Label Studio MCP Server

🚀 Label Studio MCP Server

本項目提供了一個模型上下文協議（MCP）服務器，允許使用 label-studio-sdk 與 Label Studio 實例進行交互。它支持通過自然語言或來自 MCP 客戶端的結構化調用，以編程方式管理標註項目、任務和預測。使用這個 MCP 服務器，你可以發起如下請求：

• "在 Label Studio 中使用這些數據創建一個項目..."
• "我的 RAG 審核項目中有多少任務已標註？"
• "為我的任務添加預測。"
• "更新我的標註模板，加入一個評論框。"

🚀 快速開始

本 MCP 服務器允許你通過自然語言或結構化調用，對 Label Studio 實例中的標註項目、任務和預測進行編程式管理。在使用前，請確保滿足以下先決條件，並按照安裝和配置步驟進行操作。

✨ 主要特性

• 項目管理：創建、更新、列出和查看 Label Studio 項目的詳細信息和配置。
• 任務管理：從文件導入任務，列出項目內的任務，並檢索任務數據和標註信息。
• 預測集成：為特定任務添加模型預測。
• SDK 集成：藉助官方的 label-studio-sdk 進行通信。

📦 安裝指南

先決條件

1. 運行中的 Label Studio 實例：你需要一個可從 MCP 服務器運行位置訪問的 Label Studio 實例。
2. API 密鑰：從 Label Studio 的用戶賬戶設置中獲取 API 密鑰。
3. Python 環境：建議使用安裝了 uv 進行包管理的 Python 3.x 環境。

安裝步驟

按照以下說明安裝服務器：

git clone https://github.com/HumanSignal/label-studio-mcp-server.git 
cd label-studio-mcp-server

# 使用 uv 安裝依賴
uv venv
source .venv/bin/activate 
uv sync

📚 詳細文檔

配置

MCP 服務器需要你的 Label Studio 實例的 URL 和 API 密鑰。主要有兩種配置方式：

1. 環境變量

在運行服務器之前，在終端會話中設置以下環境變量：

export LABEL_STUDIO_URL='http://localhost:8080' # 替換為你的 Label Studio URL
export LABEL_STUDIO_API_KEY='your_actual_api_key_here'

python label-studio-mcp.py

Python 腳本會使用 os.getenv() 讀取這些變量。

2. MCP 客戶端配置（例如 Cursor 的 mcp.json）

如果通過 MCP 客戶端配置文件啟動服務器，你可以直接在服務器定義中指定環境變量。對於由客戶端管理的服務器，這種方式通常更受青睞。

示例 mcp.json 條目：

{
  "mcpServers": {
    "label-studio": {
        "command": "uv",
        "args": [
            "--directory",
            "/path/to/your/label-studio-mcp-server", // <-- 更新此路徑
            "run",
            "label-studio-mcp.py"
        ],
        "env": {
            "LABEL_STUDIO_API_KEY": "your_actual_api_key_here", // <-- 你的 API 密鑰
            "LABEL_STUDIO_URL": "http://localhost:8080"
        }
    }
  }
}

按此方式配置後，env 塊會將變量注入服務器進程環境，腳本的 os.getenv() 調用將獲取這些變量。

為 Claude Desktop 安裝

要為 Claude Desktop 安裝 MCP 服務器，你可以從本倉庫的根目錄運行以下命令：

mcp install -e . -v LABEL_STUDIO_API_KEY=<your_api_key> -v LABEL_STUDIO_URL=<your_label_studio_url> label-studio-mcp.py

工具

MCP 服務器提供以下工具：

項目管理

• get_label_studio_projects_tool()：列出可用項目（ID、標題、任務數量）。
• get_label_studio_project_details_tool(project_id: int)：檢索特定項目的詳細信息。
• get_label_studio_project_config_tool(project_id: int)：獲取項目的 XML 標註配置。
• create_label_studio_project_tool(title: str, label_config: str, ...)：使用標題、XML 配置和可選設置創建一個新項目。返回包含 URL 的項目詳細信息。
• update_label_studio_project_config_tool(project_id: int, new_label_config: str)：更新現有項目的 XML 標註配置。

任務管理

• list_label_studio_project_tasks_tool(project_id: int)：列出項目內的任務 ID（最多 100 個）。
• get_label_studio_task_data_tool(project_id: int, task_id: int)：檢索特定任務的數據負載。
• get_label_studio_task_annotations_tool(project_id: int, task_id: int)：獲取特定任務的現有標註。
• import_label_studio_project_tasks_tool(project_id: int, tasks_file_path: str)：從 JSON 文件（包含任務對象列表）導入任務到項目中。返回導入摘要和項目 URL。

預測

• create_label_studio_prediction_tool(task_id: int, result: List[Dict[str, Any]], ...)：為特定任務創建預測。需要以符合 Label Studio 格式的字典列表作為預測結果。可選參數 model_version 和 score。

示例用例

1. 使用 create_label_studio_project_tool 創建一個新項目。
2. 準備一個包含任務數據的 JSON 文件（tasks.json）。
3. 使用 import_label_studio_project_tasks_tool 導入任務，提供步驟 1 中的項目 ID 和 tasks.json 的路徑。
4. 使用 list_label_studio_project_tasks_tool 列出任務 ID。
5. 使用 get_label_studio_task_data_tool 獲取特定任務的數據。
6. 生成一個預測結果結構（字典列表）。
7. 使用 create_label_studio_prediction_tool 添加預測。

運行服務器

MCP 服務器可以直接使用 Python 運行：

python label-studio-mcp.py [options]

選項：

• --transport {http|stdio}：指定通信傳輸方式（默認：stdio）。
• --port PORT：設置 HTTP 傳輸的端口號（默認：3000）。
• --host HOST：設置 HTTP 傳輸的主機地址（默認：0.0.0.0）。

運行前請確保設置了所需的環境變量（LABEL_STUDIO_URL、LABEL_STUDIO_API_KEY）。

📄 許可證

文檔中未提及相關信息。

🔗 聯繫我們

如有疑問或需要支持，請通過 GitHub Issues 聯繫我們。