Что это: Python-инструмент для сканирования MCP-серверов, tools, prompts, resources и инструкций. README описывает YARA, LLM-as-a-judge, Cisco AI Defense inspect API, dependency audit и несколько режимов анализа.
Бизнес-проблема: MCP-сервер расширяет возможности агента, но одновременно добавляет код, зависимости, инструкции и внешние действия, которые могут оказаться вредоносными или просто плохо подготовленными к production.
Практическая польза: потенциальный второй независимый сканер для security bake-off рядом с уже опубликованным MCTS. Особенно интересен режим, который может работать без обязательного облачного движка.
Почему интересно сейчас: повторный сигнал усиливает направление security-governance. Важно проверить, какие проверки действительно локальны, а какие требуют Cisco API или отправляют анализируемые данные наружу.
GitHub health check: публичный репозиторий доступен и не архивирован; README просмотрен 16 июля 2026. Лицензия и режимы передачи данных должны пройти отдельный gate до публикации.
Technical notes: Python 3.11+, CLI или REST API, YARA, LLM judge, dependency scanning, readiness checks и опциональные внешние security engines.
AI-Ready relevance: MCP security candidate / compare later.
Риски: часть движков требует внешних сервисов; ложные срабатывания не заменяют ручной review; сканирование приватного кода требует локального режима и data policy.
Вердикт: ready_for_review; первым проверить полностью локальный профиль и сопоставить результаты с MCTS.
Ключевые риски
- часть движков требует внешних сервисов; ложные срабатывания не заменяют ручной review; сканирование приватного кода требует локального режима и data policy.
Разберите эту страницу со своей LLM
Скопируйте контекст страницы в ChatGPT, Claude, Gemini или другую LLM и попросите применить эту схему к вашему бизнесу.
Можно спросить:
- Что именно сообщает авторский материал о mcp-scanner?
- Как применить этот сигнал в AI-Ready без выхода за его границы?