🚀 MLflow MCP 服务器：自然语言接口的机器学习流程

本项目借助模型上下文协议（MCP），为访问 MLflow 提供了自然语言接口。您可以使用简单的英语对 MLflow 跟踪服务器进行查询，从而更便捷地管理和探索机器学习实验与模型。

🚀 快速开始

MLflow MCP 代理由两个核心组件构成：

1. MLflow MCP 服务器 (mlflow_server.py)：连接至您的 MLflow 跟踪服务器，并通过模型上下文协议（MCP）开放 MLflow 功能。
2. MLflow MCP 客户端 (mlflow_client.py)：提供自然语言接口，借助对话式 AI 助手与 MLflow MCP 服务器进行交互。

✨ 主要特性

• 自然语言查询：能用简单英语对 MLflow 跟踪服务器进行提问。
• 模型注册表探索：可获取已注册模型的相关信息。
• 实验跟踪：能列出并探索实验和运行情况。
• 系统信息：可获取 MLflow 环境的状态和元数据。

📦 安装指南

先决条件

• Python 3.8 及以上版本。
• 运行中的 MLflow 跟踪服务器（默认：http://localhost:8080）。
• 用于大语言模型（LLM）的 OpenAI API 密钥。

安装步骤

1. 克隆此仓库：

   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  # 在 Windows 上：venv\Scripts\activate
   

3. 安装所需的包：

   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
   

💻 使用示例

基础用法

启动 MCP 服务器

首先，启动 MLflow MCP 服务器：

python mlflow_server.py

该服务器会连接到您的 MLflow 跟踪服务器，并通过 MCP 开放 MLflow 功能。

进行查询

服务器启动后，您可以使用客户端进行自然语言查询：

python mlflow_client.py "您在 MLflow 中注册了哪些模型？"

示例查询如下：

• "显示所有在 MLflow 中注册的模型"
• "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？"

高级用法

若要使用 MLflow MCP 客户端，可按以下步骤操作：

1. 启动服务器：

   python mlflow_server.py
   

2. 使用客户端进行查询：

   python mlflow_client.py "显示所有在 MLflow 中注册的模型"
   

📚 详细文档

配置

您可利用环境变量对行为进行自定义：

MLflow MCP 服务器 (mlflow_server.py)

该服务器会连接到您的 MLflow 跟踪服务器，并通过 MCP 开放以下功能：

• /api/v1/predict：处理预测请求。
• /api/v1/models：列出所有注册的模型。 若要使用这些 API，可将请求发送到 http://localhost:5000，因为服务器在端口 5000 上运行。

限制

当前版本仅支持以下功能：

• 列出注册的模型。
• 执行预测。

不支持以下操作：

• 模型上传。
• 模型版本控制。
• 实验跟踪。

🔧 技术细节

当前文档未提供详细的技术实现细节。

📄 问题反馈

如果遇到任何问题，请提交到 GitHub 仓库。