MLflow MCP Server

Servidor MCP de MLflow: Interfaz de lenguaje natural para MLflow

Este proyecto proporciona una interfaz de lenguaje natural para MLflow mediante el Protocolo de Contexto de Modelo (MCP). Permite consultar el servidor de seguimiento de MLflow en inglés sencillo, lo que facilita la gestión y la exploración de experimentos y modelos de aprendizaje automático.

Descripción general

El agente MCP de MLflow consta de dos componentes principales:

1. Servidor MCP de MLflow ( mlflow_server.py ): se conecta a su servidor de seguimiento de MLflow y expone la funcionalidad de MLflow a través del Protocolo de contexto de modelo (MCP).
2. Cliente MLflow MCP ( mlflow_client.py ): proporciona una interfaz de lenguaje natural para interactuar con el servidor MLflow MCP mediante un asistente de inteligencia artificial conversacional.

Características

• Consultas en lenguaje natural : haga preguntas sobre su servidor de seguimiento MLflow en un lenguaje sencillo
• Exploración del Registro de Modelos : Obtenga información sobre sus modelos registrados
• Seguimiento de experimentos : enumere y explore sus experimentos y ejecuciones
• Información del sistema : obtenga el estado y los metadatos sobre su entorno MLflow

Prerrequisitos

• Python 3.8+
• Servidor MLflow en ejecución (predeterminado: http://localhost:8080 )
• Clave API de OpenAI para el LLM

Instalación

1. Clonar este repositorio:
   git clone https://github.com/iRahulPandey/mlflowMCPServer.git cd mlflowMCPServer
2. Crear un entorno virtual:
   python -m venv venv source venv/bin/activate # On Windows: venv\Scripts\activate
3. Instalar los paquetes necesarios:
   pip install mcp[cli] langchain-mcp-adapters langchain-openai langgraph mlflow
4. Establezca su clave API de OpenAI:
   export OPENAI_API_KEY=your_key_here
5. (Opcional) Configure la URI del servidor de seguimiento de MLflow:
   export MLFLOW_TRACKING_URI=http://localhost:8080

Uso

Iniciando el servidor MCP

Primero, inicie el servidor MLflow MCP:

El servidor se conecta a su servidor de seguimiento MLflow y expone la funcionalidad de MLflow a través de MCP.

Realizar consultas

Una vez que el servidor esté en ejecución, puedes realizar consultas en lenguaje natural utilizando el cliente:

Consultas de ejemplo:

• "Muéstrame todos los modelos registrados en MLflow"
• "Enumerar todos mis experimentos"
• Obtener detalles del modelo denominado 'iris-classifier'
• "¿Cuál es el estado de mi servidor MLflow?"

Configuración

Puede personalizar el comportamiento utilizando variables de entorno:

• MLFLOW_TRACKING_URI : URI de su servidor de seguimiento MLflow (predeterminado: http://localhost:8080 )
• OPENAI_API_KEY : Su clave API de OpenAI
• MODEL_NAME : El modelo OpenAI a utilizar (predeterminado: gpt-3.5-turbo-0125 )
• MLFLOW_SERVER_SCRIPT : Ruta al script del servidor MCP de MLflow (predeterminado: mlflow_server.py )
• LOG_LEVEL : Nivel de registro (predeterminado: INFO )

Servidor MCP de MLflow ( mlflow_server.py )

El servidor se conecta a su servidor de seguimiento MLflow y expone las siguientes herramientas a través de MCP:

• list_models : enumera todos los modelos registrados en el registro de modelos de MLflow
• list_experiments : enumera todos los experimentos en el servidor de seguimiento de MLflow
• get_model_details : Obtiene información detallada sobre un modelo registrado específico
• get_system_info : Obtiene información sobre el servidor y el sistema de seguimiento de MLflow

Limitaciones

• Actualmente solo admite un subconjunto de la funcionalidad de MLflow
• El cliente requiere acceso a Internet para utilizar los modelos OpenAI
• El manejo de errores puede ser limitado para operaciones complejas de MLflow

Mejoras futuras

• Añadir compatibilidad con predicciones de modelos de MLflow
• Mejorar la comprensión del lenguaje natural para consultas más complejas
• Añadir capacidades de visualización para métricas y parámetros
• Soporte para más operaciones de MLflow como administración de ejecuciones y manejo de artefactos

Expresiones de gratitud

• Protocolo de contexto de modelo (MCP) : para la especificación del protocolo
• LangChain : para el marco del agente
• MLflow : Para la funcionalidad de seguimiento y registro de modelos