Integração com o ZenML MCP Server

O que faz o “ZenML” MCP Server?

O ZenML MCP Server é uma implementação do Model Context Protocol (MCP) que atua como uma ponte entre assistentes de IA (como Cursor, Claude Desktop e outros) e seus pipelines MLOps e LLMOps do ZenML. Ao expor a API do ZenML via o padrão MCP, ele permite que clientes de IA acessem informações em tempo real sobre usuários, pipelines, execuções de pipeline, etapas, serviços e muito mais a partir de um servidor ZenML. Esta integração capacita desenvolvedores e fluxos de trabalho de IA a consultar metadados, disparar novas execuções de pipeline e interagir diretamente com os recursos de orquestração do ZenML através de ferramentas de IA compatíveis. O ZenML MCP Server é especialmente útil para aumentar a produtividade ao conectar assistentes alimentados por LLM a uma infraestrutura MLOps robusta, facilitando tarefas ao longo do ciclo de vida de ML.

Lista de Prompts

Nenhuma informação encontrada sobre templates de prompt no repositório.

Pronto para expandir seu negócio?

Comece seu teste gratuito hoje e veja resultados em dias.

Solicitar demo Entrar

Lista de Recursos

• Usuários – Acesse informações sobre usuários do ZenML.
• Stacks – Recupere detalhes sobre configurações de stack disponíveis.
• Pipelines – Consulte metadados sobre pipelines gerenciados no ZenML.
• Execuções de Pipeline – Obtenha informações e status sobre execuções de pipeline.
• Etapas do Pipeline – Explore detalhes das etapas dentro dos pipelines.
• Serviços – Informações sobre serviços gerenciados pelo ZenML.
• Componentes de Stack – Metadados sobre diferentes componentes no stack ZenML.
• Flavors – Recupere informações sobre diferentes flavors de componentes de stack.
• Templates de Execução de Pipeline – Modelos para iniciar novas execuções de pipeline.
• Agendamentos – Dados sobre execuções de pipeline agendadas.
• Artefatos – Metadados sobre artefatos de dados (não os dados em si).
• Conectores de Serviço – Informações sobre conectores para serviços externos.
• Código de Etapa – Acesse o código relacionado às etapas do pipeline.
• Logs de Etapa – Recupere logs das etapas (quando executadas em stacks na nuvem).

Lista de Ferramentas

• Disparar Nova Execução de Pipeline – Permite disparar uma nova execução de pipeline se houver um template disponível.
• Ler Recursos – Ferramentas para ler metadados e status de objetos do servidor ZenML (usuários, stacks, pipelines etc.).

Junte-se à nossa newsletter

Receba gratuitamente as últimas dicas, tendências e ofertas.

Endereço de e-mail

Inscrever-se

Casos de Uso deste MCP Server

• Monitoramento e Gerenciamento de Pipelines: Desenvolvedores podem usar assistentes de IA para consultar o status de execuções de pipeline, recuperar logs e monitorar o progresso diretamente no ZenML.
• Disparo de Execuções de Pipeline: Assistentes de IA podem iniciar novas execuções de pipeline pelo servidor MCP, otimizando ciclos de experimentação e implantação.
• Exploração de Recursos e Artefatos: Recupere instantaneamente metadados sobre conjuntos de dados, modelos e outros artefatos gerenciados pelo ZenML, proporcionando rápida obtenção de contexto para experimentos.
• Inspeção de Stack e Serviço: Revise rapidamente configurações de stack e detalhes de serviços, simplificando a solução de problemas e otimização.
• Relatórios Automatizados: Use assistentes de IA para gerar relatórios sobre experimentos de ML, histórico de pipelines e linhagem de artefatos consultando o servidor MCP.

Como configurar

Windsurf

Nenhuma instrução específica para Windsurf encontrada; use configuração MCP genérica:

1. Certifique-se de que Node.js e uv estão instalados.
2. Clone o repositório.
3. Obtenha a URL do seu servidor ZenML e a chave de API.
4. Edite o arquivo de configuração MCP do Windsurf para adicionar o ZenML MCP Server.
5. Salve e reinicie o Windsurf.

{
  "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"
      }
    }
  }
}

Nota: Proteja suas chaves de API definindo-as na seção env conforme acima.

Claude

1. Instale o Claude Desktop.
2. Abra ‘Configurações’ > ‘Desenvolvedor’ > ‘Editar Config’.
3. Adicione o MCP Server conforme mostrado abaixo.
4. Substitua caminhos e credenciais pelos seus.
5. Salve e reinicie o Claude Desktop.

{
  "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"
      }
    }
  }
}

Nota: Sempre armazene suas chaves de API de forma segura nas variáveis de ambiente, como acima.

Cursor

1. Instale o Cursor.
2. Localize o arquivo de configuração MCP do Cursor.
3. Adicione a seção do ZenML MCP Server conforme mostrado.
4. Preencha os caminhos e credenciais corretos.
5. Salve e reinicie o Cursor.

{
  "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"
      }
    }
  }
}

Nota: As chaves de API devem ser definidas usando variáveis de ambiente na seção env para maior segurança.

Cline

Nenhuma instrução específica para Cline encontrada; use configuração MCP genérica:

1. Instale quaisquer pré-requisitos necessários pelo Cline.
2. Clone o repositório MCP-ZenML.
3. Obtenha as credenciais do seu servidor ZenML.
4. Edite o arquivo de configuração MCP do Cline para incluir o ZenML MCP Server.
5. Salve e reinicie o Cline.

{
  "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"
      }
    }
  }
}

Nota: Proteja as chaves de API na seção env conforme acima.

Protegendo Chaves de API:
Defina sua chave de API e URL do servidor ZenML de forma segura usando variáveis de ambiente na seção env da configuração, como nos exemplos JSON acima.

Como usar este MCP em fluxos

Usando MCP no FlowHunt

Para integrar MCP servers ao seu fluxo FlowHunt, comece adicionando o componente MCP ao seu fluxo e conectando-o ao seu agente de IA:

Clique no componente MCP para abrir o painel de configuração. Na seção de configuração MCP do sistema, insira os detalhes do seu servidor MCP usando este formato JSON:

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

Após configurar, o agente de IA estará apto a usar este MCP como uma ferramenta com acesso a todas as suas funções e capacidades. Lembre-se de alterar “zenml” para o nome real do seu servidor MCP e substituir a URL pela URL do seu MCP.

Visão Geral

Com base nas tabelas acima, o ZenML MCP Server oferece documentação abrangente, instruções claras de configuração e expõe uma ampla gama de recursos e ferramentas. No entanto, falta documentação para templates de prompt e não há menção explícita a sampling ou suporte a roots. O repositório está ativo, com número permissivo de estrelas e forks, mas alguns recursos avançados de MCP não são abordados.

Pontuação MCP