MFlowy Рабочий процесс анализа и моделирования данных

MFlowy — это MCP-native модульный движок ML-рабочих процессов: послойное выполнение на основе DAG, управление через конфигурацию, поддержка отслеживаемых и воспроизводимых рабочих процессов — от обработки данных и обучения моделей до визуального анализа.

Ключевые возможности

• MCP-native: все возможности предоставляются как MCP-инструменты (pyfunc); один и тот же набор инструментов доступен через три точки входа — MCP server (stdio), JSON runner CLI (cmd), прямой import (встраивание в хост-приложение)

• Оркестрация DAG-рабочих процессов: поддержка сложных топологий направленных ациклических графов (DAG), гибкое определение зависимостей задач

• Управление через конфигурацию: рабочие процессы определяются через YAML-конфигурацию, без написания кода

• Регистрация через декораторы: чистые функции + декоратор @handler для автоматической регистрации; для добавления новой функции достаточно создать файл .py

• Система промежуточного ПО: цепочка ответственности для обработки сквозных задач (инъекция данных, запись в mlflow, остановка при ошибке, различные журналы)

• Происхождение данных: тег MLflow (mflowy.input_steps) автоматически записывает зависимости входных данных между шагами

• Наблюдаемое выполнение: полная трассировка MLflow (параметры/метрики/модели/артефакты) + структурированный WorkflowResult (поузловой run_id/статус/вывод); журналы процесса привязаны к stderr, в терминальном режиме окрашены по уровням

• Расширяемые стратегии выполнения: контракт JobProvider абстрагирует среду выполнения compute-инструментов, встроенная локальная реализация, удалённое выполнение подключается через пользовательские реализации (см. docs/REMOTE_MODELING.md)

Related MCP server: Patronus MCP Server

Архитектура и способы вызова

MFlowy построен на основе MCP: src/mflowy/mcp/tools.py определяет все compute-инструменты (eda / modeling / explanation / predict / inverse_optimization и др.), доступные через три точки входа:

CLI (cmd) — это командный канал для MCP-инструментов; он использует ту же реализацию инструментов и делегирование через JobProvider, что и MCP server, и не является отдельной архитектурой; прежние отдельные CLI (mflowy run/validate/list-modules и др.) устарели.

Быстрый старт

# 构建 wheel（→ dist/mflowy-<version>-py3-none-any.whl）
make build-whl

# MCP server (stdio) — 完全体（数据分析 + 建模）；<whl> 为 wheel 绝对路径（见下方说明）
uvx --index-strategy unsafe-best-match \
    --default-index https://mirrors.aliyun.com/pypi/simple/ \
    --index https://download.pytorch.org/whl/cpu \
    --from "mflowy[modeling] @ file://<whl绝对路径>" \
    mcpSrv

# JSON runner（CLI）— 本地调试
uv run cmd list_modules                                       # 查看支持的步骤及模块列表（base，无数据栈）
uv run cmd list_modules '{"step":"load"}'                     # 查看 load 步骤的模块列表
uv run cmd get_module_info '{"step":"load","module":"csv"}'   # 查看 load 步骤的 csv 模块信息
uv run --extra stats cmd data_profile '{"file_path": "..."}'           # 数据分析工具
uv run --extra modeling cmd modeling '{"modeling_steps_yaml": "...", "name": "...", "desc": "..."}'  # 建模工具

Переменные окружения

Пример конфигурации MCP-клиента

{
  "mcpServers": {
    "mflowy": {
      "type": "stdio",
      "command": "uvx",
      "args": [
        "--index-strategy", "unsafe-best-match",  // torch CPU 索引必需（见下方说明）
        "--default-index", "https://mirrors.aliyun.com/pypi/simple/",  // 可选：包索引镜像（网络可达 PyPI 时省略）
        "--index", "https://download.pytorch.org/whl/cpu",  // [modeling] 需要；仅 [stats] 可省略
        "--from", "mflowy[modeling] @ file:///path/to/mflowy-<version>-py3-none-any.whl",
        "mcpSrv"
      ],
      "env": {
        // "PYTHONPATH": "/path/to/custom_module_parent",
        // "MFLOWY_JOB_PROVIDER": "<custom_module>:<class>",
        // "MLFLOW_TRACKING_URI": "postgresql://user:pwd@host:5432/mlflow"
      }
    }
  }
}

Примечания по запуску

• Имя точки входа mcpSrv: намеренно отличается от одноимённого CLI mcp от SDK (mcp.cli.app) — при разрешении через uvx команда mcp может попасть в SDK и привести к ошибке запуска

• extras внутри spec --from: для --from uvx требуется новая версия uv; встроенная запись наиболее совместима

• <whl> — абсолютный путь: make build-whl создаёт dist/mflowy-<версия>-py3-none-any.whl; при изменении версии необходимо обновить путь

• Индекс pytorch-cpu (--index pytorch-cpu) для [modeling] необходим: если индекс опущен, по умолчанию используется PyPI, что приводит к загрузке CUDA-версии torch (около 2 ГБ+); при использовании --index также добавьте --extra-index-url https://pypi.org/simple, чтобы избежать сбоев разрешения зависимостей

• Для разработки wheel не требуется: .mcp.json.example использует путь к исходному коду и всегда актуален

Телеметрия

Сбор диагностики вызовов MCP-инструментов; режим по умолчанию ask (запрос согласия). Если сервер телеметрии недоступен, это полностью прозрачно и не влияет на вызовы инструментов. Контракт конфиденциальности см. в PRIVACY.md.

Участие

Приветствуется любой вклад: функции, исправления, документация, примеры. Пожалуйста, ознакомьтесь с CONTRIBUTING.md (процесс разработки и соглашения), CODE_OF_CONDUCT.md, PRIVACY.md (контракт конфиденциальности телеметрии) и SECURITY.md (раскрытие уязвимостей).

Лицензия

Проект распространяется под лицензией MIT License.

Документация

• Архитектура и руководство для участников

• Решения по архитектуре

• Методология исследовательского процесса

• Дорожная карта

• Подключение удалённого выполнения

• Телеметрия

• Архитектура DAG-движка