MLflow MCP сервер

Model Context Protocol сервер, который позволяет LLM взаимодействовать с серверами отслеживания MLflow через естественный язык для запроса экспериментов, анализа запусков, сравнения метрик и изучения реестра моделей.

Установка

Используя uvx (Рекомендуется)

# Запустить напрямую без установки
uvx mlflow-mcp

# Или установить глобально
pip install mlflow-mcp

Из исходников

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

Конфигурация

Claude Desktop

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

Доступные инструменты

Инструмент	Описание
`get_experiments`	Список всех экспериментов
`get_experiment_by_name`	Получить эксперимент по имени
`get_experiment_metrics`	Найти все уникальные метрики
`get_experiment_params`	Найти все уникальные параметры
`get_runs`	Получить запуски с полными деталями. Поддерживает сортировку и пагинацию
`get_run`	Получить детальную информацию о конкретном запуске
`query_runs`	Фильтровать и сортировать запуски (например, "metrics.accuracy > 0.9", order_by="metrics.accuracy DESC")
`search_runs_by_tags`	Найти запуски по тегам с пагинацией
`get_run_metrics`	Получить все метрики для запуска
`get_run_metric`	Получить полную историю метрик с шагами
`get_run_artifacts`	Список артефактов (поддерживает просмотр директорий)
`get_run_artifact`	Скачать артефакт
`get_artifact_content`	Прочитать содержимое артефакта (text/json)
`get_best_run`	Найти лучший запуск по метрике (поддерживает специальные символы)
`compare_runs`	Сравнение бок о бок с полными данными

Возможности

Управление экспериментами: Список и поиск экспериментов, обнаружение доступных метрик и параметров
Анализ запусков: Получение деталей запусков, запросы с фильтрами, поиск лучших моделей
Метрики и параметры: Получение истории метрик, сравнение параметров между запусками
Артефакты: Просмотр и скачивание артефактов запусков
Реестр моделей: Доступ к зарегистрированным моделям, версиям и стадиям развертывания
Инструменты сравнения: Сравнение запусков бок о бок, выбор лучшего запуска
Поиск по тегам: Фильтрация запусков по пользовательским тегам
Пагинация: Пагинация на основе смещения для просмотра больших наборов результатов

Переменные окружения

Обязательные

MLFLOW_TRACKING_URI - URL вашего сервера отслеживания MLflow (Примеры: http://localhost:5000, https://mlflow.company.com)

Примеры использования

Покажи мне все эксперименты в MLflow

Какие 5 лучших запусков по точности в эксперименте 'my-experiment'?

Сравни запуски abc123 и def456

У какой модели самая высокая F1 оценка?

Покажи мне кривую потерь обучения для запуска xyz789

Ресурсы

GitHub Repository

Примечания

Требует Python >=3.10, MLflow >=3.4.0 и доступ к серверу отслеживания MLflow. MIT License.