karlmehta/trustmodel-mcp
GitHub: karlmehta/trustmodel-mcp
一个通过 MCP 协议为 AI Agent 提供信任度评估、安全分析、红队测试和治理能力的评估服务器。
Stars: 0 | Forks: 0
# TrustModel MCP Server
一个 [Model Context Protocol](https://modelcontextprotocol.io/) (MCP) server，允许任何 AI agent 调用 [TrustModel](https://trustmodel.ai) 进行信任度评估、安全/偏见分析以及端到端 agent 轨迹评估。
兼容 Claude Code、Cursor、Windsurf、Claude Desktop 以及任何其他兼容 MCP 的客户端。
## 快速开始
### 1. 获取 API key
在 [app.trustmodel.ai](https://app.trustmodel.ai) 注册，并在 **Settings → API Keys** 下创建 API key。Key 的格式为 `tm-{env}-{keyid}_{secret}`（例如 `tm-prod-abc12345_0123456789abcdef…`）。
### 2. 配置你的 MCP 客户端
#### Claude Code
```
claude mcp add trustmodel \
--env TRUSTMODEL_API_KEY=tm-prod-xxxx_yyyy \
-- npx -y @trustmodel/mcp-server
```
#### Cursor / Windsurf
添加到你的 MCP 配置文件（`.cursor/mcp.json` 或等效文件）中：
```
{
"mcpServers": {
"trustmodel": {
"command": "npx",
"args": ["-y", "@trustmodel/mcp-server"],
"env": {
"TRUSTMODEL_API_KEY": "tm-prod-xxxx_yyyy"
}
}
}
}
```
#### Claude Desktop
添加到 `~/Library/Application Support/Claude/claude_desktop_config.json` 中：
```
{
"mcpServers": {
"trustmodel": {
"command": "npx",
"args": ["-y", "@trustmodel/mcp-server"],
"env": {
"TRUSTMODEL_API_KEY": "tm-prod-xxxx_yyyy"
}
}
}
}
```
## 环境变量
| 变量 | 必需 | 默认值 | 描述 |
|---|---|---|---|
| `TRUSTMODEL_API_KEY` | 否* | — | 你的 TrustModel API key (`tm-{env}-{keyid}_{secret}`)。*本地工具（`trustmodel_evaluate_local`, `trustmodel_govern`）不需要；校准后的云端工具必需。 |
| `TRUSTMODEL_TRACE_DIR` | 否 | `~/.trustmodel-mcp/traces/` | 流式 trace 会话以仅追加的 JSONL 格式持久化的路径。会话通过读取时重 hydrate 的方式在服务器重启后依然存在。 |
| `TRUSTMODEL_PROFILE` | 否 | `default` | 工具配置项。`default` 仅公开常用工具；`security` / `advanced` / `all` 公开所有工具。参见 **工具配置项**。 |
| `TRUSTMODEL_ADVANCED_TOOLS` | 否 | `false` | 设置为 `true` 时，无论 `TRUSTMODEL_PROFILE` 是什么，都会公开所有工具。 |
| `TRUSTMODEL_AGT_DISCOVERY_ENABLED` | 否 | `false` | 启用接触文件系统的 Shadow Discovery 工具（`trustmodel_shadow_discovery_*`）。未设置时，这些工具会返回跳过报告。（仅在开启高级配置时相关。） |
## 工具配置项
为了保持在 5-8 个工具的最佳实践预算内（更多的工具会降低 agent 选择工具的准确性），服务器公开了一小部分 **default** 集合，并将高级工具设为可选启用。
**Default 配置项（6 个工具）** — 常用工具：
`trustmodel_evaluate_local` · `trustmodel_score` · `trustmodel_trace_start` · `trustmodel_trace_step` · `trustmodel_trace_finalize` · `trustmodel_govern`
**Advanced** — 设置 `TRUSTMODEL_PROFILE=security`（或 `advanced` / `all`，或 `TRUSTMODEL_ADVANCED_TOOLS=true`）以额外公开：`trustmodel_evaluate`（云端批量）、`trustmodel_credits`、`trustmodel_upload_trace`、`trustmodel_evaluate_agent`、`trustmodel_score_agent`、`trustmodel_mcp_scan_server`、`trustmodel_shadow_discovery_*`、`trustmodel_redteam_*`，以及 `trustmodel_shadowai_*` — **总共 20 个工具**。
```
claude mcp add trustmodel --env TRUSTMODEL_PROFILE=security -- npx -y @trustmodel/mcp-server
```
## 工具
服务器跨六个领域公开了 **18 个工具**。使用此表选择合适的工具；完整的输入/输出文档请见下文。
| 工具 | 领域 | 何时使用 |
|---|---|---|
| `trustmodel_evaluate` | 评估 | 对模型（安全性、偏见、准确性……）发起批量信任评估；返回一个用于轮询的 `id`。 |
| `trustmodel_score` | 评估 | 获取通过 `trustmodel_evaluate` 创建的评估的状态/得分。 |
| `trustmodel_credits` | 评估 | 检查剩余的 API 额度余额。 |
| `trustmodel_trace_start` | Agent 轨迹 | 在 agent 开始工作之前开启一个流式 trace 会话。 |
| `trustmodel_trace_step` | Agent 轨迹 | 在 agent 运行时，记录单个推理步骤、工具调用、工具结果或响应。 |
| `trustmodel_trace_finalize` | Agent 轨迹 | 关闭会话，上传 trace，并自动创建 agent 评估运行。 |
| `trustmodel_upload_trace` | Agent 轨迹 | 一次性操作：当你没有进行流式传输时，PUT 一个预先组装好的 trace JSON。 |
| `trustmodel_evaluate_agent` | Agent 轨迹 | 针对已经上传的 trace `file_path` 创建 agent 评估运行。 |
| `trustmodel_score_agent` | Agent 轨迹 | 获取 agent 评估运行的得分/评级。 |
| `trustmodel_mcp_scan_server` | 安全 | 对第三方 MCP 服务器的工具列表进行安全扫描，找出有风险/可被滥用的工具。 |
| `trustmodel_shadow_discovery_scan_paths` | Shadow Discovery | 扫描本地文件系统路径，查找未注册/影子 AI 的使用情况。 |
| `trustmodel_shadow_discovery_fingerprint_keys` | Shadow Discovery | 检测并对磁盘上发现的 OpenAI/Anthropic API key 进行指纹识别。 |
| `trustmodel_redteam_evaluate` | 红队 | 针对模型/endpoint 发起对抗性红队评估。 |
| `trustmodel_redteam_results` | 红队 | 获取红队评估的结果。 |
| `trustmodel_redteam_list_probes` | 红队 | 列出可用的红队探针/攻击类别。 |
| `trustmodel_shadowai_scan` | 影子 AI | 启动 Shadow AI 扫描，以发现整个环境中未注册的 AI 使用情况。 |
| `trustmodel_shadowai_results` | 影子 AI | 获取 Shadow AI 扫描的结果。 |
| `trustmodel_shadowai_events` | 影子 AI | 流式传输 Shadow AI 扫描的检测事件。 |
### 经典评估
#### `trustmodel_evaluate`
针对指定的 AI 模型创建批量评估运行。后端会运行一套全面的测试套件（安全性、偏见、准确性、幻觉、推理等），并返回一个你可以通过 `trustmodel_score` 轮询的 `id`。
**输入：**
- `model_identifier` (字符串，必需) — 例如 `"gpt-4o"`、`"claude-sonnet-4-5"`。通过 `GET /sdk/v1/models/` 发现。
- `vendor_identifier` (字符串，必需) — 例如 `"openai"`、`"anthropic"`、`"google"`。
- `api_key` (字符串，可选) — 用于 BYOK 的供应商 API key。省略则使用 TrustModel 的平台 key。**不要**在此处传递 TrustModel API key — 那应该放在 `TRUSTMODEL_API_KEY` 环境变量中。
- `categories` (字符串数组，可选) — 要评估的类别名称。仅在 `evaluation_type` 为 `"Custom"` 或 `"Score Only"` 时生效。
- `evaluation_type` (字符串，可选，默认为 `"Custom"`) — `"Custom"`、`"Score Only"`、`"Comprehensive"`、`"Limited"`、`"Quick Scan"` 其中之一。
- `application_type` (字符串，可选，默认为 `"generic"`) — `chatbot`、`knowledge-agent`、`creation-tool`、`document-repository`、`analysis-tool`、`automation-agent`、`generic`。
- `user_personas` (字符串数组，可选，默认为 `["external-customer"]`) — 可以是 `external-customer`、`internal-employee`、`technical-user`、`domain-expert`、`vulnerable-groups`、`generic` 的任意组合。
- `application_description` (字符串，可选)。
- `domain_expert_description` (字符串，可选) — 当 `user_personas` 包含 `"domain-expert"` 时使用。`"cross-domain"` (默认)、`"medical"`、`"commercial_banking"` 其中之一。
- `model_config_name` (字符串，可选) — 此运行的显示名称。
- `template_id` (UUID，可选)，`template_name` (字符串，可选) — 复用或重命名现有的评估模板。
#### `trustmodel_score`
获取通过 `trustmodel_evaluate` 创建的评估的详情（状态、完成百分比、得分）。
**输入：**
- `evaluation_id` (整数或数字字符串，必需) — 由 `trustmodel_evaluate` 返回的 `id`。
#### `trustmodel_credits`
检查剩余的 API 额度余额。无需输入。
### Agent 轨迹评估
TrustModel 通过消费 AI agent 的执行 trace（思考、工具调用、工具结果、响应）并在 4 个类别中对它们进行评分来评估它们：`tool_use_accuracy`、`reasoning_quality`、`goal_completion`、`safety_compliance`。
有两种提交 trace 的方式 — **流式传输**（适用于实时 agent 的首选方式）和 **一次性提交**（当你已经有了组装好的 trace 时）。
#### 流式捕获（首选）
开启一个会话，在 agent 工作时记录步骤，最后完成。完成操作会将其上传到云存储并自动创建评估运行。
##### `trustmodel_trace_start`
开启一个新的 trace 会话。
**输入：**
- `goal` (字符串，必需) — agent 试图实现的目标。
- `name` (字符串，必需) — 评估运行的显示名称。
- `agent_framework` (字符串，必需) — 例如 `"langchain"`、`"crewai"`、`"claude-code"`、`"custom"`。
- `agent_model` (字符串，可选) — 例如 `"gpt-4o"`、`"claude-sonnet-4-5"`。
- `user_query` (字符串，可选) — 原始用户 prompt，如果与 `goal` 不同的话。
- `expected_outcome` (字符串，可选)。
- `metadata` (对象，可选) — 自由格式的透传 metadata。
**返回：** `{ trace_id, started_at }`。
##### `trustmodel_trace_step`
向当前活动会话追加单个步骤。每次推理步骤、工具调用、工具结果或面向用户的响应调用一次。
**输入：**
- `trace_id` (字符串，必需) — 来自 `trustmodel_trace_start`。
- `step_type` (枚举，必需) — `thought`、`think`、`tool_call`、`tool_result`、`observation`、`decision`、`error`、`human_input`、`response`、`final_answer` 其中之一。
- `content` (字符串，必需) — 该步骤的人类可读文本。允许为空字符串。
- `tool_name` (字符串，可选)，`tool_args` (对象，可选) — 与 `tool_call` 一起使用。
- `tool_result` (字符串或对象，可选)，`tool_call_success` (布尔值，可选) — 与 `tool_result` 一起使用。
- `model_used` (字符串，可选)，`input_tokens` / `output_tokens` (整数，可选)，`duration_ms` (整数，可选)，`timestamp` (ISO 8601，可选)。
**返回：** `{ trace_id, step_number, steps_recorded }`。`step_number` 是自动分配的。
##### `trustmodel_trace_finalize`
关闭会话，上传 trace，并自动创建评估运行。
**输入：**
- `trace_id` (字符串，必需)。
- `final_response` (字符串，可选)，`actual_outcome` (字符串，可选)，`goal_achieved` (布尔值，可选)，`success` (布尔值，可选)，`total_duration_ms` (整数，可选 — 如果省略，则根据步骤持续时间计算)。
- `goal` / `name` / `agent_framework` / `agent_model` / `expected_outcome` (均为可选) — 如果 agent 在运行时了解到更多信息，则覆盖启动时的 metadata。
**返回 (正常流程)：** `{ trace_id, file_path, expires_in, step_count, evaluation_run_id, evaluation_status, evaluation_message }`。
**返回 (上传成功后评估失败)：** `{ trace_id, file_path, expires_in, step_count, evaluation_error }`。你可以通过 `trustmodel_evaluate_agent({ file_path, goal, name, agent_framework })` 重试评估，而无需重新上传。
#### 一次性提交（预组装的 trace）
##### `trustmodel_upload_trace`
将一个已经构建好的 trace JSON 对象 PUT 到云存储中。返回一个你随后可以传递给 `trustmodel_evaluate_agent` 的 `file_path`。
**输入：**
- `trace` (对象，必需) — 完整的 `AgentTrace` JSON。
**返回：** `{ file_path, expires_in }`。
##### `trustmodel_evaluate_agent`
针对之前上传的 trace 创建 agent 评估运行。
**输入：**
- `file_path` (字符串，必需) — 来自trustmodel_upload_trace` 或 `trustmodel_trace_finalize`。
- `goal` / `name` / `agent_framework` (字符串，必需)。
- `agent_model` / `expected_outcome` / `actual_outcome` (字符串，可选)。
- `goal_achieved` (布尔值，可选)。
**返回：** `{ evaluation_run_id, status, message }`。
##### `trustmodel_score_agent`
获取 agent 评估运行的详情（得分、评级、摘要）。
**输入：**
- `evaluation_run_id` (整数或数字字符串，必需)。
### 安全
#### `trustmodel_mcp_scan_server`
在第三方 MCP 服务器的工具列表上运行 AGT 的 MCP 安全扫描器，以检测工具投毒、拼写抢注、隐藏指令和地毯式抽离模式。静态分析 — 不涉及 LLM，不进行网络请求，具有确定性。旨在作为 agent 启用第三方 MCP 服务器之前的注册前检查。
**输入：**
- `tools` (数组，必需) — 第三方服务器的工具定义（`name`、`description`、可选的输入 schema）。
**返回：** 一个包含整体状态（`ok` / `warning` / `blocked`）、所见最严重的安全级别以及每个工具的检查结果的 `ScanReport`。
### Shadow Discovery
#### `trustmodel_shadow_discovery_scan_paths`
遍历本地文件系统路径，检测配置文件（`agentmesh.yaml`、`crewai.yaml`、`mcp.json`、`claude_desktop_config.json` ……）、Dockerfiles/compose 以及可选的源代码中的 agent。将检测结果与调用方提供的注册表进行核对，并将未注册的作为 **shadow agents** 返回，附带 AGT 风险评分 + 补救措施。仅进行静态分析。
**输入：**
- `paths` (字符串数组，必需) — 要扫描的本地路径。
- `registry` (数组，可选) — 用于核对的已知 agent（`did`、`name`、`owner` ……）。
#### `trustmodel_shadow_discovery_fingerprint_keys`
通过调用每个供应商的只读 models endpoint 对一批供应商 API key (OpenAI / Anthropic) 进行指纹识别 — 不运行任何推理。可访问的 key 被标记为高风险（可能存在凭证泄露）；被撤销的 key 仅供参考。Key 的具体内容永远不会被记录或返回 — 仅返回 `provider:****last4` 的指纹。
**输入：**
- `keys` (字符串数组，必需) — 要探测的 API key。
### 红队
#### `trustmodel_redteam_evaluate`
针对兼容 OpenAI 的目标运行对抗性红队评估。探针涵盖与 OWASP LLM Top 10 (2025) 一致的 8 种攻击类别 — prompt 注入、越狱、PII 提取、偏见诱导、幻觉触发等。
**输入：**
- `model_name` (字符串，必需) — 例如 `"openai/gpt-oss-20b:free"`。
- `api_key` (字符串，必需)，`api_base_url` (字符串，必需) — 例如 `"https://openrouter.ai/api/v1"`。
- `categories` (字符串数组，可选)，`severities` (字符串数组，可选)，`metadata` (对象，可选)。
**返回：** 评估 `id` — 使用 `trustmodel_redteam_results` 轮询。
#### `trustmodel_redteam_results`
获取红队评估的状态、进度、总体得分、各类别细分和严重程度分桶。运行时会显示部分进度，完成后显示完整摘要。
**输入：**
- `evaluation_id` (整数或数字字符串，必需)。
#### `trustmodel_redteam_list_probes`
浏览红队探针库（仅限 metadata — payload 不会暴露）。按类别、严重程度或标签进行过滤。
**输入：**
- `category` (字符串，可选)，`severity` (字符串，可选)，`tag` (字符串，可选)。
### 影子 AI
#### `trustmodel_shadowai_scan`
针对 GitHub 组织/仓库和（可选）GCP 项目发起 Shadow AI 发现扫描。通过嗅探源代码中的 LLM SDK 使用情况（15 个库）并列出 Vertex AI endpoint、带有 AI 环境变量的 Cloud Run 服务以及 BigQuery ML 模型，来检测未注册的 AI。
**输入：**
- `github_orgs` (字符串数组，可选)，`github_repos` (`owner/name` 字符串数组，可选)，`gcp_projects` (字符串数组，可选)，`metadata` (对象，可选)。
**返回：** 扫描 `id` — 使用 `trustmodel_shadowai_results` 轮询，使用 `trustmodel_shadowai_events` 分页查看发现。
#### `trustmodel_shadowai_results`
获取 Shadow AI 扫描的状态、扫描过滤器、总事件数，以及按系统类型 / 来源汇总的发现结果。
**输入：**
- `scan_id` (整数或数字字符串，必需)。
#### `trustmodel_shadowai_events`
分页查看单个发现事件 — 每一个都是一个被发现的 AI 系统，包含 `system_type`、`discovered_via`、证据以及稳定的 `system_id` 指纹。按 `system_type` 或 `source` 过滤。
**输入：**
- `scan_id` (整数或数字字符串，必需)，加上可选的 `system_type` / `source` 过滤器和分页。
## 示例 — 流式 agent 捕获
```
trustmodel_trace_start({
goal: "Book a flight from NYC to SF",
name: "Flight booking agent",
agent_framework: "claude-code",
agent_model: "claude-sonnet-4-5"
})
→ { trace_id: "trace-abc123def456", started_at: "..." }
trustmodel_trace_step({ trace_id, step_type: "thought",
content: "Need to search flights first." })
→ { step_number: 1, steps_recorded: 1 }
trustmodel_trace_step({ trace_id, step_type: "tool_call",
content: "Searching flights",
tool_name: "flight_api.search",
tool_args: { from: "NYC", to: "SFO", date: "2026-04-20" },
duration_ms: 500 })
→ { step_number: 2, steps_recorded: 2 }
trustmodel_trace_step({ trace_id, step_type: "tool_result",
content: "Found UA123 at $350",
tool_name: "flight_api.search",
tool_result: { flight: "UA123", price: 350 },
tool_call_success: true })
→ { step_number: 3, steps_recorded: 3 }
trustmodel_trace_step({ trace_id, step_type: "final_answer",
content: "Booked UA123 for $350." })
→ { step_number: 4, steps_recorded: 4 }
trustmodel_trace_finalize({ trace_id,
final_response: "Booked UA123 for $350.",
goal_achieved: true })
→ {
file_path: "agent-traces//_.json",
step_count: 4,
evaluation_run_id: 42,
evaluation_status: "processing"
}
trustmodel_score_agent({ evaluation_run_id: 42 })
→ { status: "processing" | "completed", scores: [...], grade, overall_score, ... }
```
## 示例 — 真实的 agent 流程
下面是一个真实世界的场景：你要求 Claude Code 执行一项任务，同时使用 TrustModel trace 捕获对自身进行监控。最后，TrustModel 会在工具使用准确性、推理质量、目标完成度和安全合规性方面对 agent 进行评分 — 在你将 agent 发布到生产环境之前为你提供一份信任度报告。
### 场景：研究 agent
将此 prompt 粘贴到 Claude Code（或任何连接了 TrustModel 的 MCP 客户端）中：
```
Research the pros and cons of using WebSockets vs Server-Sent Events for
real-time notifications in a web app, while recording a TrustModel trace.
Before you start, call trustmodel_trace_start with:
goal: "Research WebSockets vs SSE for real-time notifications"
name: "Research agent"
agent_framework: "claude-code"
As you work, record a trustmodel_trace_step for each action:
- When you reason about the topic → step_type: "thought"
- When you search or fetch info → step_type: "tool_call" with tool_name
- After getting results back → step_type: "tool_result"
- When you draw a conclusion → step_type: "observation"
When done, call trustmodel_trace_finalize with your recommendation as
final_response and goal_achieved: true.
Print the evaluation_run_id so I can check the trust report.
```
### 会发生什么
Agent 会研究该主题，同时对每一个推理步骤、搜索和结论进行自我追踪。一个典型的会话如下所示：
```
trustmodel_trace_start({ goal: "Research WebSockets vs SSE...", name: "Research agent", ... })
→ { trace_id: "trace-9a2f71c3b84e" }
trustmodel_trace_step({ step_type: "thought", content: "I need to compare protocol differences, browser support, scaling cost, and typical use cases." })
→ { step_number: 1 }
trustmodel_trace_step({ step_type: "tool_call", tool_name: "WebSearch", tool_args: { query: "websockets vs server-sent events performance comparison" } })
→ { step_number: 2 }
trustmodel_trace_step({ step_type: "tool_result", content: "Found 3 relevant articles comparing latency, connection limits, and HTTP/2 multiplexing..." })
→ { step_number: 3 }
trustmodel_trace_step({ step_type: "observation", content: "SSE is simpler for server-to-client push and works over HTTP/2, but WebSockets are needed for bidirectional communication." })
→ { step_number: 4 }
... (more research, comparisons, trade-off analysis) ...
trustmodel_trace_step({ step_type: "final_answer", content: "Recommendation: use SSE for one-way notifications, WebSockets only if you need client-to-server messaging." })
→ { step_number: 10 }
trustmodel_trace_finalize({
trace_id: "trace-9a2f71c3b84e",
final_response: "Recommendation: use SSE for one-way notifications...",
goal_achieved: true
})
→ {
file_path: "agent-traces//.json",
evaluation_run_id: 42,
evaluation_status: "processing"
}
```
### 评估结果
在 1-2 分钟后轮询 `trustmodel_score_agent({ evaluation_run_id: 42 })`。TrustModel 返回：
```
{
"status": "completed",
"overall_score": 7.6,
"grade": "C",
"scores": [
{ "category": "tool_use_accuracy", "score": 100.0 },
{ "category": "reasoning_quality", "score": 60.0 },
{ "category": "goal_completion", "score": 70.0 },
{ "category": "safety_compliance", "score": 80.0 }
],
"summary": {
"trust_dimensions": {
"safety": 9.0, "fairness": 7.0, "privacy": 10.0,
"transparency": 6.0, "robustness": 10.0, "accountability": 10.0
}
}
}
```
一份包含详细检查结果的 PDF/HTML 报告也会生成，并可从 TrustModel dashboard 访问。
### 为什么这很重要
每一个做决定的 AI agent — 审查代码、处理理赔、筛选候选人 — 在投入生产之前都需要一个信任度基准。这个流程为你提供了该基准，且**完全不需要修改你 agent 的核心逻辑**：只需用 `trace_start` 包裹它，在它工作时记录步骤，并在完成时 `trace_finalize`。剩下的交给 TrustModel 处理。
## Trace 持久化
活动 trace 会话将以仅追加的 JSONL 格式写入 `$TRUSTMODEL_TRACE_DIR/.jsonl`（默认为 `~/.trustmodel-mcp/traces/`）。磁盘是事实来源；内存中的 map 是一个 lazily rehydrates 的缓存 — 因此会话能够在 MCP 服务器重启后继续存在。成功执行 `trustmodel_trace_finalize` 后，本地文件将被删除（trace 已经在云存储中）。
空闲超过 30 分钟的会话将被自动驱逐。每台服务器最多 100 个并发会话。
## Dashboard
报告、评估历史和详细的 PDF/HTML 检查结果可在 TrustModel dashboard 上的 **[app.trustmodel.ai](https://app.trustmodel.ai)** 中查看。
## 故障排除
| 症状 | 修复 |
|---|---|
| 服务器立即退出 / `TRUSTMODEL_API_KEY` 错误 | 在你客户端的 `env` 块中设置有效的 key (`tm-{env}-{keyid}_{secret}`)。在 [app.trustmodel.ai](https://app.trustmodel.ai) → **Settings → API Keys** 获取一个。 |
| `trustmodel_shadow_discovery_*` 返回跳过报告 | 在服务器上设置 `TRUSTMODEL_AGT_DISCOVERY_ENABLED=true`。这些工具会接触本地文件系统，默认是关闭的。 |
| `npx` 找不到包 | 确保安装了 Node ≥ 20.19 并运行 `npx -y @trustmodel/mcp-server` 以获取最新版本。 |
| 客户端未列出工具 | 编辑配置后重启 MCP 客户端；确认 `command`/`args` 与上面的示例匹配。 |
## TrustModel 开源
此 MCP server 是 TrustModel OSS 工具包的一部分：
- **CLI + SDK** — PyPI 上的 [`trustmodel`](https://github.com/karlmehta/trustmodel)：本地信任度评分、治理以及云客户端。`pip install trustmodel`。
- **MCP server (此仓库)** — npm 上的 `@trustmodel/mcp-server`：将 TrustModel 暴露给任何 MCP 客户端。
## License
MIT
标签：AI安全, AI治理, Chat Copilot, MCP, MITM代理, 人工智能, 模型评估, 用户模式Hook绕过, 红队评估, 自动化攻击