ZenML MCP Server-integrasjon

Hva gjør “ZenML” MCP Server?

ZenML MCP Server er en implementasjon av Model Context Protocol (MCP) som fungerer som en bro mellom AI-assistenter (som Cursor, Claude Desktop og andre) og dine ZenML MLOps- og LLMOps-pipelines. Ved å eksponere ZenMLs API via MCP-standarden, muliggjør det at AI-klienter får tilgang til sanntidsinformasjon om brukere, pipelines, pipeline-kjøringer, steg, tjenester og mer fra en ZenML-server. Denne integrasjonen gir utviklere og AI-arbeidsflyter muligheten til å hente metadata, trigge nye pipeline-kjøringer og samhandle direkte med ZenMLs orkestreringsfunksjoner gjennom støttede AI-verktøy. ZenML MCP Server er spesielt nyttig for å øke produktiviteten ved å koble LLM-drevne assistenter til robust MLOps-infrastruktur, og forenkler oppgaver gjennom hele ML-livssyklusen.

Liste over Prompts

Ingen informasjon funnet om prompt-maler i repositoriet.

Liste over ressurser

• Brukere – Tilgang til informasjon om ZenML-brukere.
• Stacks – Hent detaljer om tilgjengelige stack-konfigurasjoner.
• Pipelines – Hent metadata om pipelines som forvaltes i ZenML.
• Pipeline-kjøringer – Få informasjon og status om pipeline-kjøringer.
• Pipeline-steg – Utforsk detaljer om steg i pipelines.
• Tjenester – Informasjon om tjenester forvaltet av ZenML.
• Stack-komponenter – Metadata om ulike komponenter i ZenML-stacken.
• Flavors – Hent informasjon om ulike stack-komponent-flavors.
• Pipeline-run-maler – Maler for igangsetting av nye pipeline-kjøringer.
• Tidsplaner – Data om planlagte pipeline-kjøringer.
• Artefakter – Metadata om data-artefakter (ikke selve dataene).
• Service Connectors – Informasjon om koblinger til eksterne tjenester.
• Stegkode – Tilgang til kode relatert til pipeline-steg.
• Steglogger – Hent logger for steg (når de kjøres på skybaserte stacker).

Liste over verktøy

• Trigg ny pipeline-kjøring – Gir mulighet til å trigge en ny pipeline-kjøring hvis en run-mal er tilstede.
• Les ressurser – Verktøy for å lese metadata og status fra ZenML-serverobjekter (brukere, stacks, pipelines, osv.).

Bruksområder for denne MCP-serveren

• Overvåkning og administrasjon av pipeline: Utviklere kan bruke AI-assistenter til å hente status for pipeline-kjøringer, hente logger og overvåke fremdriften direkte fra ZenML.
• Igangsetting av pipeline-kjøringer: AI-assistenter kan starte nye pipeline-kjøringer gjennom MCP-serveren, noe som effektiviserer eksperimentering og distribusjonssykluser.
• Ressurs- og artefaktutforskning: Hent raskt metadata om datasett, modeller og andre artefakter forvaltet av ZenML, slik at du raskt får kontekst for eksperimenter.
• Stack- og tjenesteinspeksjon: Gjennomgå stack-konfigurasjoner og tjenestedetaljer for å forenkle feilsøking og optimalisering.
• Automatisert rapportering: Bruk AI-assistenter til å generere rapporter om ML-eksperimenter, pipeline-historikk og artefakt-stamtre ved å hente data fra MCP-serveren.

Slik setter du det opp

Windsurf

Ingen eksplisitte instruksjoner for Windsurf funnet; bruk generell MCP-konfigurasjon:

1. Sørg for at Node.js og uv er installert.
2. Klon repositoriet.
3. Hent din ZenML-server-URL og API-nøkkel.
4. Rediger Windsurf MCP-konfigurasjonsfilen for å legge til ZenML MCP-serveren.
5. Lagre og start Windsurf på nytt.

{
  "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"
      }
    }
  }
}

Merk: Sikre API-nøklene dine ved å sette dem i env-seksjonen som vist ovenfor.

Claude

1. Installer Claude Desktop.
2. Åpne ‘Settings’ > ‘Developer’ > ‘Edit Config’.
3. Legg til MCP-serveren som vist nedenfor.
4. Bytt ut stier og legitimasjon med dine egne.
5. Lagre og start Claude Desktop på nytt.

{
  "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"
      }
    }
  }
}

Merk: Oppbevar alltid dine API-nøkler sikkert i miljøvariabler, som ovenfor.

Cursor

1. Installer Cursor.
2. Finn Cursors MCP-konfigurasjonsfil.
3. Legg til ZenML MCP-serverseksjonen som vist.
4. Fyll inn riktige stier og legitimasjon.
5. Lagre og start Cursor på nytt.

{
  "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"
      }
    }
  }
}

Merk: API-nøkler bør settes som miljøvariabler i env-seksjonen for sikkerhet.

Cline

Ingen eksplisitte instruksjoner for Cline funnet; bruk generell MCP-konfigurasjon:

1. Installer eventuelle nødvendige forutsetninger for Cline.
2. Klon MCP-ZenML-repositoriet.
3. Hent dine ZenML-serverlegitimasjon.
4. Rediger Clines MCP-konfigurasjonsfil for å inkludere ZenML MCP-serveren.
5. Lagre og start Cline på nytt.

{
  "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"
      }
    }
  }
}

Merk: Sikre API-nøkler i env-seksjonen som vist ovenfor.

Sikring av API-nøkler:
Sett din ZenML API-nøkkel og server-URL sikkert ved å bruke miljøvariabler i env-seksjonen i konfigurasjonen, som i JSON-eksemplene ovenfor.

Hvordan bruke denne MCP-en i flows

Bruke MCP i FlowHunt

For å integrere MCP-servere i din FlowHunt-arbeidsflyt, start med å legge til MCP-komponenten i flyten og koble den til din AI-agent:

Klikk på MCP-komponenten for å åpne konfigurasjonspanelet. I systemets MCP-konfigurasjonsseksjon, sett inn MCP-serverdetaljene dine med dette JSON-formatet:

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

Når det er konfigurert, kan AI-agenten nå bruke denne MCP-en som et verktøy med tilgang til alle dens funksjoner og kapabiliteter. Husk å endre “zenml” til det faktiske navnet på din MCP-server og bytt ut URL-en med din egen MCP-server-URL.

Oversikt

Basert på tabellene over gir ZenML MCP-serveren grundig dokumentasjon, tydelig oppsettveiledning og eksponerer et bredt spekter av ressurser og verktøy. Den mangler imidlertid dokumentasjon på prompt-maler og ingen eksplisitt omtale av sampling- eller roots-støtte. Repositoriet er aktivt, med et tillatt antall stjerner og forks, men noen avanserte MCP-funksjoner er ikke dekket.

MCP-score