mcp-registry

Небольшое сквозное руководство по MLflow MCP Server Registry: создавайте MCP серверы с помощью FastMCP, вызывайте их через FastMCP клиент, а затем регистрируйте в MLflow, чтобы они были обнаруживаемыми — с версиями, точками доступа и автоматически обнаруженными инструментами.

Репозиторий состоит из трех частей:

Требования

• Python ≥ 3.13

• Запущенный локально MLflow tracking server (v3.15+) — API регистрации находятся на стороне сервера

• PostgreSQL, если вы хотите опробовать PostgreSQL сервер

• uv (репозиторий содержит uv.lock)

Зависимости (pyproject.toml): fastmcp>=3.4.7, mlflow>=3.15.1, psycopg2 + psycopg2-binary, python-dotenv.

uv sync

Related MCP server: postgres-mcp-readonly

Конфигурация

PostgreSQL сервер читает настройки подключения из файла .env в корне репозитория (загружается через python-dotenv). .env добавлен в .gitignore — создайте свой:

PGHOST=localhost
PGPORT=5432
PGUSER=root
PGPASSWORD=root
PGSSLMODE=prefer
PGADMINDB=postgres

src/simple_server.py не требует настройки.

1. Запуск MLflow tracking server

mlflow_mcp_registry_util.py указывает на http://127.0.0.1:5000. Репозиторий уже содержит mlflow.db (добавлен в .gitignore) от запуска на SQLite:

uv run mlflow server --backend-store-uri sqlite:///mlflow.db --host 127.0.0.1 --port 5000

Если ваш сервер работает по другому адресу, отредактируйте вызов mlflow.set_tracking_uri(...) в начале mlflow_mcp_registry_util.py.

2. Запуск MCP сервера

Оба сервера привязываются к порту 8000 через потоковый HTTP (http://localhost:8000/mcp), поэтому запускайте их по одному — или измените порт в вызове mcp.run(...).

Простой сервер приветствий — два инструмента: Greeting и Sendoff:

uv run python src/simple_server.py

Исследователь PostgreSQL — инструменты только для чтения, для работы с работающим PostgreSQL:

uv run python src/postgresql_mcp.py

Или через FastMCP CLI:

uv run fastmcp run src/postgresql_mcp.py --transport http --port 8000

Инструменты PostgreSQL

Каждый инструмент использует _query(), который открывает новое соединение с указанной базой данных, выполняет один параметризованный SELECT через RealDictCursor и закрывает соединение. Никаких записей.

3. Вызов сервера из клиента

При запущенном сервере на порту 8000:

uv run python clients/postgres_server_client.py   # calls ListDatabases, prints each database name
uv run python clients/simple_server_client.py     # calls the greeting tool with "Ford"

clients/postgres_server_client.py разворачивает результат FastMCP: каждый элемент в result.content содержит JSON-нагрузку в text, которую он разбирает и извлекает database.

Примечание: clients/simple_server_client.py вызывает client.call_tool("greet", ...), но инструмент в src/simple_server.py зарегистрирован под именем Greeting (greet — это только имя Python-функции). Используйте "Greeting" для вызова.

4. Регистрация серверов в MLflow

mlflow_mcp_registry_util.py содержит четыре корутины, каждая демонстрирует одно API регистрации:

register_postgresql_mcp_server()

Регистрирует удалённый сервер — тот, который уже запущен и доступен по HTTP:

mlflow.genai.register_mcp_server(
    server_json={
        "name": "io.github.pavanjava/postgresql-server",
        "version": "0.1.0",
        "description": "PostgreSQL FastMCP server exposing DB tools",
        "remotes": [{"url": "http://localhost:8000/mcp", "type": "streamable-http"}],
    },
    status="active",
    source="local dev server via fastmcp",
    create_access_endpoints_from_remotes=True,
)

create_access_endpoints_from_remotes=True превращает каждую запись в remotes в точку доступа MLflow, так что потребители могут получить URL подключения из реестра, а не прописывать его жёстко.

register_qdrant_mcp_server()

Вместо этого регистрирует упакованный сервер — запущенный процесс не требуется. Запись описывает, как его запустить (uvx mcp-server-qdrant через stdio) и объявляет переменные окружения, в том числе обязательные и секретные (QDRANT_API_KEY).

discover_tools()

Вызывает refresh_mcp_server_version_tools(...). MLflow подключается к зарегистрированной версии сервера, перечисляет его инструменты и сохраняет их в версии — после чего server_version.tools содержит список обнаруженных имён инструментов. Для этого сервер должен быть фактически доступен.

list_endpoints()

Вызывает search_mcp_access_endpoints(server_name=...) и печатает URL каждой точки доступа, тип транспорта и версию сервера, на которую она указывает.

Запуск

Блок __main__ запускает одну корутину за раз; остальные закомментированы. Раскомментируйте нужную:

if __name__ == "__main__":
    # asyncio.run(register_postgresql_mcp_server())
    asyncio.run(register_qdrant_mcp_server())
    # asyncio.run(discover_tools())
    # asyncio.run(list_endpoints())

uv run python mlflow_mcp_registry_util.py

Зарегистрированные серверы затем отображаются в разделе MCP Servers интерфейса MLflow по адресу http://127.0.0.1:5000.

Рекомендуемый сквозной сценарий

1. Запустите MLflow на порту 5000.

2. Запустите PostgreSQL MCP сервер на порту 8000.

3. Проверьте, что он отвечает: uv run python clients/postgres_server_client.py.

4. Зарегистрируйте его: раскомментируйте register_postgresql_mcp_server() и запустите утилиту.

5. Обнаружьте его инструменты: переключитесь на discover_tools() и запустите снова — должны вывестись шесть инструментов, описанных выше.

6. Проверьте его точку доступа: переключитесь на list_endpoints().

7. Просмотрите результат в интерфейсе MLflow.

Структура репозитория

.
├── src/
│   ├── simple_server.py        # FastMCP "My MCP Server" — Greeting + Sendoff tools
│   └── postgresql_mcp.py       # FastMCP "PostgreSQL Explorer" — 6 read-only introspection tools
├── clients/
│   ├── simple_server_client.py     # calls a tool on the greeting server
│   └── postgres_server_client.py   # calls ListDatabases and prints database names
├── mlflow_mcp_registry_util.py # MLflow MCP registry: register / refresh tools / list endpoints
├── pyproject.toml
└── uv.lock

mlflow.db, .env, .venv и .idea добавлены в .gitignore.