Integrare ZenML MCP Server

Ce face „ZenML” MCP Server?

ZenML MCP Server este o implementare a Model Context Protocol (MCP) care acționează ca o punte între asistenții AI (precum Cursor, Claude Desktop și alții) și pipeline-urile tale ZenML MLOps și LLMOps. Prin expunerea API-ului ZenML prin standardul MCP, permite clienților AI să acceseze informații în timp real despre utilizatori, pipeline-uri, execuții, pași, servicii și multe altele dintr-un server ZenML. Această integrare permite dezvoltatorilor și fluxurilor AI să interogheze metadate, să declanșeze noi execuții de pipeline și să interacționeze direct cu funcțiile de orchestrare ale ZenML prin instrumente AI compatibile. ZenML MCP Server este deosebit de util pentru creșterea productivității, conectând asistenții bazați pe LLM la o infrastructură MLOps robustă și facilitând sarcinile din întreg ciclul de viață ML.

Listă de Prompts

Nu am găsit informații despre șabloane de prompt în repository.

Pregătit să îți dezvolți afacerea?

Începe perioada de probă gratuită astăzi și vezi rezultate în câteva zile.

Solicită demo Autentificare

Listă de Resurse

• Utilizatori – Acces la informații despre utilizatorii ZenML.
• Stack-uri – Detalii despre configurațiile disponibile de stack.
• Pipeline-uri – Interogare metadate despre pipeline-urile gestionate în ZenML.
• Execuții Pipeline – Informații și status despre execuțiile pipeline-urilor.
• Pași Pipeline – Explorare detalii ale pașilor din pipeline-uri.
• Servicii – Informații despre serviciile gestionate de ZenML.
• Componente Stack – Metadate despre diferite componente ale stack-ului ZenML.
• Flavors – Informații despre diferitele flavors de componente de stack.
• Șabloane Execuții Pipeline – Șabloane pentru lansarea de noi execuții pipeline.
• Programări – Date despre execuțiile pipeline planificate.
• Artefacte – Metadate despre artefacte de date (nu datele în sine).
• Conectori de Servicii – Informații despre conectori către servicii externe.
• Cod Pas – Acces la codul asociat pașilor pipeline.
• Loguri Pași – Recuperare loguri pentru pași (când rulează pe stack-uri cloud).

Listă de Instrumente

• Declanșare Execuție Pipeline – Permite declanșarea unei noi execuții pipeline dacă există un șablon de rulare.
• Citire Resurse – Instrumente pentru a citi metadate și status din obiectele serverului ZenML (utilizatori, stack-uri, pipeline-uri etc.).

Abonează-te la newsletter-ul nostru

Primește cele mai recente sfaturi, tendințe și oferte gratuit.

Adresă de email

Abonează-te

Cazuri de Utilizare ale acestui MCP Server

• Monitorizare și Management Pipeline: Dezvoltatorii pot folosi asistenți AI pentru a interoga statusul execuțiilor pipeline, a recupera loguri și a monitoriza progresul direct din ZenML.
• Declanșare Execuții Pipeline: Asistenții AI pot iniția noi execuții pipeline prin serverul MCP, simplificând iterarea experimentelor și ciclurile de implementare.
• Explorare Resurse și Artefacte: Recuperează instantaneu metadate despre seturi de date, modele și alte artefacte gestionate de ZenML, pentru recuperarea rapidă a contextului experimentelor.
• Inspecție Stack și Servicii: Revizuiește rapid configurațiile stack și detaliile serviciilor, simplificând depanarea și optimizarea.
• Raportare Automată: Folosește asistenți AI pentru a genera rapoarte despre experimente ML, istoricul pipeline-urilor și proveniența artefactelor prin interogarea serverului MCP.

Cum se configurează

Windsurf

Nu au fost găsite instrucțiuni explicite pentru Windsurf; folosește configurarea generică MCP:

1. Asigură-te că Node.js și uv sunt instalate.
2. Clonează repository-ul.
3. Obține URL-ul serverului ZenML și cheia API.
4. Editează fișierul de configurare MCP al Windsurf pentru a adăuga serverul MCP ZenML.
5. Salvează și repornește 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"
      }
    }
  }
}

Notă: Protejează cheile API prin setarea lor în secțiunea env ca în exemplul de mai sus.

Claude

1. Instalează Claude Desktop.
2. Deschide ‘Settings’ > ‘Developer’ > ‘Edit Config’.
3. Adaugă serverul MCP ca mai jos.
4. Înlocuiește căile și credențialele cu ale tale.
5. Salvează și repornește 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"
      }
    }
  }
}

Notă: Păstrează cheile API întotdeauna în siguranță, în variabilele de mediu, ca mai sus.

Cursor

1. Instalează Cursor.
2. Găsește fișierul de configurare MCP al Cursor.
3. Adaugă secțiunea ZenML MCP server ca în exemplu.
4. Completează cu căile și credențialele corecte.
5. Salvează și repornește 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"
      }
    }
  }
}

Notă: Cheile API trebuie setate prin variabile de mediu în secțiunea env pentru securitate.

Cline

Nu au fost găsite instrucțiuni explicite pentru Cline; folosește configurarea generică MCP:

1. Instalează toate prerechizitele necesare pentru Cline.
2. Clonează repository-ul MCP-ZenML.
3. Obține credențialele serverului ZenML.
4. Editează fișierul de configurare MCP al Cline pentru a include ZenML MCP server.
5. Salvează și repornește 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"
      }
    }
  }
}

Notă: Protejează cheile API în secțiunea env ca mai sus.

Securizarea Cheilor API:
Setează cheia API ZenML și URL-ul serverului în siguranță folosind variabile de mediu în secțiunea env din config, ca în exemplele JSON de mai sus.

Cum folosești acest MCP în fluxuri

Utilizarea MCP în FlowHunt

Pentru a integra serverele MCP în fluxul tău FlowHunt, începe prin a adăuga componenta MCP în flux și conecteaz-o la agentul AI:

Dă click pe componenta MCP pentru a deschide panoul de configurare. În secțiunea de configurare sistem MCP, inserează detaliile serverului MCP folosind acest format JSON:

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

Odată configurat, agentul AI va putea folosi acest MCP ca instrument cu acces la toate funcțiile și capabilitățile sale. Amintește-ți să schimbi „zenml” cu numele adevărat al serverului tău MCP și să înlocuiești URL-ul cu cel al serverului tău MCP.

Prezentare generală

Pe baza tabelelor de mai sus, serverul ZenML MCP oferă documentație amplă, instrucțiuni clare de instalare și expune o gamă largă de resurse și instrumente. Totuși, lipsesc documentația pentru șabloane de prompt și nu este menționat explicit sampling sau roots support. Repository-ul este activ, cu un număr permisiv de stele și fork-uri, dar unele funcții MCP avansate nu sunt acoperite.

Scor MCP