MLflow MCP 服务器：MLflow 的自然语言接口

此项目通过模型上下文协议（MCP）为 MLflow 提供了一个自然语言接口。它允许您使用纯英文查询您的 MLflow 跟踪服务器，使管理和探索机器学习实验和模型变得更加容易。

概述

MLflow MCP 代理由两个主要组件组成：

1. MLflow MCP 服务器 (mlflow_server.py)：连接到您的 MLflow 跟踪服务器，并通过模型上下文协议（MCP）公开 MLflow 功能。
2. MLflow MCP 客户端 (mlflow_client.py)：提供一个自然语言接口，使用对话式 AI 助手与 MLflow MCP 服务器进行交互。

特性

• 自然语言查询：用纯英文询问关于您的 MLflow 跟踪服务器的问题
• 模型注册表探索：获取有关已注册模型的信息
• 实验跟踪：列出并探索您的实验和运行
• 系统信息：获取有关您的 MLflow 环境的状态和元数据

预备条件

• Python 3.8+
• 运行中的 MLflow 服务器（默认：http://localhost:8080）
• 对于 LLM，需要 OpenAI API 密钥

安装

通过 Smithery 安装

要通过 Smithery 自动安装 MLflow 自然语言接口服务器：

npx -y @smithery/cli install @iRahulPandey/mlflowMCPServer --client claude

手动安装

1. 克隆此仓库：

   git clone https://github.com/iRahulPandey/mlflowMCPServer.git
   cd mlflowMCPServer
   

2. 创建虚拟环境：

   python -m venv venv
   source venv/bin/activate  # 在 Windows 上：venv\Scripts\activate
   

3. 安装所需包：

   pip install mcp[cli] langchain-mcp-adapters langchain-openai langgraph mlflow
   

4. 设置您的 OpenAI API 密钥：

   export OPENAI_API_KEY=your_key_here
   

5. （可选）配置 MLflow 跟踪服务器 URI：

   export MLFLOW_TRACKING_URI=http://localhost:8080
   

使用方法

启动 MCP 服务器

首先启动 MLflow MCP 服务器：

python mlflow_server.py

该服务器连接到您的 MLflow 跟踪服务器并通过 MCP 公开 MLflow 功能。

发出查询

一旦服务器运行，您可以使用客户端发出自然语言查询：

python mlflow_client.py "我在 MLflow 中注册了哪些模型？"

示例查询：

• "显示我在 MLflow 中注册的所有模型"
• "列出我所有的实验"
• "获取名为 'iris-classifier' 的模型的详细信息"
• "我的 MLflow 服务器状态如何？"

配置

您可以使用环境变量自定义行为：

• MLFLOW_TRACKING_URI：您的 MLflow 跟踪服务器的 URI（默认：http_//localhost:8080）
• OPENAI_API_KEY：您的 OpenAI API 密钥
• MODEL_NAME：要使用的 OpenAI 模型（默认：gpt-3.5-turbo-0125）
• MLFLOW_SERVER_SCRIPT：MLflow MCP 服务器脚本的路径（默认：mlflow_server.py）
• LOG_LEVEL：日志级别（默认：INFO）

MLflow MCP 服务器 (mlflow_server.py)

该服务器连接到您的 MLflow 跟踪服务器并通过 MCP 公开以下工具：

• list_models：列出 MLflow 模型注册表中注册的所有模型
• list_experiments：列出 MLflow 跟踪服务器中的所有实验
• get_model_details：获取特定注册模型的详细信息
• get_system_info：获取有关 MLflow 跟踪服务器和系统的相关信息

限制

• 目前仅支持 MLflow 功能的一个子集
• 客户端需要互联网访问才能使用 OpenAI 模型
• 复杂的 MLflow 操作可能具有有限的错误处理

未来改进

• 增加对 MLflow 模型预测的支持
• 改善对更复杂查询的自然语言理解
• 增加指标和参数的可视化能力
• 支持更多 MLflow 操作，如运行管理和工件处理

致谢

• 模型上下文协议 (MCP)：用于协议规范
• LangChain：用于代理框架
• MLflow：用于跟踪和模型注册表功能