ZenML MCP Server-Integration

Was macht der “ZenML” MCP Server?

Der ZenML MCP Server ist eine Implementierung des Model Context Protocol (MCP), die als Brücke zwischen KI-Assistenten (wie Cursor, Claude Desktop und anderen) und Ihren ZenML MLOps- und LLMOps-Pipelines dient. Durch die Bereitstellung der ZenML-API über den MCP-Standard ermöglicht er KI-Clients den Zugriff auf Live-Informationen über Benutzer, Pipelines, Pipeline-Läufe, Schritte, Services und mehr von einem ZenML-Server. Diese Integration befähigt Entwickler:innen und KI-Workflows, Metadaten abzufragen, neue Pipeline-Läufe auszulösen und direkt über unterstützte KI-Tools mit den Orchestrierungsfunktionen von ZenML zu interagieren. Der ZenML MCP Server ist besonders wertvoll zur Steigerung der Produktivität, indem LLM-gestützte Assistenten mit robuster MLOps-Infrastruktur verbunden werden und Aufgaben im gesamten ML-Lebenszyklus unterstützt werden.

Liste der Prompts

Keine Informationen zu Prompt-Templates im Repository gefunden.

Liste der Ressourcen

• Benutzer – Zugriff auf Informationen über ZenML-Benutzer.
• Stacks – Abruf von Details zu verfügbaren Stack-Konfigurationen.
• Pipelines – Abfrage von Metadaten über in ZenML verwaltete Pipelines.
• Pipeline-Läufe – Informationen und Status zu Pipeline-Ausführungen erhalten.
• Pipeline-Schritte – Details zu Schritten innerhalb von Pipelines erkunden.
• Services – Informationen über von ZenML verwaltete Services.
• Stack-Komponenten – Metadaten zu verschiedenen Komponenten im ZenML-Stack.
• Flavors – Informationen zu verschiedenen Stack-Komponenten-Flavors abrufen.
• Pipeline-Run-Vorlagen – Vorlagen zum Starten neuer Pipeline-Läufe.
• Zeitpläne – Daten zu geplanten Pipeline-Ausführungen.
• Artefakte – Metadaten zu Datenartefakten (nicht die Daten selbst).
• Service-Connectors – Informationen zu Verbindern zu externen Services.
• Step-Code – Zugriff auf Code, der zu Pipeline-Schritten gehört.
• Step-Logs – Abrufen von Logs für Schritte (bei Ausführung auf Cloud-basierten Stacks).

Liste der Tools

• Neuen Pipeline-Lauf auslösen – Ermöglicht das Auslösen eines neuen Pipeline-Laufs, wenn eine Run-Vorlage vorhanden ist.
• Ressourcen lesen – Tools zum Auslesen von Metadaten und Status aus ZenML-Serverobjekten (Benutzer, Stacks, Pipelines usw.).

Anwendungsfälle dieses MCP Servers

• Pipeline-Überwachung und -Management: Entwickler:innen können mit KI-Assistenten den Status von Pipeline-Läufen abfragen, Logs abrufen und den Fortschritt direkt aus ZenML überwachen.
• Auslösen von Pipeline-Ausführungen: KI-Assistenten können neue Pipeline-Läufe über den MCP Server initiieren und so Experimentierschleifen und Deployment-Zyklen beschleunigen.
• Ressourcen- und Artefaktexploration: Metadaten zu Datensätzen, Modellen und anderen von ZenML verwalteten Artefakten sofort abrufen, um schnellen Kontext für Experimente zu erhalten.
• Stack- und Service-Inspektion: Stack-Konfigurationen und Service-Details schnell einsehen, um das Troubleshooting und die Optimierung zu erleichtern.
• Automatisiertes Reporting: KI-Assistenten nutzen, um Berichte zu ML-Experimenten, Pipeline-Historie und Artefakt-Herkunft zu erstellen, indem sie den MCP Server abfragen.

So richten Sie es ein

Windsurf

Keine spezifischen Anweisungen für Windsurf gefunden; verwenden Sie die generische MCP-Konfiguration:

1. Stellen Sie sicher, dass Node.js und uv installiert sind.
2. Klonen Sie das Repository.
3. Besorgen Sie sich Ihre ZenML-Server-URL und Ihren API-Schlüssel.
4. Bearbeiten Sie Ihre Windsurf-MCP-Konfigurationsdatei, um den ZenML MCP Server hinzuzufügen.
5. Speichern Sie und starten Sie Windsurf neu.

{
  "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"
      }
    }
  }
}

Hinweis: Sichern Sie Ihre API-Schlüssel, indem Sie sie wie oben im Abschnitt env setzen.

Claude

1. Installieren Sie Claude Desktop.
2. Öffnen Sie ‘Einstellungen’ > ‘Entwickler’ > ‘Konfiguration bearbeiten’.
3. Fügen Sie den MCP Server wie unten gezeigt hinzu.
4. Ersetzen Sie Pfade und Zugangsdaten durch Ihre eigenen.
5. Speichern Sie und starten Sie Claude Desktop neu.

{
  "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"
      }
    }
  }
}

Hinweis: Speichern Sie Ihre API-Schlüssel immer sicher in den Umgebungsvariablen wie oben.

Cursor

1. Installieren Sie Cursor.
2. Lokalisieren Sie die MCP-Konfigurationsdatei von Cursor.
3. Fügen Sie den ZenML-MCP-Server-Bereich wie unten gezeigt hinzu.
4. Tragen Sie die korrekten Pfade und Zugangsdaten ein.
5. Speichern Sie und starten Sie Cursor neu.

{
  "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"
      }
    }
  }
}

Hinweis: API-Schlüssel sollten zur Sicherheit im Abschnitt env als Umgebungsvariablen gesetzt werden.

Cline

Keine spezifischen Anweisungen für Cline gefunden; verwenden Sie die generische MCP-Konfiguration:

1. Installieren Sie alle erforderlichen Voraussetzungen für Cline.
2. Klonen Sie das MCP-ZenML-Repository.
3. Besorgen Sie sich Ihre ZenML-Server-Zugangsdaten.
4. Bearbeiten Sie die Cline-MCP-Konfigurationsdatei, um den ZenML MCP Server hinzuzufügen.
5. Speichern Sie und starten Sie Cline neu.

{
  "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"
      }
    }
  }
}

Hinweis: Sichern Sie API-Schlüssel wie oben im Abschnitt env.

API-Schlüssel sichern:
Setzen Sie Ihren ZenML API-Schlüssel und Ihre Server-URL sicher über Umgebungsvariablen im env-Bereich der Konfiguration, wie in den obigen JSON-Beispielen gezeigt.

So nutzen Sie dieses MCP in Flows

MCP in FlowHunt verwenden

Um MCP-Server in Ihren FlowHunt-Workflow zu integrieren, fügen Sie zunächst die MCP-Komponente zu Ihrem Flow hinzu und verbinden Sie sie mit Ihrem KI-Agenten:

Klicken Sie auf die MCP-Komponente, um das Konfigurationspanel zu öffnen. Im System-MCP-Konfigurationsbereich fügen Sie Ihre MCP-Serverdetails in diesem JSON-Format ein:

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

Nach der Konfiguration kann der KI-Agent diesen MCP nun als Tool mit Zugriff auf alle Funktionen und Möglichkeiten nutzen. Denken Sie daran, “zenml” durch den tatsächlichen Namen Ihres MCP-Servers zu ersetzen und die URL durch Ihre eigene MCP-Server-URL auszutauschen.

Übersicht

Basierend auf den obigen Tabellen bietet der ZenML MCP Server eine ausführliche Dokumentation, klare Einrichtungshinweise und stellt eine Vielzahl von Ressourcen und Tools bereit. Es fehlen jedoch Informationen zu Prompt-Templates und es gibt keine explizite Erwähnung von Sampling- oder Roots-Support. Das Repository ist aktiv, mit einer anständigen Anzahl an Stars und Forks, aber einige fortgeschrittene MCP-Features werden nicht abgedeckt.

MCP Score