Mlflowmcpserver

🚀 MLflow MCP 服務器：自然語言接口的機器學習流程

本項目藉助模型上下文協議（MCP），為訪問 MLflow 提供了自然語言接口。您可以使用簡單的英語對 MLflow 跟蹤服務器進行查詢，從而更便捷地管理和探索機器學習實驗與模型。

🚀 快速開始

MLflow MCP 代理由兩個核心組件構成：

1. MLflow MCP 服務器 (mlflow_server.py)：連接至您的 MLflow 跟蹤服務器，並通過模型上下文協議（MCP）開放 MLflow 功能。
2. MLflow MCP 客戶端 (mlflow_client.py)：提供自然語言接口，藉助對話式 AI 助手與 MLflow MCP 服務器進行交互。

✨ 主要特性

• 自然語言查詢：能用簡單英語對 MLflow 跟蹤服務器進行提問。
• 模型註冊表探索：可獲取已註冊模型的相關信息。
• 實驗跟蹤：能列出並探索實驗和運行情況。
• 系統信息：可獲取 MLflow 環境的狀態和元數據。

📦 安裝指南

先決條件

• Python 3.8 及以上版本。
• 運行中的 MLflow 跟蹤服務器（默認：http://localhost:8080）。
• 用於大語言模型（LLM）的 OpenAI API 密鑰。

安裝步驟

1. 克隆此倉庫：

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

2. 創建虛擬環境：

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

3. 安裝所需的包：

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

4. 設置您的 OpenAI API 密鑰：

   export OPENAI_API_KEY=your_key_here
   

5. (可選) 配置 MLflow 跟蹤服務器 URI：

   export MLFLOW_TRACKING_URI=http://localhost:8080
   

💻 使用示例

基礎用法

啟動 MCP 服務器

首先，啟動 MLflow MCP 服務器：

python mlflow_server.py

該服務器會連接到您的 MLflow 跟蹤服務器，並通過 MCP 開放 MLflow 功能。

進行查詢

服務器啟動後，您可以使用客戶端進行自然語言查詢：

python mlflow_client.py "您在 MLflow 中註冊了哪些模型？"

示例查詢如下：

• "顯示所有在 MLflow 中註冊的模型"
• "列出我的所有實驗"
• "獲取名為 'iris-classifier' 的模型的詳細信息"
• "我的 MLflow 服務器的狀態如何？"

高級用法

若要使用 MLflow MCP 客戶端，可按以下步驟操作：

1. 啟動服務器：

   python mlflow_server.py
   

2. 使用客戶端進行查詢：

   python mlflow_client.py "顯示所有在 MLflow 中註冊的模型"
   

📚 詳細文檔

配置

您可利用環境變量對行為進行自定義：

MLflow MCP 服務器 (mlflow_server.py)

該服務器會連接到您的 MLflow 跟蹤服務器，並通過 MCP 開放以下功能：

• /api/v1/predict：處理預測請求。
• /api/v1/models：列出所有註冊的模型。 若要使用這些 API，可將請求發送到 http://localhost:5000，因為服務器在端口 5000 上運行。

限制

當前版本僅支持以下功能：

• 列出註冊的模型。
• 執行預測。

不支持以下操作：

• 模型上傳。
• 模型版本控制。
• 實驗跟蹤。

🔧 技術細節

當前文檔未提供詳細的技術實現細節。

📄 問題反饋

如果遇到任何問題，請提交到 GitHub 倉庫。