MLflow MCP 服务器：MLflow 的自然语言接口

该项目通过模型上下文协议 (MCP) 为 MLflow 提供自然语言接口。它允许您使用简单的英语查询 MLflow 跟踪服务器，从而更轻松地管理和探索您的机器学习实验和模型。

概述

MLflow MCP Agent由两个主要组件组成：

1. MLflow MCP 服务器（ mlflow_server.py ）：连接到您的 MLflow 跟踪服务器并通过模型上下文协议 (MCP) 公开 MLflow 功能。
2. MLflow MCP 客户端（ mlflow_client.py ）：提供自然语言界面，使用对话式 AI 助手与 MLflow MCP 服务器进行交互。

特征

• 自然语言查询：用简单的英语询问有关 MLflow 跟踪服务器的问题
• 模型注册表探索：获取有关已注册模型的信息
• 实验跟踪：列出并探索您的实验和运行
• 系统信息：获取有关 MLflow 环境的状态和元数据

先决条件

• Python 3.8+
• MLflow 服务器正在运行（默认值： http://localhost:8080 ）
• LLM 的 OpenAI API 密钥

安装

1. 克隆此存储库：
   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 # On Windows: venv\Scripts\activate
3. 安装所需的软件包：
   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

用法

启动 MCP 服务器

首先，启动 MLflow MCP 服务器：

该服务器连接到您的 MLflow 跟踪服务器并通过 MCP 公开 MLflow 功能。

进行查询

服务器运行后，您可以使用客户端进行自然语言查询：

示例查询：

• “显示 MLflow 中所有已注册的模型”
• “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？”

配置

您可以使用环境变量自定义行为：

• MLFLOW_TRACKING_URI ：MLflow 跟踪服务器的 URI（默认值： http://localhost:8080 ）
• OPENAI_API_KEY ：您的 OpenAI API 密钥
• MODEL_NAME ：要使用的 OpenAI 模型（默认值： gpt-3.5-turbo-0125 ）
• MLFLOW_SERVER_SCRIPT ：MLflow MCP 服务器脚本的路径（默认值： mlflow_server.py ）
• LOG_LEVEL ：日志级别（默认值： 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 公开以下工具：

• list_models ：列出 MLflow 模型注册表中所有已注册的模型
• list_experiments ：列出 MLflow 跟踪服务器中的所有实验
• get_model_details ：获取特定注册模型的详细信息
• get_system_info ：获取有关 MLflow 跟踪服务器和系统的信息

限制

• 目前仅支持 MLflow 的部分功能
• 客户端需要互联网访问才能使用 OpenAI 模型
• 对于复杂的 MLflow 操作，错误处理可能会受到限制

未来的改进

• 添加对 MLflow 模型预测的支持
• 提高对更复杂查询的自然语言理解
• 添加指标和参数的可视化功能
• 支持更多 MLflow 操作，例如运行管理和工件处理

致谢

• 模型上下文协议（MCP） ：用于协议规范
• LangChain ：用于代理框架
• MLflow ：用于跟踪和模型注册功能