机器学习模型部署工具

MCP机器学习代理

本项目演示了如何将机器学习模型部署为 真正的MCP（模型上下文协议）工具。您将训练逻辑回归和KNN模型，对其进行评估，选择最佳模型，生成SHAP解释，并将结果记录到Parquet中——所有这些都通过MCP服务器公开。

该项目附带了MCP和代理技能模块。

这个项目包括什么

MCP服务器公开了以下工具：

• 训练逻辑回归和KNN模型
• 将模型导出到joblib
• 生成预测
• 计算混淆矩阵和度量
• 选择最佳型号
• 生成SHAP解释
• 将工具使用情况记录到Parquet
• 导出拼花地板审计日志

生成的工件：

• artifacts/*.joblib
• artifacts/*.json
• data_parquet/*.parquet

需求

您必须安装：

• Python 3.10或更新版本
• uv包管理器
• VSCode（推荐）

安装说明

步骤1--克隆存储库

在VSCode中：

File → 打开文件夹→ 选择项目文件夹

或从终端：

git clone <repository_url>
cd mcp_ml_agent

步骤2——在项目文件夹中打开终端

在VSCode中：

右键单击：

pyproject.toml

选择：

Open in Integrated Terminal

确认您位于正确的文件夹中：

窗户：

dir pyproject.toml

Mac/Linux：

ls pyproject.toml

步骤3——安装依赖项

在终端中，运行：

如果（base）或任何conda环境显示在您的命令行路径中：

conda deactivate

uv sync

这将：

• 创建 .venv
• 安装所有依赖项
• 准备MCP环境

第一次可能需要几分钟。

运行MCP服务器

启动MCP服务器：

uv run python mcp_ml_server.py

如果成功，服务器将启动并等待MCP工具请求。

预计不会有额外的输出——这是正常的。

运行客户端演示（可选）

要自动测试工具，请执行以下操作：

uv run python mcp_client_demo.py

这将：

• 列车模型
• 评估模型
• 选择最佳型号
• 生成SHAP解释
• 导出拼花地板审计日志

生成的文件

运行工具后，您将看到：

artifacts/
    logistic_regression.joblib
    knn.joblib
    selection.json
    shap_*.json

data_parquet/
    tool_audit.parquet

你可以在Python中打开Parquet文件：

import pandas as pd

df = pd.read_parquet("data_parquet/tool_audit.parquet")
print(df)

运行Jupyter笔记本（可选）

如果使用笔记本版本：

uv run jupyter notebook

打开笔记本，运行手机。

重要提示：请勿手动激活.vev

请勿奔跑：

.venv\Scripts\activate

始终使用：

uv run python filename.py

uv会自动使用正确的环境。

项目结构

mcp_ml_agent/
- pyproject.toml
- mcp_ml_server.py
- mcp_client_demo.py
- ml_pipeline.py
- parquet_store.py

artifacts/
data_parquet/