Label Studio MCP Server

🚀 Label Studio MCP Server

本项目提供了一个模型上下文协议（MCP）服务器，允许使用 label-studio-sdk 与 Label Studio 实例进行交互。它支持通过自然语言或来自 MCP 客户端的结构化调用，以编程方式管理标注项目、任务和预测。使用这个 MCP 服务器，你可以发起如下请求：

• "在 Label Studio 中使用这些数据创建一个项目..."
• "我的 RAG 审核项目中有多少任务已标注？"
• "为我的任务添加预测。"
• "更新我的标注模板，加入一个评论框。"

🚀 快速开始

本 MCP 服务器允许你通过自然语言或结构化调用，对 Label Studio 实例中的标注项目、任务和预测进行编程式管理。在使用前，请确保满足以下先决条件，并按照安装和配置步骤进行操作。

✨ 主要特性

• 项目管理：创建、更新、列出和查看 Label Studio 项目的详细信息和配置。
• 任务管理：从文件导入任务，列出项目内的任务，并检索任务数据和标注信息。
• 预测集成：为特定任务添加模型预测。
• SDK 集成：借助官方的 label-studio-sdk 进行通信。

📦 安装指南

先决条件

1. 运行中的 Label Studio 实例：你需要一个可从 MCP 服务器运行位置访问的 Label Studio 实例。
2. API 密钥：从 Label Studio 的用户账户设置中获取 API 密钥。
3. Python 环境：建议使用安装了 uv 进行包管理的 Python 3.x 环境。

安装步骤

按照以下说明安装服务器：

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

# 使用 uv 安装依赖
uv venv
source .venv/bin/activate 
uv sync

📚 详细文档

配置

MCP 服务器需要你的 Label Studio 实例的 URL 和 API 密钥。主要有两种配置方式：

1. 环境变量

在运行服务器之前，在终端会话中设置以下环境变量：

export LABEL_STUDIO_URL='http://localhost:8080' # 替换为你的 Label Studio URL
export LABEL_STUDIO_API_KEY='your_actual_api_key_here'

python label-studio-mcp.py

Python 脚本会使用 os.getenv() 读取这些变量。

2. MCP 客户端配置（例如 Cursor 的 mcp.json）

如果通过 MCP 客户端配置文件启动服务器，你可以直接在服务器定义中指定环境变量。对于由客户端管理的服务器，这种方式通常更受青睐。

示例 mcp.json 条目：

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

按此方式配置后，env 块会将变量注入服务器进程环境，脚本的 os.getenv() 调用将获取这些变量。

为 Claude Desktop 安装

要为 Claude Desktop 安装 MCP 服务器，你可以从本仓库的根目录运行以下命令：

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 服务器提供以下工具：

项目管理

• get_label_studio_projects_tool()：列出可用项目（ID、标题、任务数量）。
• get_label_studio_project_details_tool(project_id: int)：检索特定项目的详细信息。
• get_label_studio_project_config_tool(project_id: int)：获取项目的 XML 标注配置。
• create_label_studio_project_tool(title: str, label_config: str, ...)：使用标题、XML 配置和可选设置创建一个新项目。返回包含 URL 的项目详细信息。
• update_label_studio_project_config_tool(project_id: int, new_label_config: str)：更新现有项目的 XML 标注配置。

任务管理

• list_label_studio_project_tasks_tool(project_id: int)：列出项目内的任务 ID（最多 100 个）。
• get_label_studio_task_data_tool(project_id: int, task_id: int)：检索特定任务的数据负载。
• get_label_studio_task_annotations_tool(project_id: int, task_id: int)：获取特定任务的现有标注。
• import_label_studio_project_tasks_tool(project_id: int, tasks_file_path: str)：从 JSON 文件（包含任务对象列表）导入任务到项目中。返回导入摘要和项目 URL。

预测

• create_label_studio_prediction_tool(task_id: int, result: List[Dict[str, Any]], ...)：为特定任务创建预测。需要以符合 Label Studio 格式的字典列表作为预测结果。可选参数 model_version 和 score。

示例用例

1. 使用 create_label_studio_project_tool 创建一个新项目。
2. 准备一个包含任务数据的 JSON 文件（tasks.json）。
3. 使用 import_label_studio_project_tasks_tool 导入任务，提供步骤 1 中的项目 ID 和 tasks.json 的路径。
4. 使用 list_label_studio_project_tasks_tool 列出任务 ID。
5. 使用 get_label_studio_task_data_tool 获取特定任务的数据。
6. 生成一个预测结果结构（字典列表）。
7. 使用 create_label_studio_prediction_tool 添加预测。

运行服务器

MCP 服务器可以直接使用 Python 运行：

python label-studio-mcp.py [options]

选项：

• --transport {http|stdio}：指定通信传输方式（默认：stdio）。
• --port PORT：设置 HTTP 传输的端口号（默认：3000）。
• --host HOST：设置 HTTP 传输的主机地址（默认：0.0.0.0）。

运行前请确保设置了所需的环境变量（LABEL_STUDIO_URL、LABEL_STUDIO_API_KEY）。

📄 许可证

文档中未提及相关信息。

🔗 联系我们

如有疑问或需要支持，请通过 GitHub Issues 联系我们。