Vad gör “ZenML” MCP-servern?

ZenML MCP-servern är en implementation av Model Context Protocol (MCP) som fungerar som en brygga mellan AI-assistenter (såsom Cursor, Claude Desktop och andra) och dina ZenML MLOps- och LLMOps-pipelines. Genom att exponera ZenML:s API via MCP-standarden gör den det möjligt för AI-klienter att få tillgång till levande information om användare, pipelines, pipelinekörningar, steg, tjänster och mer från en ZenML-server. Denna integration ger utvecklare och AI-arbetsflöden möjlighet att fråga metadata, trigga nya pipelinekörningar och interagera med ZenML:s orkestreringsfunktioner direkt genom stödda AI-verktyg. ZenML MCP-servern är särskilt användbar för att öka produktiviteten genom att koppla LLM-drivna assistenter till robust MLOps-infrastruktur och underlätta uppgifter genom hela ML-livscykeln.

Lista över promptar

Ingen information om promptmallar hittades i repot.

Lista över resurser

• Användare – Få information om ZenML-användare.
• Stackar – Hämta detaljer om tillgängliga stackkonfigurationer.
• Pipelines – Fråga metadata om pipelines som hanteras i ZenML.
• Pipelinekörningar – Få information och status om pipelinekörningar.
• Pipelinesteg – Utforska detaljer om steg i pipelines.
• Tjänster – Information om tjänster som hanteras av ZenML.
• Stackkomponenter – Metadata om olika komponenter i ZenML-stacken.
• Flavors – Hämta information om olika stackkomponents-flavors.
• Pipeline-run-mallar – Mallar för att starta nya pipelinekörningar.
• Scheman – Data om schemalagda pipelinekörningar.
• Artefakter – Metadata om dataartefakter (inte själva datan).
• Service Connectors – Information om anslutningar till externa tjänster.
• Stegkod – Få tillgång till kod kopplad till pipeline-steg.
• Stegloggar – Hämta loggar för steg (vid körning på molnbaserade stackar).

Lista över verktyg

• Trigga ny pipelinekörning – Gör det möjligt att starta en ny pipelinekörning om en run-mall finns.
• Läs resurser – Verktyg för att läsa metadata och status från ZenML-serverobjekt (användare, stackar, pipelines, etc).

Användningsområden för denna MCP-server

• Övervakning och hantering av pipelines: Utvecklare kan använda AI-assistenter för att fråga status på pipelinekörningar, hämta loggar och övervaka framsteg direkt från ZenML.
• Trigga pipelinekörningar: AI-assistenter kan initiera nya pipelinekörningar via MCP-servern, vilket effektiviserar experiment och deployment-cykler.
• Resurs- och artefaktutforskning: Hämta metadata om dataset, modeller och andra artefakter som hanteras av ZenML direkt, för snabb kontext vid experiment.
• Inspektion av stackar och tjänster: Granska snabbt stackkonfigurationer och tjänstedetaljer, för att förenkla felsökning och optimering.
• Automatiserad rapportering: Använd AI-assistenter för att generera rapporter om ML-experiment, pipelinehistorik och artefakt-härkomst genom att fråga MCP-servern.

Så här sätter du upp det

Windsurf

Inga specifika instruktioner för Windsurf hittades; använd generell MCP-konfiguration:

1. Säkerställ att Node.js och uv är installerade.
2. Klona repot.
3. Hämta din ZenML-server-URL och API-nyckel.
4. Redigera Windsurfs MCP-konfigurationsfil för att lägga till ZenML MCP-servern.
5. Spara och starta om 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"
      }
    }
  }
}

Obs: Skydda dina API-nycklar genom att sätta dem i env-delen som ovan.

Claude

1. Installera Claude Desktop.
2. Öppna ‘Settings’ > ‘Developer’ > ‘Edit Config’.
3. Lägg till MCP-servern enligt exemplet nedan.
4. Byt ut sökvägar och uppgifter mot dina egna.
5. Spara och starta om 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"
      }
    }
  }
}

Obs: Spara alltid dina API-nycklar säkert i miljövariabler, som ovan.

Cursor

1. Installera Cursor.
2. Lokalisera Cursors MCP-konfigurationsfil.
3. Lägg till ZenML MCP-server-delen enligt exemplet.
4. Fyll i korrekta sökvägar och uppgifter.
5. Spara och starta om 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"
      }
    }
  }
}

Obs: API-nycklar ska sättas med miljövariabler i env-delen för säkerhet.

Cline

Inga specifika instruktioner för Cline hittades; använd generell MCP-konfiguration:

1. Installera eventuella förkrav för Cline.
2. Klona MCP-ZenML-repot.
3. Hämta dina ZenML-serveruppgifter.
4. Redigera Clines MCP-konfigurationsfil för att inkludera ZenML MCP-servern.
5. Spara och starta om 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"
      }
    }
  }
}

Obs: Skydda API-nycklar i env-delen enligt ovan.

Säkra API-nycklar:
Sätt din ZenML API-nyckel och server-URL säkert med miljövariabler i env-delen av konfigurationen, enligt JSON-exemplen ovan.

Så använder du denna MCP i flöden

Använd MCP i FlowHunt

För att integrera MCP-servrar i ditt FlowHunt-arbetsflöde, börja med att lägga till MCP-komponenten i ditt flöde och koppla den till din AI-agent:

Klicka på MCP-komponenten för att öppna konfigurationspanelen. I systemets MCP-konfigurationssektion, lägg till dina MCP-serveruppgifter med följande JSON-format:

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

När det är konfigurerat kan AI-agenten nu använda denna MCP som ett verktyg med tillgång till alla dess funktioner och möjligheter. Kom ihåg att byta ut “zenml” till det faktiska namnet på din MCP-server och ersätta URL:en med din egen MCP-server-URL.

Sammanfattning

Baserat på tabellen ovan ger ZenML MCP-servern grundlig dokumentation, tydliga installationsanvisningar och exponerar ett brett utbud av resurser och verktyg. Dock saknas dokumentation kring promptmallar och ingen explicit information om sampling eller roots-stöd finns. Repet är aktivt, har ett tillfredsställande antal stjärnor och forks, men vissa avancerade MCP-funktioner täcks inte.

MCP-poäng