Servidor MCP de Label Studio

¿Qué hace el Servidor MCP de “Label Studio”?

El Servidor MCP de Label Studio es un servidor Model Context Protocol (MCP) que permite la integración fluida de asistentes de IA con una instancia de Label Studio. Aprovechando el label-studio-sdk, permite la gestión programática de proyectos de etiquetado, tareas y predicciones mediante lenguaje natural o llamadas estructuradas desde clientes MCP. Este servidor brinda a desarrolladores y agentes de IA la capacidad de crear y gestionar proyectos de manera eficiente, importar y consultar tareas, y automatizar predicciones, todo a través de herramientas MCP estandarizadas. Al exponer las funcionalidades centrales de Label Studio, agiliza los flujos de trabajo de etiquetado y mejora la productividad en anotación de datos, revisión de calidad y operaciones de machine learning.

Lista de Prompts

No se mencionan plantillas de prompts en el repositorio.

Lista de Recursos

No se listan recursos MCP explícitos en la documentación del repositorio.

Lista de Herramientas

• get_label_studio_projects_tool()
  Lista los proyectos disponibles, devolviendo el ID, título y número de tareas de cada proyecto.
• get_label_studio_project_details_tool(project_id: int)
  Recupera información detallada de un proyecto específico.
• get_label_studio_project_config_tool(project_id: int)
  Obtiene la configuración XML de etiquetas para un proyecto dado.
• create_label_studio_project_tool(title: str, label_config: str, …)
  Crea un nuevo proyecto con un título, configuración XML y opciones adicionales; devuelve detalles del proyecto y URL.
• update_label_studio_project_config_tool(project_id: int, new_label_config: str)
  Actualiza la configuración XML de etiquetas para un proyecto existente.
• list_label_studio_project_tasks_tool(project_id: int)
  Lista hasta 100 IDs de tareas dentro de un proyecto.
• get_label_studio_task_data_tool(project_id: int, task_id: int)
  Recupera el payload de datos para una tarea específica.
• get_label_studio_task_annotations_tool(project_id: int, task_id: int)
  Obtiene anotaciones existentes para una tarea específica.
• import_label_studio_project_tasks_tool(project_id: int, tasks_file_path: str)
  Importa tareas desde un archivo JSON a un proyecto; devuelve un resumen de la importación y la URL del proyecto.
• create_label_studio_prediction_tool(task_id: int, result: List[Dict[str, Any]], …)
  Crea una predicción para una tarea específica, con opciones de versión de modelo y puntuación.

Casos de Uso de este Servidor MCP

• Gestión Automatizada de Proyectos
  Crea, actualiza y configura proyectos de etiquetado programáticamente, optimizando la configuración y mantenimiento en operaciones de anotación a gran escala.
• Importación y Gestión Masiva de Tareas
  Importa tareas desde archivos y gestiona en bloque, facilitando la ingestión eficiente de datos en Label Studio y la recuperación sencilla de datos o anotaciones de tareas.
• Integración de Predicciones
  Añade predicciones de modelos directamente a las tareas, facilitando flujos de trabajo de anotación asistida por ML y evaluación de modelos con humanos en el ciclo.
• Aseguramiento de Calidad y Métricas
  Consulta detalles de proyectos y conteos de tareas para monitorear el progreso y la calidad a través de múltiples proyectos de etiquetado.
• Plantillas de Anotación Personalizadas
  Automatiza la actualización de plantillas de anotación (configuraciones de etiquetas) para requisitos cambiantes del proyecto, asegurando consistencia y flexibilidad.

Cómo configurarlo

Windsurf

1. Asegúrate de tener una instancia de Label Studio en funcionamiento y obtén tu clave API.
2. Abre el archivo de configuración del servidor MCP de Windsurf.
3. Añade la definición del servidor MCP de Label Studio usando el siguiente fragmento JSON:

   {
       "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. Guarda los cambios y reinicia Windsurf.
5. Verifica la conexión con tu instancia de Label Studio.

Claude

1. Asegúrate de que Label Studio esté en funcionamiento y tengas tu clave API.
2. Localiza tu archivo claude_desktop_config.json.
3. Añade la configuración del servidor MCP de Label Studio:

   {
       "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. Guarda y reinicia el cliente Claude.
5. Confirma la configuración exitosa en la interfaz del cliente.

Cursor

1. Comienza con Label Studio en funcionamiento y obtén tu clave API.
2. Abre la configuración MCP de Cursor.
3. Añade este JSON de configuración del servidor 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. Guarda y reinicia Cursor.
5. Comprueba que el servidor MCP sea accesible desde Cursor.

Cline

1. Asegúrate de que Label Studio esté activo y toma nota de tu clave API.
2. Edita el archivo de configuración del servidor MCP de Cline.
3. Inserta la entrada del servidor como se muestra:

   {
       "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. Guarda los cambios y reinicia Cline.
5. Prueba la conectividad con Label Studio desde Cline.

Nota:
Guarda tu clave API de forma segura usando variables de entorno como se indica en la sección env anterior. Esto mantiene la información sensible fuera del código fuente y archivos de configuración.

Cómo usar este MCP dentro de los flujos

Uso de MCP en FlowHunt

Para integrar servidores MCP en tu flujo de trabajo de FlowHunt, comienza añadiendo el componente MCP a tu flujo y conectándolo a tu agente de IA:

Haz clic en el componente MCP para abrir el panel de configuración. En la sección de configuración MCP del sistema, inserta los detalles de tu servidor MCP usando este formato JSON:

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

Una vez configurado, el agente de IA podrá usar este MCP como herramienta con acceso a todas sus funciones y capacidades. Recuerda cambiar "label-studio" por el nombre real de tu servidor MCP y reemplazar la URL por la de tu propio servidor MCP.

Resumen

Entre ambas tablas:
Este servidor MCP ofrece una amplia cobertura de herramientas para la gestión de Label Studio y documentación clara de configuración, pero carece de plantillas de prompts y definiciones explícitas de recursos. El soporte para muestreo y raíces no se menciona. En general, es una implementación sólida pero básica para flujos de trabajo dedicados de etiquetado de datos.

Puntuación MCP