MLflow模型管理服务器

MLflow MCP服务器

A. 模型上下文协议（MCP） 使LLM能够与之交互的服务器 MLW 跟踪服务器。查询实验、分析运行、比较指标、管理模型注册表以及将模型推广到生产环境——所有这些都是通过自然语言完成的。

特性

• 实验管理：列出、搜索和筛选实验
• 运行分析：查询运行、比较指标、查找性能最佳的模型
• 度量与参数：获取度量历史记录，跨运行比较参数
• 人工制品：浏览并下载运行工件
• LoggedModel支持：搜索和检索MLflow 3 LoggedModel实体
• 模型注册表：完整的注册表管理——注册、标记、别名、阶段和升级模型
• 写入和删除操作：标记、别名、注册、升级和删除运行/实验/模型
• MCP提示：用于常见任务的内置指导工作流程
• 分页：用于浏览大型结果集的基于偏移量的分页

安装

使用uvx（推荐）

# Run directly without installation
uvx mlflow-mcp

# Or install globally
pip install mlflow-mcp

来源

git clone https://github.com/kkruglik/mlflow-mcp.git
cd mlflow-mcp
uv sync
uv run mlflow-mcp

配置

克劳德桌面

添加到您的Claude Desktop配置文件中：

• macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
• 视窗: %APPDATA%\Claude\claude_desktop_config.json
• Linux: ~/.config/claude/claude_desktop_config.json

{
  "mcpServers": {
    "mlflow": {
      "command": "uvx",
      "args": ["mlflow-mcp"],
      "env": {
        "MLFLOW_TRACKING_URI": "http://localhost:5000"
      }
    }
  }
}

克劳德代码（项目范围）

添加 .mcp.json 到您的项目根目录：

{
  "mcpServers": {
    "mlflow": {
      "command": "uvx",
      "args": ["mlflow-mcp"],
      "env": {
        "MLFLOW_TRACKING_URI": "http://localhost:5000"
      }
    }
  }
}

经过身份验证的服务器

对于具有身份验证的MLflow服务器，请将凭据添加到 env 块：

{
  "mcpServers": {
    "mlflow": {
      "command": "uvx",
      "args": ["mlflow-mcp"],
      "env": {
        "MLFLOW_TRACKING_URI": "https://mlflow.company.com",
        "MLFLOW_TRACKING_USERNAME": "your-username",
        "MLFLOW_TRACKING_PASSWORD": "your-password"
      }
    }
  }
}

对于Rancher或基于令牌的身份验证，请使用 MLFLOW_TRACKING_TOKEN 相反：

{
  "mcpServers": {
    "mlflow": {
      "command": "uvx",
      "args": ["mlflow-mcp"],
      "env": {
        "MLFLOW_TRACKING_URI": "https://mlflow.company.com",
        "MLFLOW_TRACKING_TOKEN": "your-token"
      }
    }
  }
}

环境变量

工具

实验

跑

度量与参数

人工制品

分析与比较

记录模型（MLflow 3）

模型注册表

健康

提示

Claude中内置的引导式工作流以斜线命令的形式提供：

使用示例

探索实验和运行

“给我看看所有的实验。哪些实验最近更新了？”

“在实验‘欺诈检测’中跟踪了哪些指标和参数？”

“获得按测试/f1排序的‘欺诈检测’前10名。给我看看前3个参数之间差异最大的参数。”

“查找标记为model_type=lightgbm的所有跑步记录，并比较它们的回忆分数。”

分析训练跑

“显示运行abc123的全部详细信息——指标、参数和工件。”

“绘制abc123跑步的训练损失曲线。” （Claude获取度量历史并呈现图表）

“此运行有一个父级--向我显示父级运行并比较它们的指标。”

查找并注册最佳型号

“通过测试/召回在实验‘欺诈检测’中找到记录最佳的模型。使用selection_metric标签将其注册为‘欺诈分类器’。”

“实验1和2中哪个记录的模型在验证集中的F1得分最高？”

“将运行abc123工件路径‘model/’中的模型注册为‘我的分类器’。”

管理模型注册表

“向我展示所有版本的‘欺诈分类器’及其别名和阶段。”

“在欺诈分类器的版本3上设置冠军别名。”

“更新欺诈分类器v3的描述，以解释它是在什么数据集上训练的。”

“将欺诈分类器v3复制到单独的‘欺诈分类器prod’模型中作为生产条目。”

审核您的工作流设置

“审核我的工作流设置”

（触发 audit_mlflow_setup 内置提示——Claude探索实验、运行、工件和模型注册表，然后根据Google/Databricks最佳实践对每个领域进行评分）

| Category             | Score  | Top Issue                                      |
|----------------------|--------|------------------------------------------------|
| Experiment Org       |  5/10  | Flat namespace, no dot-notation hierarchy      |
| Parameter Logging    |  7/10  | No parent-child nesting for tuning sweeps      |
| Metric Logging       |  6/10  | Only final values logged, no training curves   |
| Tagging Strategy     |  5/10  | Params duplicated as tags; stale test_tag      |
| Artifact Management  |  2/10  | No log_model(); artifacts on local disk        |
| Model Registry       |  3/10  | Duplicate prod models instead of aliases       |
| Reproducibility      |  3/10  | No git SHA; no mlflow.log_input() datasets     |
| Mean Score           |  4.4/10|                                                |

Top 3 improvements:
1. Call log_model() and move artifact store to S3/GCS
2. Add git SHA tag + mlflow.log_input() for dataset tracking
3. Consolidate registry to one model entry with @champion alias

端到端推广工作流程

“通过测试/召回找到‘欺诈检测’中的最佳模型，将其注册为‘欺诈分类器’，用框架和问题类型标记它，并将其设置为冠军。在复制到产品之前问我。”

（这直接映射到 promote_best_model 内置提示）

调试

使用 MCP检查员 浏览工具，使用自定义输入调用它们，并检查原始响应，而不涉及LLM。

已发布包：

npx @modelcontextprotocol/inspector uvx mlflow-mcp

本地来源：

npx @modelcontextprotocol/inspector uv run --project /path/to/mlflow-mcp mlflow-mcp

集 MLFLOW_TRACKING_URI 在检查器的环境面板中，或将其内联传递：

MLFLOW_TRACKING_URI=http://127.0.0.1:5000 npx @modelcontextprotocol/inspector uvx mlflow-mcp

需求

• Python>=3.10
• 流量>=3.4.0
• 访问工作流跟踪服务器

许可证

MIT许可证-请参阅 许可证 文件以获取详细信息。

贡献

欢迎投稿！请打开问题或提交拉取请求。

链接

• PyPI包
• GitHub存储库
• MLflow文档
• 模型上下文协议