ZenML MCP -palvelinintegraatio

Mitä “ZenML” MCP Server tekee?

ZenML MCP Server on Model Context Protocolin (MCP) toteutus, joka toimii siltana tekoälyavustajien (kuten Cursor, Claude Desktop ja muiden) ja ZenML:n MLOps- sekä LLMOps-putkien välillä. Julkaisemalla ZenML:n API:n MCP-standardin kautta, se mahdollistaa tekoälyasiakkaiden päästä käsiksi reaaliaikaiseen tietoon käyttäjistä, putkista, putkiajoista, vaiheista, palveluista ym. ZenML-palvelimelta. Tämä integraatio antaa kehittäjille ja tekoälytyönkuluille mahdollisuuden kysellä metatietoja, laukaista uusia putkiajoja ja hyödyntää ZenML:n orkestrointiominaisuuksia suoraan tuetuissa tekoälytyökaluissa. ZenML MCP Server lisää tuottavuutta yhdistämällä LLM-pohjaiset avustajat vahvaan MLOps-infrastruktuuriin, helpottaen tehtäviä ML-elinkaaren eri vaiheissa.

Prompt-listaus

Tietoa prompt-pohjista ei löytynyt repositoriosta.

Resurssilistaus

• Käyttäjät – Pääsy ZenML-käyttäjätietoihin.
• Stackit – Saat tiedot käytettävissä olevista stack-kokoonpanoista.
• Putket – Kysy metatietoja ZenML:ssä hallinnoiduista putkista.
• Putkiajo – Saat tiedot ja tilan putkien suorituksista.
• Putkivaiheet – Tutki putkien vaiheiden tietoja.
• Palvelut – Tietoa ZenML:n hallinnoimista palveluista.
• Stack-komponentit – Metatietoja ZenML-stackin eri komponenteista.
• Maut (Flavors) – Saat tietoa eri stack-komponenttien mauista.
• Putkiajon pohjat – Pohjat uusien putkiajojen käynnistämiseen.
• Ajoitukset – Tietoa ajastetuista putkiajoista.
• Artefaktit – Metatietoja data-artefakteista (ei itse datasta).
• Palveluyhdistimet – Tietoa ulkoisiin palveluihin liitetyistä yhdistimistä.
• Vaiheiden koodi – Pääsy putkivaiheisiin liittyvään koodiin.
• Vaiheiden lokit – Hae vaiheiden lokitiedot (pilvipohjaisissa stackeissa).

Työkalulistaus

• Uuden putkiajon laukaisu – Mahdollistaa uuden putkiajon käynnistämisen, jos pohja on olemassa.
• Resurssien luku – Työkalut ZenML-palvelimen objektien (käyttäjät, stackit, putket jne.) metatietojen ja tilan lukemiseen.

MCP Serverin käyttötapaukset

• Putkien seuranta ja hallinta: Kehittäjät voivat käyttää tekoälyavustajia kyselläkseen putkiajojen tilaa, hakeakseen lokit ja seuratakseen etenemistä suoraan ZenML:stä.
• Putkiajojen laukaisu: Tekoälyavustajat voivat käynnistää uusia putkiajoja MCP-palvelimen kautta, mikä nopeuttaa kokeilusyklin ja käyttöönoton iterointia.
• Resurssien ja artefaktien tutkiminen: Hae välittömästi metatietoja datasetistä, malleista ja muista ZenML:n hallinnoimista artefakteista – nopea kontekstin saanti kokeiluihin.
• Stackien ja palveluiden tarkastelu: Käy nopeasti läpi stack-kokoonpanoja ja palvelutietoja, helpottaen vianmääritystä ja optimointia.
• Automaattinen raportointi: Käytä tekoälyavustajia tuottamaan raportteja ML-kokeiluista, putkihistoriasta ja artefaktien poluista kysymällä tietoja MCP-palvelimelta.

Kuinka asennat palvelimen

Windsurf

Ei erikseen ohjeistettu Windsurfille; käytä yleistä MCP-konfiguraatiota:

1. Varmista, että Node.js ja uv on asennettu.
2. Kloonaa repositorio.
3. Hanki ZenML-palvelimesi URL ja API-avain.
4. Muokkaa Windsurfin MCP-konfiguraatiotiedostoa lisätäksesi ZenML MCP -palvelin.
5. Tallenna ja käynnistä Windsurf uudelleen.

{
  "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"
      }
    }
  }
}

Huom: Suojaa API-avaimesi asettamalla ne env-osioon kuten yllä.

Claude

1. Asenna Claude Desktop.
2. Avaa ‘Settings’ > ‘Developer’ > ‘Edit Config’.
3. Lisää MCP-palvelin kuten alla.
4. Korvaa polut ja tunnistetiedot omillasi.
5. Tallenna ja käynnistä Claude Desktop uudelleen.

{
  "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"
      }
    }
  }
}

Huom: Säilytä API-avaimesi aina turvallisesti ympäristömuuttujissa, kuten yllä.

Cursor

1. Asenna Cursor.
2. Etsi Cursorin MCP-konfiguraatiotiedosto.
3. Lisää ZenML MCP -palvelinosio kuten näytetty.
4. Täytä oikeat polut ja tunnistetiedot.
5. Tallenna ja käynnistä Cursor uudelleen.

{
  "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"
      }
    }
  }
}

Huom: API-avaimet kannattaa asettaa ympäristömuuttujiin env-osiossa turvallisuuden vuoksi.

Cline

Ei erikseen ohjeistettu Clinelle; käytä yleistä MCP-konfiguraatiota:

1. Asenna mahdolliset Cline-esivaatimukset.
2. Kloonaa MCP-ZenML-repositorio.
3. Hanki ZenML-palvelimesi tunnistetiedot.
4. Muokkaa Cline MCP -konfiguraatiotiedostoa sisällyttääksesi ZenML MCP -palvelimen.
5. Tallenna ja käynnistä Cline uudelleen.

{
  "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"
      }
    }
  }
}

Huom: Suojaa API-avaimet env-osiossa kuten yllä.

API-avainten suojaaminen:
Aseta ZenML API -avaimesi ja palvelimesi URL turvallisesti ympäristömuuttujiin konfiguraation env-osiossa, kuten yllä olevissa JSON-esimerkeissä.

MCP:n käyttö flowsissa

MCP:n käyttö FlowHuntissa

Lisätäksesi MCP-palvelimet FlowHunt-työnkulkuusi, lisää ensimmäiseksi MCP-komponentti flow-työnkulkuun ja yhdistä se tekoälyagenttiisi:

Klikkaa MCP-komponenttia avataksesi konfiguraatiopaneelin. Lisää järjestelmän MCP-konfiguraatio-osioon MCP-palvelimesi tiedot seuraavassa JSON-muodossa:

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

Kun konfiguraatio on valmis, tekoälyagentti osaa nyt käyttää MCP:tä työkaluna ja hyödyntää kaikkia sen toimintoja ja ominaisuuksia. Muista vaihtaa “zenml” MCP-palvelimesi todelliseen nimeen ja korvata URL omalla MCP-palvelimesi osoitteella.

Yhteenveto

Yllä olevien taulukoiden perusteella ZenML MCP Server tarjoaa kattavan dokumentaation, selkeät asennusohjeet ja laajan resurssi- ja työkalukattavuuden. Kuitenkin prompt-pohjien dokumentaatio ja sampling- sekä roots-tuki puuttuvat. Repositorio on aktiivinen, täyttäen kohtalaisen hyvin tähtien ja haarojen määrän, mutta osa MCP:n edistyneemmistä ominaisuuksista ei ole katettuna.

MCP-pisteytys