mlflowMCPServer

🚀 MLflow MCP 服务器：自然语言接口的机器学习流程

本项目借助模型上下文协议（MCP），为访问 MLflow 提供了自然语言接口。您可以使用简单的英语对 MLflow 跟踪服务器进行查询，从而更便捷地管理和探索机器学习实验与模型。

🚀 快速开始

MLflow MCP 代理包含两个主要组件：

1. MLflow MCP 服务器 (mlflow_server.py)：连接您的 MLflow 跟踪服务器，通过模型上下文协议（MCP）公开 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：用简单英语对 MLflow 跟踪服务器进行提问。
• 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 公开 MLflow 功能。

进行查询

服务器启动后，您可以使用客户端进行自然语言查询：

python mlflow_client.py "您在 MLflow 中注册了哪些模型？"

高级用法

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

配置

您可以使用环境变量自定义行为： | 属性 | 详情 | |------|------| | MLFLOW_TRACKING_URI | 您的 MLflow 跟踪服务器 URI（默认：http://localhost:8080） | | OPENAI_API_KEY | 您的 OpenAI API 密钥 | | MODEL_NAME | 要使用的 OpenAI 模型（默认：gpt-3.5-turbo-0125） | | MLFLOW_SERVER_SCRIPT | MLflow MCP 服务器脚本的路径（默认：mlflow_server.py） | | LOG_LEVEL | 日志级别（默认：INFO） |

MLflow MCP 服务器 (mlflow_server.py)

该服务器连接到您的 MLflow 跟踪服务器，并通过 MCP 公开以下功能：

• /api/v1/predict：处理预测请求
• /api/v1/models：列出所有注册的模型

要使用这些 API，请将请求发送到 http://localhost:5000，因为服务器在端口 5000 上运行。

限制

当前版本仅支持以下功能：

• 列出注册的模型
• 执行预测

不支持以下操作：

• 模型上传
• 模型版本控制
• 实验跟踪

🔧 技术细节

如果遇到任何问题，请提交到 GitHub 仓库。