Label Studio MCP Server

K čemu slouží “Label Studio” MCP Server?

Label Studio MCP Server je server protokolu Model Context Protocol (MCP), který umožňuje bezproblémovou integraci AI asistentů s instancí Label Studio. Využívá label-studio-sdk a umožňuje programovou správu projektů označování, úkolů a predikcí pomocí přirozeného jazyka nebo strukturovaných volání z MCP klientů. Tento server dává vývojářům a AI agentům možnost efektivně vytvářet a spravovat projekty, importovat a dotazovat se na úkoly a automatizovat predikce – to vše přes standardizované MCP nástroje. Tím, že otevírá klíčové funkce Label Studio, zjednodušuje workflow anotací a zvyšuje produktivitu při označování dat, kontrole kvality i strojovém učení.

Seznam promptů

V repozitáři nejsou zmíněny žádné šablony promptů.

Seznam zdrojů

V dokumentaci repozitáře nejsou uvedeny žádné explicitní MCP zdroje.

Seznam nástrojů

• get_label_studio_projects_tool()
  Vypíše dostupné projekty, vrací ID, název a počet úkolů u každého projektu.
• get_label_studio_project_details_tool(project_id: int)
  Získá detailní informace o zadaném projektu.
• get_label_studio_project_config_tool(project_id: int)
  Načte XML konfiguraci označování pro daný projekt.
• create_label_studio_project_tool(title: str, label_config: str, …)
  Vytvoří nový projekt se zadaným názvem, XML konfigurací a volitelným nastavením; vrací podrobnosti projektu a URL.
• update_label_studio_project_config_tool(project_id: int, new_label_config: str)
  Aktualizuje XML konfiguraci označování u stávajícího projektu.
• list_label_studio_project_tasks_tool(project_id: int)
  Vypíše až 100 ID úkolů v daném projektu.
• get_label_studio_task_data_tool(project_id: int, task_id: int)
  Získá datový payload pro konkrétní úkol.
• get_label_studio_task_annotations_tool(project_id: int, task_id: int)
  Načte existující anotace pro konkrétní úkol.
• import_label_studio_project_tasks_tool(project_id: int, tasks_file_path: str)
  Importuje úkoly ze souboru JSON do projektu; vrací souhrn importu a URL projektu.
• create_label_studio_prediction_tool(task_id: int, result: List[Dict[str, Any]], …)
  Vytvoří predikci pro konkrétní úkol s možností zadat verzi modelu a skóre.

Scénáře použití tohoto MCP serveru

• Automatizovaná správa projektů
  Programově vytvářejte, aktualizujte a konfigurujte projekty označování, což zefektivňuje nastavení a údržbu při rozsáhlých anotacích.
• Hromadný import a správa úkolů
  Importujte úkoly ze souborů a spravujte je hromadně, což umožňuje efektivní načítání dat do Label Studio i snadné získání dat úkolů či anotací.
• Integrace predikcí
  Přidávejte predikce modelu přímo k úkolům a podporujte ML-asistované workflow anotací i hodnocení modelů za účasti člověka.
• Kontrola kvality a metriky
  Dotazujte se na detaily projektů a počty úkolů pro monitoring postupu a kvality napříč projekty označování.
• Přizpůsobené šablony anotací
  Automatizujte úpravy šablon anotací (konfigurace štítků) dle měnících se požadavků projektů, což zajistí konzistenci a flexibilitu.

Jak to nastavit

Windsurf

1. Ujistěte se, že máte spuštěnou instanci Label Studio a získali jste svůj API klíč.
2. Otevřete konfigurační soubor MCP serveru Windsurf.
3. Přidejte definici serveru Label Studio MCP pomocí tohoto JSON fragmentu:

   {
       "mcpServers": {
           "label-studio": {
               "command": "uvx",
               "args": [
                   "--from",
                   "git+https://github.com/HumanSignal/label-studio-mcp-server",
                   "mcp-label-studio"
               ],
               "env": {
                   "LABEL_STUDIO_API_KEY": "your_actual_api_key_here",
                   "LABEL_STUDIO_URL": "http://localhost:8080"
               }
           }
       }
   }
   

4. Uložte změny a restartujte Windsurf.
5. Ověřte připojení k instanci Label Studio.

Claude

1. Ujistěte se, že Label Studio běží a máte svůj API klíč.
2. Najděte svůj soubor claude_desktop_config.json.
3. Přidejte konfiguraci serveru Label Studio MCP:

   {
       "mcpServers": {
           "label-studio": {
               "command": "uvx",
               "args": [
                   "--from",
                   "git+https://github.com/HumanSignal/label-studio-mcp-server",
                   "mcp-label-studio"
               ],
               "env": {
                   "LABEL_STUDIO_API_KEY": "your_actual_api_key_here",
                   "LABEL_STUDIO_URL": "http://localhost:8080"
               }
           }
       }
   }
   

4. Uložte a restartujte klienta Claude.
5. Potvrďte úspěšné nastavení v rozhraní klienta.

Cursor

1. Začněte se spuštěným Label Studio a získejte svůj API klíč.
2. Otevřete nastavení MCP v aplikaci Cursor.
3. Přidejte tuto MCP server konfigurační JSON sekci:

   {
       "mcpServers": {
           "label-studio": {
               "command": "uvx",
               "args": [
                   "--from",
                   "git+https://github.com/HumanSignal/label-studio-mcp-server",
                   "mcp-label-studio"
               ],
               "env": {
                   "LABEL_STUDIO_API_KEY": "your_actual_api_key_here",
                   "LABEL_STUDIO_URL": "http://localhost:8080"
               }
           }
       }
   }
   

4. Uložte a restartujte Cursor.
5. Zkontrolujte, že je MCP server z aplikace Cursor dostupný.

Cline

1. Ujistěte se, že Label Studio běží a poznamenejte si svůj API klíč.
2. Upravte konfigurační soubor MCP serveru Cline.
3. Vložte položku serveru podle níže uvedeného příkladu:

   {
       "mcpServers": {
           "label-studio": {
               "command": "uvx",
               "args": [
                   "--from",
                   "git+https://github.com/HumanSignal/label-studio-mcp-server",
                   "mcp-label-studio"
               ],
               "env": {
                   "LABEL_STUDIO_API_KEY": "your_actual_api_key_here",
                   "LABEL_STUDIO_URL": "http://localhost:8080"
               }
           }
       }
   }
   

4. Uložte změny a restartujte Cline.
5. Otestujte konektivitu k Label Studio přes Cline.

Poznámka:
Uchovávejte svůj API klíč bezpečně pomocí proměnných prostředí, jak je vidět v sekci env výše. Tím zajistíte, že citlivé informace nebudou ve zdrojovém kódu ani v konfiguračních souborech.

Jak používat tento MCP uvnitř toků

Použití MCP ve FlowHunt

Chcete-li integrovat MCP servery do svého workflow ve FlowHunt, začněte přidáním MCP komponenty do svého toku a propojte ji se svým AI agentem:

Klikněte na MCP komponentu a otevřete konfigurační panel. V sekci systémové MCP konfigurace vložte údaje svého MCP serveru v tomto JSON formátu:

{
  "label-studio": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

Po nastavení může AI agent tento MCP používat jako nástroj se všemi jeho funkcemi a možnostmi. Nezapomeňte změnit "label-studio" na skutečný název vašeho MCP serveru a URL na adresu vašeho MCP serveru.

Přehled

Mezi dvěma tabulkami:
Tento MCP server poskytuje široké pokrytí nástrojů pro správu Label Studio a jasnou dokumentaci k nastavení, ale postrádá šablony promptů a explicitní definice zdrojů. Podpora vzorkování a kořenů není zmíněna. Celkově jde o solidní, ale základní implementaci pro dedikované workflow označování dat.

MCP skóre