的 SVG 徽章嵌入项目 README。 集成到 CI：在持续集成流程中加入 --fail-under B 参数，不合格则构建失败。

适用场景 MCP 服务器开发者自测：上线前检查工具定义是否描述清晰。 AI Agent 开发者选型：通过评分判断哪个 MCP 服务器的工具质量更高。 Registry 平台质量筛选：Glama 用 TDQS 对 1.5 万个 MCP 服务器进行排序推荐。 CI/CD 质量门禁：自动化检查每次提交是否降低了工具描述质量。

工作原理 评分分四个阶段：上下文信号读取（代码自动读取 schema、注解、参数覆盖等）、硬性门槛过滤（无描述等退化定义直接标记给定最低分）、LLM 评分（根据六个维度公开锚点评分）、后处理（应用覆盖规则汇总为最终分数和等级）。

适用人群 MCP 服务器维护者、AI Agent 框架开发者、AI Infra 工程师、想要评估 MCP 生态工具质量的技术人员。