Label Studio MCP 服务器

“Label Studio” MCP 服务器能做什么？

Label Studio MCP 服务器是一个 Model Context Protocol (MCP) 服务器，可将 AI 助手与 Label Studio 实例无缝集成。借助 label-studio-sdk，它允许通过自然语言或结构化调用，从 MCP 客户端以编程方式管理标注项目、任务和预测。该服务器让开发者与 AI 智能体能够高效创建和管理项目、导入及查询任务并自动化预测，全部通过标准化的 MCP 工具完成。通过开放 Label Studio 的核心功能，它简化了标注流程，提升了数据标注、质量审核与机器学习操作的工作效率。

提示模板列表

仓库中未提及提示模板。

资源列表

文档中未列出显式 MCP 资源。

工具列表

• get_label_studio_projects_tool()
  列出可用项目，返回每个项目的 ID、标题和任务数量。
• get_label_studio_project_details_tool(project_id: int)
  获取指定项目的详细信息。
• get_label_studio_project_config_tool(project_id: int)
  获取指定项目的 XML 标注配置。
• create_label_studio_project_tool(title: str, label_config: str, …)
  创建新项目，指定标题、XML 配置和可选设置，返回项目详情及 URL。
• update_label_studio_project_config_tool(project_id: int, new_label_config: str)
  更新现有项目的 XML 标注配置。
• list_label_studio_project_tasks_tool(project_id: int)
  列出项目中的最多 100 个任务 ID。
• get_label_studio_task_data_tool(project_id: int, task_id: int)
  获取指定任务的数据内容。
• get_label_studio_task_annotations_tool(project_id: int, task_id: int)
  获取指定任务的已有标注。
• import_label_studio_project_tasks_tool(project_id: int, tasks_file_path: str)
  从 JSON 文件导入任务到项目，返回导入摘要和项目 URL。
• create_label_studio_prediction_tool(task_id: int, result: List[Dict[str, Any]], …)
  为指定任务创建预测，可选择模型版本和分数。

该 MCP 服务器的应用场景

• 自动化项目管理
  以编程方式创建、更新和配置标注项目，简化大规模标注工作的搭建与维护。
• 批量任务导入与管理
  从文件中批量导入任务并统一管理，高效地将数据导入 Label Studio，并便捷地获取任务数据或标注。
• 预测集成
  直接将模型预测添加到任务，支持机器学习辅助的标注工作流及人机协作模型评估。
• 质量保障与指标
  查询项目详情和任务数量，监控多个标注项目的进度和质量。
• 自定义标注模板
  自动化更新标注模板（label config），适应不断变化的项目需求，确保一致性和灵活性。

如何进行设置

Windsurf

1. 确保有正在运行的 Label Studio 实例，并获取 API 密钥。
2. 打开 Windsurf MCP 服务器配置文件。
3. 使用以下 JSON 片段添加 Label Studio MCP 服务器定义：

   {
       "mcpServers": {
           "label-studio": {
               "command": "uvx",
               "args": [
                   "--from",
                   "git+https://github.com/HumanSignal/label-studio-mcp-server",
                   "mcp-label-studio"
               ],
               "env": {
                   "LABEL_STUDIO_API_KEY": "your_actual_api_key_here",
                   "LABEL_STUDIO_URL": "http://localhost:8080"
               }
           }
       }
   }
   

4. 保存更改并重启 Windsurf。
5. 验证与 Label Studio 实例的连接。

Claude

1. 确保 Label Studio 已运行并获得 API 密钥。
2. 找到 claude_desktop_config.json 文件。
3. 添加 Label Studio MCP 服务器配置：

   {
       "mcpServers": {
           "label-studio": {
               "command": "uvx",
               "args": [
                   "--from",
                   "git+https://github.com/HumanSignal/label-studio-mcp-server",
                   "mcp-label-studio"
               ],
               "env": {
                   "LABEL_STUDIO_API_KEY": "your_actual_api_key_here",
                   "LABEL_STUDIO_URL": "http://localhost:8080"
               }
           }
       }
   }
   

4. 保存并重启 Claude 客户端。
5. 在客户端界面确认设置成功。

Cursor

1. 启动已运行的 Label Studio，并获取 API 密钥。
2. 打开 Cursor MCP 设置。
3. 添加如下 MCP 服务器配置 JSON：

   {
       "mcpServers": {
           "label-studio": {
               "command": "uvx",
               "args": [
                   "--from",
                   "git+https://github.com/HumanSignal/label-studio-mcp-server",
                   "mcp-label-studio"
               ],
               "env": {
                   "LABEL_STUDIO_API_KEY": "your_actual_api_key_here",
                   "LABEL_STUDIO_URL": "http://localhost:8080"
               }
           }
       }
   }
   

4. 保存并重启 Cursor。
5. 检查 MCP 服务器是否可从 Cursor 访问。

Cline

1. 确保 Label Studio 已启动并记下 API 密钥。
2. 编辑 Cline MCP 服务器配置文件。
3. 插入如下服务器条目：

   {
       "mcpServers": {
           "label-studio": {
               "command": "uvx",
               "args": [
                   "--from",
                   "git+https://github.com/HumanSignal/label-studio-mcp-server",
                   "mcp-label-studio"
               ],
               "env": {
                   "LABEL_STUDIO_API_KEY": "your_actual_api_key_here",
                   "LABEL_STUDIO_URL": "http://localhost:8080"
               }
           }
       }
   }
   

4. 保存更改并重启 Cline。
5. 通过 Cline 测试与 Label Studio 的连通性。

注意：
请如上述 env 部分所示，使用环境变量安全存储 API 密钥，防止敏感信息泄露到源码或配置文件中。

如何在流程中使用 MCP

在 FlowHunt 中使用 MCP

要将 MCP 服务器集成到 FlowHunt 工作流中，首先添加 MCP 组件并将其连接到您的 AI 智能体：

点击 MCP 组件打开配置面板。在系统 MCP 配置部分，使用如下 JSON 格式填写您的 MCP 服务器信息：

{
  "label-studio": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

配置完成后，AI 智能体即可使用该 MCP 作为工具，访问其全部功能和能力。请记得将 "label-studio" 替换为实际的 MCP 服务器名称，并将 URL 替换为您的 MCP 服务器地址。

概览

表格之间说明：
该 MCP 服务器在 Label Studio 管理工具方面覆盖全面，提供清晰的搭建文档，但缺乏提示模板和显式资源定义。未提及抽样和 root 支持。总体而言，这是一个适用于专注数据标注流程的扎实基础实现。

MCP 评分