Cloudera AI MCP

🚀 Cloudera 机器学习模型控制协议（MCP）

Cloudera 机器学习模型控制协议（MCP）实现了 Python 与 Cloudera 机器学习的集成，让 Claude 能够以编程方式与 CML 服务进行交互，极大地提升了机器学习工作的效率和灵活性。

🚀 快速开始

本 MCP 可助力 Claude 与 Cloudera 机器学习实现交互，以下为您展示具体的使用步骤。

✨ 主要特性

1. 📁 上传文件夹：能够将整个文件夹上传至您的 CML 项目，同时完整保留目录结构。
2. 📄 创建作业：可使用自定义设置创建全新的 CML 作业。
3. 👀 列出作业：方便查看项目中的所有作业及其当前状态。
4. 🗑️ 删除作业：支持删除单个作业或项目中的所有作业。
5. 🔍 获取项目 ID：能通过项目名称检索项目 ID。
6. 📂 列出项目文件：可查看项目中的文件和目录。
7. 🧠 模型管理：能够创建、列出和管理 ML 模型与部署。
8. 📊 实验跟踪：可记录和管理 ML 实验与运行情况。
9. 💻 应用程序管理：支持创建、更新和管理 CML 应用程序。

📦 安装指南

1. 克隆此仓库。
2. 安装依赖项：

pip install -r requirements.txt

📚 详细文档

配置

MCP 需要以下配置信息：

1. host：您的 CML 实例 URL（例如，"https://ml - xxxx.cloudera.site"）。
2. api_key：用于身份验证的 API 密钥。
3. project_id：您的 CML 项目 ID（可选 - 现在可以通过项目名称获取）。

您可以在初始化 MCP 时通过代码提供这些配置，也可以使用环境变量：

export CLOUDERA_ML_HOST="https://ml-xxxx.cloudera.site"
export CLOUDERA_ML_API_KEY="your-api-key"
# 可选：export CLOUDERA_ML_PROJECT_ID="your-project-id"

URL 配置注意事项

• 主机 URL 不应包含重复的 "https://" 前缀。
• 会自动处理尾部斜杠。
• MCP 会自动正确格式化 URL。

运行 MCP 服务器

此 MCP 可以作为服务器运行，从而允许 Claude 与 Cloudera ML 进行交互。

设置环境

复制示例 .env 文件并添加您的凭证：

cp .env.example .env
# 编辑 .env 文件以提供您的凭证

启动服务器

./server.py

该服务器使用 stdio 运输，默认情况下可以直接连接到 Claude。

与 Claude Desktop 结合使用

要将此服务器与 Claude Desktop 应用一起使用，请在 claude_desktop_config.json 的 "mcpServers" 部分中添加以下配置：

{
  // 其他配置...
  "mcpServers": {
    "my-mcp-server": {
      "type": "stdio",
      "command": ["python", "-m", "cloudera.mcp.server"],
      "args": []
    }
  }
}

要求

• Python 3.8+
• requests
• pathlib
• python - dotenv
• mcp[cli]

📄 许可证

本项目采用 MIT 许可证。