Tích Hợp Máy Chủ ZenML MCP

ZenML MCP Server làm gì?

ZenML MCP Server là một triển khai của Model Context Protocol (MCP) hoạt động như cầu nối giữa trợ lý AI (như Cursor, Claude Desktop, v.v.) và các pipeline MLOps, LLMOps của bạn trên ZenML. Bằng cách cung cấp API ZenML qua chuẩn MCP, nó cho phép các client AI truy cập thông tin trực tiếp và cập nhật về người dùng, pipeline, pipeline run, step, dịch vụ,… từ máy chủ ZenML. Việc tích hợp này giúp nhà phát triển và quy trình AI có thể truy vấn metadata, kích hoạt pipeline mới, tương tác trực tiếp với tính năng điều phối của ZenML ngay trong công cụ AI hỗ trợ MCP. ZenML MCP Server đặc biệt hữu ích trong việc tăng hiệu suất làm việc bằng cách kết nối trợ lý LLM với hạ tầng MLOps mạnh mẽ, hỗ trợ các tác vụ xuyên suốt vòng đời ML.

Danh sách Prompt

Không tìm thấy thông tin về prompt template trong repository.

Sẵn sàng phát triển doanh nghiệp của bạn?

Bắt đầu dùng thử miễn phí ngay hôm nay và xem kết quả trong vài ngày.

Yêu cầu demo Đăng nhập

Danh sách Tài nguyên

• Người dùng – Truy cập thông tin về người dùng ZenML.
• Stack – Lấy chi tiết cấu hình stack khả dụng.
• Pipeline – Truy vấn metadata về các pipeline được quản lý trong ZenML.
• Pipeline Run – Lấy thông tin và trạng thái về các lần thực thi pipeline.
• Pipeline Step – Khám phá chi tiết các bước trong pipeline.
• Dịch vụ – Thông tin về các dịch vụ được ZenML quản lý.
• Thành phần Stack – Metadata về các thành phần trong stack ZenML.
• Flavor – Lấy thông tin về các loại thành phần stack khác nhau.
• Pipeline Run Template – Template để khởi tạo pipeline run mới.
• Lịch biểu – Dữ liệu về lịch thực thi pipeline.
• Artifact – Metadata về artifact dữ liệu (không phải dữ liệu gốc).
• Kết nối Dịch vụ – Thông tin về các kết nối tới dịch vụ bên ngoài.
• Mã Step – Truy cập mã nguồn liên quan đến các bước pipeline.
• Log Step – Lấy log cho các bước (khi chạy trên stack cloud).

Danh sách Công cụ

• Kích hoạt Pipeline mới – Cho phép khởi tạo pipeline run mới nếu có run template.
• Đọc tài nguyên – Công cụ đọc metadata và trạng thái từ các đối tượng trên server ZenML (người dùng, stack, pipeline,…).

Tham gia bản tin của chúng tôi

Nhận các mẹo, xu hướng và ưu đãi mới nhất miễn phí.

Địa chỉ email

Đăng ký

Các trường hợp sử dụng MCP Server này

• Giám sát & Quản lý Pipeline: Nhà phát triển có thể dùng trợ lý AI để truy vấn trạng thái pipeline run, lấy log, giám sát tiến trình trực tiếp từ ZenML.
• Kích hoạt thực thi Pipeline: Trợ lý AI có thể khởi chạy pipeline mới qua MCP Server, tối ưu vòng lặp thử nghiệm và triển khai.
• Khám phá tài nguyên & Artifact: Truy xuất metadata về dataset, model và artifact do ZenML quản lý, giúp lấy thông tin nhanh phục vụ thử nghiệm.
• Kiểm tra Stack & Dịch vụ: Xem lại cấu hình stack và chi tiết dịch vụ nhanh, đơn giản hóa việc khắc phục sự cố và tối ưu hóa.
• Tự động tạo báo cáo: Sử dụng trợ lý AI tạo báo cáo về thí nghiệm ML, lịch sử pipeline, lineage artifact bằng cách truy vấn MCP server.

Thiết lập như thế nào

Windsurf

Không tìm thấy hướng dẫn cụ thể cho Windsurf; dùng cấu hình MCP chung:

1. Đảm bảo đã cài đặt Node.js và uv.
2. Clone repository.
3. Lấy URL máy chủ ZenML và API key của bạn.
4. Chỉnh file cấu hình MCP của Windsurf để thêm ZenML MCP server.
5. Lưu và khởi động lại 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"
      }
    }
  }
}

Chú ý: Bảo mật API key bằng cách khai báo trong phần env như ví dụ trên.

Claude

1. Cài đặt Claude Desktop.
2. Vào ‘Settings’ > ‘Developer’ > ‘Edit Config’.
3. Thêm MCP server như bên dưới.
4. Thay đường dẫn và thông tin xác thực bằng của bạn.
5. Lưu và khởi động lại 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"
      }
    }
  }
}

Chú ý: Luôn bảo mật API key trong biến môi trường như trên.

Cursor

1. Cài đặt Cursor.
2. Tìm file cấu hình MCP của Cursor.
3. Thêm phần ZenML MCP server như minh họa.
4. Điền đúng đường dẫn và thông tin xác thực.
5. Lưu và khởi động lại 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"
      }
    }
  }
}

Chú ý: Nên thiết lập API key qua biến môi trường trong phần env để bảo mật.

Cline

Không tìm thấy hướng dẫn cụ thể cho Cline; dùng cấu hình MCP chung:

1. Cài đặt các điều kiện tiên quyết của Cline.
2. Clone repository MCP-ZenML.
3. Lấy thông tin đăng nhập máy chủ ZenML.
4. Chỉnh file cấu hình MCP của Cline để thêm ZenML MCP server.
5. Lưu và khởi động lại 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"
      }
    }
  }
}

Chú ý: Bảo mật API key trong phần env như trên.

Bảo mật API Key:
Thiết lập API key và URL máy chủ ZenML bằng biến môi trường trong phần env của cấu hình, như các ví dụ JSON ở trên.

Sử dụng MCP này trong flows

Sử dụng MCP trong FlowHunt

Để tích hợp MCP server vào workflow FlowHunt, bạn thêm thành phần MCP vào flow và kết nối nó với agent AI của mình:

Nhấn vào thành phần MCP để mở bảng cấu hình. Trong phần cấu hình MCP hệ thống, dán thông tin MCP server của bạn theo định dạng JSON sau:

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

Khi đã cấu hình, agent AI sẽ có thể sử dụng MCP này như một công cụ với toàn bộ chức năng của nó. Hãy nhớ đổi “zenml” thành tên thực tế của MCP server bạn dùng và thay URL thành địa chỉ MCP server của bạn.

Tổng quan

Dựa trên bảng trên, ZenML MCP server cung cấp tài liệu đầy đủ, hướng dẫn thiết lập rõ ràng và phơi bày nhiều tài nguyên, công cụ. Tuy nhiên, chưa có tài liệu về prompt template và chưa đề cập rõ về sampling hoặc roots. Repository vẫn hoạt động, có số lượng star và fork hợp lý, nhưng một số tính năng MCP nâng cao chưa hỗ trợ.

MCP Score