ZenML MCP Server Integrace

K čemu slouží “ZenML” MCP Server?

ZenML MCP Server je implementace Model Context Protocolu (MCP), která slouží jako most mezi AI asistenty (jako jsou Cursor, Claude Desktop a další) a vašimi ZenML MLOps a LLMOps pipeline. Zpřístupněním API ZenML prostřednictvím MCP standardu umožňuje AI klientům přístup k aktuálním informacím o uživatelích, pipeline, bězích pipeline, krocích, službách a dalším údajům ze ZenML serveru. Tato integrace umožňuje vývojářům a AI workflow dotazovat metadata, spouštět nové běhy pipeline a přímo využívat orchestrace ZenML prostřednictvím podporovaných AI nástrojů. ZenML MCP Server je obzvlášť užitečný pro zvýšení produktivity propojením asistentů poháněných LLM s robustní MLOps infrastrukturou a usnadňuje úkoly v celém životním cyklu strojového učení.

Seznam promptů

V repozitáři nebyly nalezeny informace o šablonách promptů.

Seznam zdrojů

• Uživatelé – Získání informací o uživatelích ZenML.
• Stacky – Zobrazení detailů o dostupných konfiguracích stacku.
• Pipeline – Dotazování metadat o pipeline spravovaných v ZenML.
• Běhy pipeline – Informace a stav běhů pipeline.
• Kroky pipeline – Detailní informace o krocích v pipeline.
• Služby – Informace o službách spravovaných ZenML.
• Komponenty stacku – Metadata o různých komponentech v ZenML stacku.
• Flavery – Informace o různých flavourách komponent stacku.
• Šablony běhů pipeline – Šablony pro spouštění nových běhů pipeline.
• Plánovače – Data o plánovaných bězích pipeline.
• Artefakty – Metadata o datových artefaktech (nikoli samotná data).
• Konektory služeb – Informace o konektorech na externí služby.
• Kód kroků – Přístup ke kódu souvisejícímu s kroky pipeline.
• Logy kroků – Získání logů kroků (při běhu na cloudových stackách).

Seznam nástrojů

• Spuštění nové pipeline – Umožňuje spustit nový běh pipeline, pokud je k dispozici šablona běhu.
• Čtení zdrojů – Nástroje pro čtení metadat a stavů z objektů ZenML serveru (uživatelé, stacky, pipeline atd.).

Příklady využití tohoto MCP serveru

• Monitoring a správa pipeline: Vývojáři mohou pomocí AI asistentů dotazovat stav běhů pipeline, získávat logy a sledovat průběh přímo ze ZenML.
• Spouštění běhů pipeline: AI asistenti mohou iniciovat nové běhy pipeline přes MCP server a zefektivnit tak opakované experimenty a nasazení.
• Prozkoumání zdrojů a artefaktů: Okamžité získání metadat o datasetech, modelech a dalších artefaktech spravovaných ZenML, což urychluje získání kontextu pro experimenty.
• Revize stacků a služeb: Rychlý přehled o konfiguracích stacků a detailech služeb – zjednodušuje troubleshooting a optimalizaci.
• Automatizované reporty: Pomocí AI asistentů generujte reporty o ML experimentech, historii pipeline a původu artefaktů dotazováním přes MCP server.

Jak nastavit

Windsurf

Výslovný návod pro Windsurf nenalezen; použijte obecnou MCP konfiguraci:

1. Ujistěte se, že máte nainstalovaný Node.js a uv.
2. Naklonujte repozitář.
3. Získejte URL vašeho ZenML serveru a API klíč.
4. Upravte konfigurační soubor MCP pro Windsurf a přidejte ZenML MCP server.
5. Uložte a restartujte Windsurf.

{
  "mcpServers": {
    "zenml": {
      "command": "/usr/local/bin/uv",
      "args": ["run", "/path/to/zenml_server.py"],
      "env": {
        "LOGLEVEL": "INFO",
        "NO_COLOR": "1",
        "PYTHONUNBUFFERED": "1",
        "PYTHONIOENCODING": "UTF-8",
        "ZENML_STORE_URL": "https://your-zenml-server-goes-here.com",
        "ZENML_STORE_API_KEY": "your-api-key-here"
      }
    }
  }
}

Poznámka: API klíče zabezpečte nastavením v sekci env, jak je výše.

Claude

1. Nainstalujte Claude Desktop.
2. Otevřete ‘Nastavení’ > ‘Vývojář’ > ‘Upravit konfiguraci’.
3. Přidejte MCP server dle níže uvedeného vzoru.
4. Nahraďte cesty a přihlašovací údaje svými vlastními.
5. Uložte a restartujte Claude Desktop.

{
  "mcpServers": {
    "zenml": {
      "command": "/usr/local/bin/uv",
      "args": ["run", "/path/to/zenml_server.py"],
      "env": {
        "LOGLEVEL": "INFO",
        "NO_COLOR": "1",
        "PYTHONUNBUFFERED": "1",
        "PYTHONIOENCODING": "UTF-8",
        "ZENML_STORE_URL": "https://your-zenml-server-goes-here.com",
        "ZENML_STORE_API_KEY": "your-api-key-here"
      }
    }
  }
}

Poznámka: API klíče vždy ukládejte bezpečně v proměnných prostředí, viz výše.

Cursor

1. Nainstalujte Cursor.
2. Najděte konfigurační soubor MCP pro Cursor.
3. Přidejte sekci ZenML MCP serveru, jak je uvedeno níže.
4. Vyplňte správné cesty a přihlašovací údaje.
5. Uložte a restartujte Cursor.

{
  "mcpServers": {
    "zenml": {
      "command": "/usr/local/bin/uv",
      "args": ["run", "/path/to/zenml_server.py"],
      "env": {
        "LOGLEVEL": "INFO",
        "NO_COLOR": "1",
        "PYTHONUNBUFFERED": "1",
        "PYTHONIOENCODING": "UTF-8",
        "ZENML_STORE_URL": "https://your-zenml-server-goes-here.com",
        "ZENML_STORE_API_KEY": "your-api-key-here"
      }
    }
  }
}

Poznámka: API klíče nastavujte v sekci env kvůli bezpečnosti.

Cline

Výslovný návod pro Cline nenalezen; použijte obecnou MCP konfiguraci:

1. Nainstalujte všechny potřebné závislosti pro Cline.
2. Naklonujte MCP-ZenML repozitář.
3. Získejte přihlašovací údaje k ZenML serveru.
4. Upravte konfigurační soubor MCP pro Cline a přidejte ZenML MCP server.
5. Uložte a restartujte Cline.

{
  "mcpServers": {
    "zenml": {
      "command": "/usr/local/bin/uv",
      "args": ["run", "/path/to/zenml_server.py"],
      "env": {
        "LOGLEVEL": "INFO",
        "NO_COLOR": "1",
        "PYTHONUNBUFFERED": "1",
        "PYTHONIOENCODING": "UTF-8",
        "ZENML_STORE_URL": "https://your-zenml-server-goes-here.com",
        "ZENML_STORE_API_KEY": "your-api-key-here"
      }
    }
  }
}

Poznámka: API klíče zabezpečte v sekci env jako výše.

Zabezpečení API klíčů:
Nastavte svůj ZenML API klíč a URL serveru bezpečně pomocí proměnných prostředí v sekci env konfiguračního souboru, jak je uvedeno v JSON příkladech výše.

Jak použít MCP uvnitř flow

Použití MCP ve FlowHunt

Pro integraci MCP serverů do vašeho workflow ve FlowHunt přidejte MCP komponentu do svého flow a propojte ji s AI agentem:

Klikněte na MCP komponentu pro otevření konfiguračního panelu. V sekci systémové MCP konfigurace vložte údaje o vašem MCP serveru v tomto JSON formátu:

{
  "zenml": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

Po konfiguraci může AI agent tento MCP využívat jako nástroj se všemi jeho funkcemi a schopnostmi. Nezapomeňte změnit “zenml” na skutečný název vašeho MCP serveru a nahradit URL adresu vaší vlastní MCP server URL.

Přehled

Na základě výše uvedených tabulek poskytuje ZenML MCP server důkladnou dokumentaci, jasné instrukce k nastavení a zpřístupňuje širokou škálu zdrojů a nástrojů. Chybí však dokumentace k prompt šablonám a není výslovně zmíněna podpora sampling nebo roots. Repozitář je aktivní, má dostatečný počet hvězd a forků, avšak některé pokročilé MCP funkce nejsou pokryty.

MCP Skóre