Mlflowagent

🚀 MLflow MCP 服务器：自然语言接口的机器学习流程

本项目为 MLflow 打造了自然语言界面，借助模型上下文协议 (MCP) 与 MLflow 跟踪服务器相连。用户能够用纯英文查询 MLflow 跟踪服务器，更便捷地管理与探索机器学习实验和模型。

🚀 快速开始

此项目为 MLflow 赋予自然语言交互能力，通过 MCP 协议连接跟踪服务器，让您以自然语言查询实验和模型信息。只需按以下步骤操作，即可开启便捷的机器学习管理之旅。

✨ 主要特性

• 自然语言查询：能用纯英文对 MLflow 跟踪服务器进行提问。
• 模型 registry 探索：可获取已注册模型的相关信息。
• 实验跟踪：能列出并探索实验及运行情况。
• 系统信息：可获取 MLflow 环境的状态和元数据。

📦 安装指南

环境要求

• Python 3.8+
• 运行中的 MLflow 跟踪服务器（默认：http://localhost:8080）
• 用于大语言模型（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. 创建一个虚拟环境：

   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 暴露 MLflow 功能。

执行查询

一旦服务器运行，您就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?"

高级用法

您可以使用不同的自然语言查询获取所需信息，示例查询如下：

• "显示我注册的所有模型"
• "列出所有我的实验"
• "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

配置

您可以使用环境变量自定义行为：

MLflow MCP 服务器脚本

MLflow MCP 服务器 (mlflow_server.py) 支持以下功能：

1. 模型 registry 探索：
   • 列出所有注册的模型
   • 获取特定模型的详细信息
2. 实验跟踪：
   • 列出所有实验
   • 获取特定实验的详细信息
3. 系统信息：
   • 获取 MLflow 服务器的状态和元数据

🔧 技术细节

组件概述

MLflow MCP 代理包含两个主要组件：

1. MLflow MCP 服务器（mlflow_server.py）：连接到您的 MLflow 跟踪服务器，并通过 Model Context Protocol (MCP) 暴露 MLflow 功能。
2. MLflow MCP 客户端（mlflow_client.py）：提供自然语言界面，使用对话式 AI 助手与 MLflow MCP 服务器交互。

📄 许可证

文档未提及相关许可证信息。

⚠️ 限制与改进

限制

• 目前仅支持基本的查询功能。
• 高级分析功能仍在开发中。

未来改进

• 增加对更多 MLflow 功能的支持。
• 提高查询的复杂性和准确性。
• 支持多语言界面。

🙏 致谢

此项目感谢以下项目的贡献：

• Model Context Protocol (MCP)：mlflow
• LangChain：langchain
• MLflow：mlflow

通过此项目，我们希望为 MLflow 用户提供一个更直观、更高效的交互方式。