ZenML MCP 服务器集成

“ZenML” MCP 服务器的作用是什么？

ZenML MCP 服务器是模型上下文协议（MCP）的实现，充当 AI 助手（如 Cursor、Claude Desktop 等）与您的 ZenML MLOps 和 LLMOps 流水线之间的桥梁。通过采用 MCP 标准暴露 ZenML 的 API，使 AI 客户端能够实时访问来自 ZenML 服务器的用户、流水线、流水线运行、步骤、服务等信息。该集成让开发人员和 AI 工作流能够查询元数据、触发新流水线运行，并通过支持的 AI 工具直接使用 ZenML 的编排能力。ZenML MCP 服务器尤其适用于将 LLM 驱动的助手与强大的 MLOps 基础设施连接起来，提升生产力，助力 ML 生命周期各阶段任务。

提示模板列表

在仓库中未找到有关提示模板的信息。

资源列表

• 用户 – 获取 ZenML 用户信息。
• 堆栈 – 查询可用堆栈配置信息。
• 流水线 – 查询 ZenML 管理的流水线元数据。
• 流水线运行 – 获取流水线执行的信息和状态。
• 流水线步骤 – 探索流水线内部各步骤详情。
• 服务 – ZenML 管理的服务相关信息。
• 堆栈组件 – ZenML 堆栈中各组件的元数据。
• 风格 – 获取不同堆栈组件风格的信息。
• 流水线运行模板 – 启动新流水线运行的模板。
• 调度 – 定时流水线执行的信息。
• 产物 – 有关数据产物的元数据（不包括数据本身）。
• 服务连接器 – 连接外部服务的相关信息。
• 步骤代码 – 获取流水线步骤相关代码。
• 步骤日志 – 获取步骤的日志（在云堆栈运行时）。

工具列表

• 触发新流水线运行 – 如存在运行模板，可触发新的流水线运行。
• 读取资源 – 用于读取 ZenML 服务器对象（用户、堆栈、流水线等）的元数据和状态。

该 MCP 服务器的应用场景

• 流水线监控与管理：开发者可通过 AI 助手查询流水线运行状态、获取日志并直接从 ZenML 监控进度。
• 触发流水线执行：AI 助手可通过 MCP 服务器发起新的流水线运行，加快实验迭代和部署周期。
• 资源与产物探索：即时获取由 ZenML 管理的数据集、模型等产物元数据，为实验提供快速上下文。
• 堆栈与服务检查：快速查看堆栈配置和服务详情，简化排查和优化过程。
• 自动化报告：利用 AI 助手生成有关 ML 实验、流水线历史和产物溯源的报告，通过 MCP 服务器查询数据。

如何设置

Windsurf

未找到 Windsurf 的专用说明，请使用通用 MCP 配置：

1. 确保已安装 Node.js 和 uv。
2. 克隆仓库。
3. 获取 ZenML 服务器 URL 和 API 密钥。
4. 编辑您的 Windsurf MCP 配置文件，添加 ZenML MCP 服务器。
5. 保存并重启 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"
      }
    }
  }
}

注意：请如上所示，在 env 部分安全存储您的 API 密钥。

Claude

1. 安装 Claude Desktop。
2. 打开“设置” > “开发者” > “编辑配置”。
3. 按如下所示添加 MCP 服务器。
4. 替换路径和凭证为您自己的。
5. 保存并重启 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"
      }
    }
  }
}

注意：始终通过环境变量安全存储 API 密钥，如上述配置。

Cursor

1. 安装 Cursor。
2. 找到 Cursor 的 MCP 配置文件。
3. 按示例添加 ZenML MCP 服务器部分。
4. 填写正确的路径和凭证。
5. 保存并重启 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"
      }
    }
  }
}

注意：API 密钥应通过 env 部分的环境变量进行安全设置。

Cline

未找到 Cline 的专用说明，请使用通用 MCP 配置：

1. 安装 Cline 所需的前置条件。
2. 克隆 MCP-ZenML 仓库。
3. 获取您的 ZenML 服务器凭证。
4. 编辑 Cline MCP 配置文件，加入 ZenML MCP 服务器。
5. 保存并重启 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"
      }
    }
  }
}

注意：如上所示，在 env 部分安全配置 API 密钥。

API 密钥安全提示：
请在配置的 env 部分使用环境变量安全存储您的 ZenML API 密钥和服务器 URL，参考上方 JSON 示例。

在流程中如何使用 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 组件到您的流程，并将其连接到 AI 代理：

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

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

完成配置后，AI 代理就可以作为工具调用 MCP，享受其所有功能。请记得将"zenml"替换为您的 MCP 服务器实际名称，并将 URL 换成您自己的 MCP 服务器地址。

概览

从上表来看，ZenML MCP 服务器提供了详尽的文档、清晰的设置引导，并暴露了丰富的资源和工具。但缺乏提示模板文档，也未明确说明采样或根支持。仓库活跃，star 和 fork 数适中，但部分高级 MCP 功能未覆盖。

MCP 评分