Label Studio MCP 서버

“Label Studio” MCP 서버는 무엇을 하나요?

Label Studio MCP 서버는 AI 어시스턴트와 Label Studio 인스턴스를 원활하게 통합할 수 있게 해주는 Model Context Protocol(MCP) 서버입니다. label-studio-sdk를 활용하여 MCP 클라이언트로부터 자연어 또는 구조화된 호출을 통해 라벨링 프로젝트, 태스크, 예측을 프로그램적으로 관리할 수 있습니다. 이 서버는 개발자와 AI 에이전트가 표준화된 MCP 도구를 통해 효율적으로 프로젝트를 생성·관리하고, 태스크를 임포트·조회하며, 예측 작업을 자동화할 수 있도록 지원합니다. Label Studio의 핵심 기능을 노출하여 데이터 어노테이션, 품질 검토, 머신러닝 운영의 라벨링 워크플로우를 간소화하고 생산성을 높입니다.

프롬프트 목록

저장소에 프롬프트 템플릿이 명시되어 있지 않습니다.

리소스 목록

저장소 문서에 명시적 MCP 리소스가 나와 있지 않습니다.

도구(툴) 목록

• get_label_studio_projects_tool()
  사용 가능한 프로젝트를 ID, 제목, 태스크 수와 함께 나열합니다.
• get_label_studio_project_details_tool(project_id: int)
  지정한 프로젝트의 상세 정보를 가져옵니다.
• get_label_studio_project_config_tool(project_id: int)
  지정 프로젝트의 XML 라벨링 설정을 조회합니다.
• create_label_studio_project_tool(title: str, label_config: str, …)
  프로젝트 제목, XML 설정, 선택 옵션으로 새 프로젝트를 생성하며, 프로젝트 정보와 URL을 반환합니다.
• update_label_studio_project_config_tool(project_id: int, new_label_config: str)
  기존 프로젝트의 XML 라벨링 설정을 업데이트합니다.
• list_label_studio_project_tasks_tool(project_id: int)
  프로젝트 내 최대 100개의 태스크 ID를 나열합니다.
• get_label_studio_task_data_tool(project_id: int, task_id: int)
  특정 태스크의 데이터 페이로드를 조회합니다.
• get_label_studio_task_annotations_tool(project_id: int, task_id: int)
  특정 태스크의 기존 어노테이션을 조회합니다.
• import_label_studio_project_tasks_tool(project_id: int, tasks_file_path: str)
  JSON 파일에서 프로젝트로 태스크를 임포트하며, 임포트 요약 및 프로젝트 URL을 반환합니다.
• create_label_studio_prediction_tool(task_id: int, result: List[Dict[str, Any]], …)
  지정 태스크에 대한 예측을 생성하며, 모델 버전 및 점수를 옵션으로 설정할 수 있습니다.

MCP 서버 활용 사례

• 자동화된 프로젝트 관리
  프로젝트 생성, 업데이트, 설정을 프로그램적으로 처리하여 대규모 어노테이션 작업의 셋업과 유지관리를 간소화합니다.
• 대량 태스크 임포트 및 관리
  파일에서 태스크를 임포트하고 대량으로 관리할 수 있어, Label Studio로의 데이터 유입과 태스크/어노테이션 조회가 효율적입니다.
• 예측 통합
  태스크에 모델 예측을 직접 추가함으로써 ML 기반 어노테이션 워크플로우와 human-in-the-loop 모델 평가를 지원합니다.
• 품질 보증 및 메트릭
  프로젝트 상세정보와 태스크 수를 조회하여 여러 라벨링 프로젝트의 진행 상황과 품질을 모니터링할 수 있습니다.
• 맞춤형 어노테이션 템플릿
  프로젝트 요구에 따라 어노테이션 템플릿(라벨 설정)을 자동으로 업데이트해 일관성과 유연성을 제공합니다.

설정 방법

Windsurf

1. Label Studio 인스턴스가 실행 중이고 API 키를 확보하세요.
2. Windsurf MCP 서버 설정 파일을 엽니다.
3. 다음 JSON 조각으로 Label Studio MCP 서버 정의를 추가하세요:

   {
       "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. 변경 사항을 저장하고 Windsurf를 재시작합니다.
5. Label Studio 인스턴스와의 연결을 확인하세요.

Claude

1. Label Studio가 실행 중이고 API 키를 확보하세요.
2. claude_desktop_config.json 파일을 찾으세요.
3. Label Studio MCP 서버 설정을 추가하세요:

   {
       "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. 저장 후 Claude 클라이언트를 재시작하세요.
5. 클라이언트 인터페이스에서 정상적으로 연결되었는지 확인하세요.

Cursor

1. Label Studio가 실행 중이고 API 키를 확보하세요.
2. Cursor MCP 설정을 엽니다.
3. 아래 MCP 서버 설정 JSON을 추가하세요:

   {
       "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. 저장 후 Cursor를 재시작하세요.
5. Cursor에서 MCP 서버가 접근 가능한지 확인하세요.

Cline

1. Label Studio가 실행 중이고 API 키를 기록해두세요.
2. Cline MCP 서버 설정 파일을 수정하세요.
3. 아래와 같이 서버 항목을 추가하세요:

   {
       "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. 변경 사항을 저장하고 Cline을 재시작하세요.
5. Cline을 통해 Label Studio 연결을 테스트하세요.

참고:
위 env 섹션처럼 환경 변수를 사용해 API 키를 안전하게 보관하세요. 이를 통해 민감한 정보가 소스 코드나 설정 파일에 노출되는 것을 방지할 수 있습니다.

MCP를 플로우 내에서 사용하는 방법

FlowHunt에서 MCP 사용하기

FlowHunt 워크플로우에 MCP 서버를 통합하려면, 먼저 MCP 컴포넌트를 플로우에 추가하고 AI 에이전트에 연결하세요:

MCP 컴포넌트를 클릭해 설정 패널을 엽니다. 시스템 MCP 설정 섹션에 아래와 같이 MCP 서버 정보를 JSON 형식으로 입력하세요:

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

설정이 완료되면 AI 에이전트가 해당 MCP의 모든 기능과 도구를 사용할 수 있습니다. "label-studio"를 실제 MCP 서버 이름으로, URL을 본인의 MCP 서버 URL로 변경하는 것을 잊지 마세요.

개요

두 표 요약:
이 MCP 서버는 Label Studio 관리를 위한 다양한 도구와 명확한 설치 문서를 제공하지만, 프롬프트 템플릿 및 명시적 리소스 정의는 제공하지 않습니다. 샘플링 및 roots 지원은 언급되어 있지 않습니다. 전반적으로 전용 데이터 라벨링 워크플로우에 적합한 견고하지만 기본적인 구현입니다.

MCP 점수