Mlflow

🚀 MLflow MCP 服务器：机器学习的自然语言接口

本项目借助 Model Context Protocol (MCP) 为 MLflow 打造了自然语言接口。通过使用普通英语查询 MLflow 跟踪服务器，能让您更轻松地管理与探索机器学习实验和模型。

🚀 快速开始

MLflow MCP 代理涵盖两个主要组件：

1. MLflow MCP 服务器 (mlflow_server.py)：连接至您的 MLflow 跟踪服务器，通过 Model Context Protocol (MCP) 提供 MLflow 功能。
2. MLflow MCP 客户端 (mlflow_client.py)：提供自然语言接口，借助对话式 AI 助手与 MLflow MCP 服务器交互。

✨ 主要特性

• 自然语言查询：用普通英语询问关于 MLflow 跟踪服务器的问题。
• 模型注册表探索：获取已注册模型的相关信息。
• 实验跟踪：列出并探索实验和运行情况。
• 系统信息：获取 MLflow 环境的状态和元数据。

📦 安装指南

先决条件

• Python 3.8+
• 运行中的 MLflow 跟踪服务器（默认：http://localhost:8080）
• 用于 LLM 的 OpenAI API 密钥

安装步骤

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. 安装所需的包：

   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
   

💻 使用示例

基础用法

启动 MCP 服务器

首先启动 MLflow MCP 服务器：

python mlflow_server.py

该服务器会连接到您的 MLflow 跟踪服务器，并通过 MCP 提供 MLflow 功能。

执行查询

一旦服务器运行，您可以使用客户端进行自然语言查询：

python mlflow_client.py "What models do I have registered in MLflow?"

示例查询：

• "显示所有在 MLflow 中注册的模型"
• "列出我的所有实验"
• "获取名为 'iris-classifier' 的模型的详细信息"
• "我的 MLflow 服务器的状态如何？"

📚 详细文档

您可以使用环境变量自定义行为：

• MLFLOW_TRACKING_URI：指定 MLflow 跟踪服务器的 URI（默认：http://localhost:8080）
• OPENAI_API_KEY：设置 OpenAI API 的密钥
• PYTHONPATH：添加必要的路径

🔧 技术细节

限制

目前，该项目存在以下限制：

• 支持的模型注册表操作有限。
• 只能查询最近的实验和运行。
• 对复杂查询的支持有限。

未来改进

计划中的未来改进包括：

• 增加对更多 MLflow 功能的支持。
• 提高自然语言处理能力以支持更复杂的查询。
• 改善用户体验，例如支持多语言和图形界面。