Wandb MCP Server

1. 打開 Cursor 設置（⌘, 或 Ctrl,）
2. 導航到 功能 → 模型上下文協議
3. 點擊 “從註冊表安裝” 或 “添加 MCP 服務器”
4. 搜索 “wandb” 或輸入：
   • 名稱：wandb
   • URL：https://mcp.withwandb.com/mcp
   • API 密鑰：你的 W&B API 密鑰

如需本地安裝，請參閱下面的 選項 2。

添加到你的 Claude 配置文件：

# macOS
open ~/Library/Application\ Support/Claude/claude_desktop_config.json

# Windows
notepad %APPDATA%\Claude\claude_desktop_config.json

{
  "mcpServers": {
    "wandb": {
      "url": "https://mcp.withwandb.com/mcp",
      "apiKey": "YOUR_WANDB_API_KEY"
    }
  }
}

重啟 Claude Desktop 以激活。

如需本地安裝，請參閱下面的 選項 2。

from openai import OpenAI
import os

client = OpenAI()

resp = client.responses.create(
    model="gpt-4o",
    tools=[{
        "type": "mcp",
        "server_url": "https://mcp.withwandb.com/mcp",
        "authorization": os.getenv('WANDB_API_KEY'),
    }],
    input="How many traces are in my project?"
)
print(resp.output_text)

注意：OpenAI 的 MCP 是服務器端的，因此本地主機 URL 不起作用。對於本地服務器，請結合 ngrok 參閱 選項 2。

# 設置你的 API 密鑰
export WANDB_API_KEY="your-api-key-here"

# 安裝擴展
gemini extensions install https://github.com/wandb/wandb-mcp-server

該擴展將使用指向託管服務器的 gemini-extension.json 中的配置。

如需本地安裝，請參閱下面的 選項 2。

在 LeChat 設置中，添加一個 MCP 服務器：

• URL：https://mcp.withwandb.com/mcp
• API 密鑰：你的 W&B API 密鑰

如需本地安裝，請參閱下面的 選項 2。

# 打開設置
code ~/.config/Code/User/settings.json

{
  "mcp.servers": {
    "wandb": {
      "url": "https://mcp.withwandb.com/mcp",
      "headers": {
        "Authorization": "Bearer YOUR_WANDB_API_KEY"
      }
    }
  }
}

如需本地安裝，請參閱下面的 選項 2。

新的自動聚類工具即將推出： “查看 grpo-cuda/axolotl-grpo 中我最後一次訓練運行的最後 100 條跟蹤記錄，並告訴我為什麼我的強化學習實驗的滾動跟蹤有時會很差？”

⚠️ 重要提示

確保向大語言模型指定你的 W&B 實體和 W&B 項目名稱，因為大語言模型無法讀取你的想法。

💡 使用建議

• 避免提出過於寬泛的問題，例如 “我的最佳評估是什麼？” 這樣的問題可能過於寬泛，將問題細化為更具體的問題，例如 “哪個評估的 F1 分數最高？” 可以更快地得到答案。
• 當提出寬泛、一般性的問題，如 “我的表現最佳的運行/評估有哪些？” 時，最好要求大語言模型檢查它是否檢索到了所有可用的運行。MCP 工具旨在獲取正確數量的數據，但有時大語言模型可能只檢索最新的運行或最後 N 個運行。

託管服務器提供零配置體驗，具有企業級可靠性。該服務器由 W&B 團隊維護，會自動更新新功能，並可擴展以處理任何工作負載。非常適合團隊和生產用例，讓你可以專注於機器學習工作，而不是基礎設施。

使用公共服務器

最簡單的方法是使用我們託管在 https://mcp.withwandb.com 的服務器。

優點：

• ✅ 無需安裝
• ✅ 始終保持最新
• ✅ 自動擴展
• ✅ 無需維護

只需使用 快速開始 中顯示的配置即可。

在本地運行 MCP 服務器進行開發、測試，或者當你需要完全控制數據時使用。本地服務器直接在你的機器上運行，桌面客戶端使用 STDIO 傳輸，基於 Web 的客戶端使用 HTTP 傳輸。非常適合想要自定義服務器或在隔離環境中工作的開發人員。

手動配置

添加到你的 MCP 客戶端配置：

{
  "mcpServers": {
    "wandb": {
      "command": "uvx",
      "args": [
        "--from",
        "git+https://github.com/wandb/wandb-mcp-server",
        "wandb_mcp_server"
      ],
      "env": {
        "WANDB_API_KEY": "YOUR_API_KEY"
      }
    }
  }
}

先決條件

• Python 3.10+
• uv（推薦）或 pip

# 安裝 uv（如果尚未安裝）
curl -LsSf https://astral.sh/uv/install.sh | sh

安裝

# 使用 uv（推薦）
uv pip install wandb-mcp-server

# 或者從 GitHub 安裝
pip install git+https://github.com/wandb/wandb-mcp-server

特定客戶端安裝命令

Cursor（僅項目）

為特定項目啟用服務器：

uvx --from git+https://github.com/wandb/wandb-mcp-server add_to_client --config_path .cursor/mcp.json && uvx wandb login

Cursor（全局）

為所有 Cursor 項目啟用服務器：

uvx --from git+https://github.com/wandb/wandb-mcp-server add_to_client --config_path ~/.cursor/mcp.json && uvx wandb login

Windsurf

uvx --from git+https://github.com/wandb/wandb-mcp-server add_to_client --config_path ~/.codeium/windsurf/mcp_config.json && uvx wandb login

Claude Code

claude mcp add wandb -- uvx --from git+https://github.com/wandb/wandb-mcp-server wandb_mcp_server && uvx wandb login

使用 API 密鑰：

claude mcp add wandb -e WANDB_API_KEY=your-api-key -- uvx --from git+https://github.com/wandb/wandb-mcp-server wandb_mcp_server

Claude Desktop

uvx --from git+https://github.com/wandb/wandb-mcp-server add_to_client --config_path "~/Library/Application Support/Claude/claude_desktop_config.json" && uvx wandb login

使用 ngrok 進行測試（適用於服務器端客戶端）

對於像 OpenAI 和 LeChat 這樣需要公共 URL 的客戶端：

# 1. 啟動 HTTP 服務器
uvx wandb-mcp-server --transport http --port 8080

# 2. 使用 ngrok 暴露
ngrok http 8080

# 3. 在客戶端配置中使用 ngrok URL

注意：這些實用工具受 OpenMCP 服務器註冊表 添加到客戶端模式 的啟發。

這個公共倉庫專注於 STDIO 傳輸。如果你需要完全託管的 HTTP 部署（Docker、Cloud Run、Hugging Face 等），可以從這個代碼庫開始，並在單獨的倉庫中添加你自己的 HTTP 入口點。W&B 維護的生產級託管服務器現在位於一個基於此倉庫的私有倉庫中。

對於輕量級實驗，你仍然可以直接運行 FastMCP HTTP 傳輸：

uvx wandb_mcp_server --transport http --host 0.0.0.0 --port 8080

客戶端必須繼續按照 MCP 規範通過 Bearer 令牌提供自己的 W&B API 密鑰。

from openai import OpenAI
from dotenv import load_dotenv
import os

load_dotenv()

client = OpenAI()

resp = client.responses.create(
    model="gpt-4o",  # 使用 gpt-4o 以獲得更大的上下文窗口
    tools=[
        {
            "type": "mcp",
            "server_label": "wandb",
            "server_description": "Query W&B data",
            "server_url": "https://mcp.withwandb.com/mcp",
            "authorization": os.getenv('WANDB_API_KEY'),
            "require_approval": "never",
        },
    ],
    input="How many traces are in wandb-smle/hiring-agent-demo-public?",
)

print(resp.output_text)