ZenML MCP Server

resmi

Berinteraksi dengan pipeline MLOps dan LLMOps Anda melalui server MCP ZenML Anda

Dokumentasi

Server MCP untuk ZenML

Proyek ini mengimplementasikan server Model Context Protocol (MCP) untuk berinteraksi dengan API ZenML.

ZenML MCP Server

Apa itu MCP?

Model Context Protocol (MCP) adalah protokol terbuka yang menstandarisasi cara aplikasi menyediakan konteks kepada Large Language Models (LLM). Ia berfungsi seperti "port USB-C untuk aplikasi AI" - menyediakan cara standar untuk menghubungkan model AI ke berbagai sumber data dan alat.

MCP mengikuti arsitektur client-server di mana:

Host MCP: Program seperti Claude Desktop atau IDE yang ingin mengakses data melalui MCP
Klien MCP: Klien protokol yang memelihara koneksi 1:1 dengan server
Server MCP: Program ringan yang mengekspos kemampuan spesifik melalui protokol standar
Sumber Data Lokal: File, basis data, dan layanan komputer Anda yang dapat diakses server MCP secara aman
Layanan Jarak Jauh: Sistem eksternal yang tersedia melalui internet yang dapat dihubungkan oleh server MCP

Apa itu ZenML?

ZenML adalah platform sumber terbuka untuk membangun dan mengelola pipeline ML dan AI. Ia menyediakan antarmuka terpadu untuk mengelola data, model, dan eksperimen.

Untuk informasi lebih lanjut, lihat situs web ZenML dan dokumentasi kami.

Fitur

Server menyediakan alat MCP untuk mengakses fungsionalitas baca inti dari server ZenML, menyediakan cara untuk mendapatkan informasi langsung tentang:

Entitas Inti

Pengguna - akun pengguna dan izin
Stack - konfigurasi infrastruktur
Komponen Stack - blok bangunan stack individual
Flavor - tipe komponen yang tersedia
Konektor Layanan - autentikasi cloud

Eksekusi Pipeline

Pipeline - definisi pipeline
Pipeline Run - riwayat dan status eksekusi
Langkah Pipeline - detail langkah individual, kode, dan log
Jadwal - jadwal eksekusi otomatis
Artefak - metadata tentang artefak data (bukan data itu sendiri)

Deployment & Serving

Snapshot - konfigurasi pipeline beku (artefak "apa yang dijalankan/disajikan")
Deployment - instance serving runtime dengan status, URL, dan log
Layanan - endpoint serving model

Organisasi & Penemuan

Proyek - wadah organisasi untuk sumber daya ZenML
Tag - label metadata lintas sektor untuk penemuan
Build - artefak build pipeline dengan info gambar dan kode

Model

Model - entri registri model ML
Versi Model - artefak model berversi

Usang (migrasi disarankan)

~~Template pipeline run~~ → gunakan Snapshot sebagai gantinya (lihat Panduan Migrasi)

Server juga memungkinkan Anda untuk memicu pipeline run baru menggunakan snapshot (disarankan) atau template run (usang).

Catatan: Kami terus meningkatkan integrasi ini berdasarkan umpan balik pengguna. Silakan bergabung dengan komunitas Slack kami untuk berbagi pengalaman dan membantu kami membuatnya lebih baik!

Alat yang Tersedia

Server MCP mengekspos alat-alat berikut, dikelompokkan berdasarkan kategori:

Eksekusi Pipeline (Baru di v1.2)

Alat	Deskripsi
`get_snapshot`	Dapatkan konfigurasi pipeline beku berdasarkan nama/ID
`list_snapshots`	Daftar snapshot dengan filter (runnable, deployable, deployed, tag)
`get_deployment`	Dapatkan status runtime dan URL deployment
`list_deployments`	Daftar deployment dengan filter (status, pipeline, tag)
`get_deployment_logs`	Dapatkan log terbatas dari deployment (default tail=100, maks 1000)
`trigger_pipeline`	Picu pipeline run (disarankan parameter `snapshot_name_or_id`)

Organisasi (Baru di v1.2)

Alat	Deskripsi
`get_active_project`	Dapatkan proyek yang sedang aktif
`get_project`	Dapatkan detail proyek berdasarkan nama/ID
`list_projects`	Daftar semua proyek
`get_tag`	Dapatkan detail tag (eksklusif, warna)
`list_tags`	Daftar tag dengan filter (resource_type)
`get_build`	Dapatkan detail build (gambar, embedding kode)
`list_builds`	Daftar build dengan filter (is_local, contains_code)

Entitas Inti

Alat	Deskripsi
`get_user`, `list_users`, `get_active_user`	Manajemen pengguna
`get_stack`, `list_stacks`	Konfigurasi stack
`get_stack_component`, `list_stack_components`	Komponen stack
`get_flavor`, `list_flavors`	Flavor komponen
`get_service_connector`, `list_service_connectors`	Konektor cloud
`get_pipeline_run`, `list_pipeline_runs`	Pipeline run
`get_run_step`, `list_run_steps`	Detail langkah
`get_step_logs`, `get_step_code`	Log langkah dan kode sumber
`list_pipelines`, `get_pipeline_details`	Definisi pipeline
`get_schedule`, `list_schedules`	Jadwal
`list_artifacts`	Metadata artefak
`list_secrets`	Nama rahasia (bukan nilai)
`get_service`, `list_services`	Layanan model
`get_model`, `list_models`	Registri model
`get_model_version`, `list_model_versions`	Versi model

Aplikasi Interaktif (Eksperimental)

Alat	Deskripsi
`open_pipeline_run_dashboard`	Buka dasbor pipeline run interaktif (Aplikasi MCP)
`open_run_activity_chart`	Buka diagram batang aktivitas run 30 hari (Aplikasi MCP)

Alat Analisis

Alat	Deskripsi
`stack_components_analysis`	Analisis penggunaan komponen stack
`recent_runs_analysis`	Analisis pipeline run terbaru
`most_recent_runs`	Dapatkan N run terbaru

Diagnostik

Alat	Deskripsi
`diagnose_zenml_setup`	Diagnosis pengaturan server (env vars, SDK, konektivitas, auth). Bekerja bahkan saat salah konfigurasi.

Alat Usang

Alat	Pengganti
`get_run_template`	Gunakan `get_snapshot` sebagai gantinya
`list_run_templates`	Gunakan `list_snapshots` sebagai gantinya
`trigger_pipeline(template_id=...)`	Gunakan `trigger_pipeline(snapshot_name_or_id=...)`

Migrasi: Run Templates → Snapshots

Mengapa berubah? ZenML mengembangkan konsep "artefak pipeline yang dapat dijalankan". Run Templates sekarang adalah pembungkus usang yang secara internal hanya menunjuk ke Snapshots. Kode baru harus menggunakan Snapshots secara langsung.

Panduan Migrasi Cepat

Pola Lama (Templates)	Pola Baru (Snapshots)
`list_run_templates()`	`list_snapshots(runnable=True, named_only=True)`
`get_run_template(name)`	`get_snapshot(name, include_config_schema=True)`
`trigger_pipeline(template_id=...)`	`trigger_pipeline(snapshot_name_or_id=...)`

Contoh Alur Kerja (Snapshot-First)

1. Discover project context:
   → get_active_project()

2. Find runnable snapshots:
   → list_snapshots(runnable=True, named_only=True)

3. Trigger a run:
   → trigger_pipeline(pipeline_name_or_id="my-pipeline", snapshot_name_or_id="my-snapshot")

4. Check deployments:
   → list_deployments(status="running")
   → get_deployment_logs(name_id_or_prefix="my-deployment", tail=100)

Catatan: get_deployment_logs mengembalikan output terbatas (default 100 baris, maks 1000, dibatasi 100KB) dan memerlukan integrasi deployer yang sesuai untuk diinstal.

Pengaturan Cepat melalui Dasbor (Disarankan)

Cara termudah untuk mengatur Server MCP ZenML adalah melalui halaman Pengaturan MCP di dasbor ZenML Anda.

MCP Settings Page

Arahkan ke Pengaturan → MCP di dasbor ZenML Anda untuk mendapatkan:

Cuplikan yang telah dikonfigurasi untuk URL server dan kredensial spesifik Anda
Instalasi satu klik melalui tautan langsung untuk IDE yang didukung
Konfigurasi salin-tempel untuk VS Code, Claude Desktop, Cursor, Claude Code, OpenAI Codex, dan lainnya
Opsi Docker dan uv berdasarkan preferensi Anda

Pengguna ZenML Pro

Halaman Pengaturan MCP memungkinkan Anda membuat Token Akses Pribadi (PAT) dengan satu klik. Token secara otomatis disertakan dalam semua cuplikan konfigurasi yang dihasilkan.

Pengguna ZenML OSS

Pertama buat token akun layanan melalui Pengaturan → Akun Layanan
Tempel token ke halaman Pengaturan MCP
Salin konfigurasi yang dihasilkan untuk IDE Anda

Lebih suka pengaturan manual? Lihat instruksi terperinci di bawah ini.

Aplikasi MCP (Eksperimental)

Apa itu Aplikasi MCP? Aplikasi MCP adalah UI HTML interaktif yang dapat disajikan server MCP langsung ke klien AI. Mereka dirender dalam iframe sandbox dan dapat memanggil alat server secara dua arah. Lihat pengumuman resmi untuk detail lengkap.

Run Activity Chart

Server ini mencakup dua Aplikasi MCP eksperimental:

Aplikasi	Alat	Deskripsi
Dasbor Pipeline Run	`open_pipeline_run_dashboard`	Tabel interaktif pipeline run terbaru dengan status, detail langkah, dan log
Diagram Aktivitas Run	`open_run_activity_chart`	Diagram batang aktivitas pipeline run selama 30 hari terakhir dengan rincian status

Pipeline Runs Dashboard

Aplikasi ini disertakan sebagai contoh bukti konsep. Kami menyambut umpan balik dan kontribusi untuk lebih banyak Aplikasi MCP. Ini masih tahap awal untuk fitur baru ini jadi kita harus melihat bagaimana perkembangannya. Kami berharap dapat mendukungnya lebih penuh di masa depan.

Klien yang Didukung

Aplikasi MCP memerlukan transport HTTP Streamable (bukan stdio). Klien berikut saat ini mendukung Aplikasi MCP:

✅ VS Code (Edisi Insiders)
✅ Goose
✅ ChatGPT (segera diluncurkan)
⚠️ Claude Desktop -- per akhir Januari 2026, belum merender Aplikasi.
⚠️ Claude.ai (web) — per akhir Januari 2026, belum merender Aplikasi.

Catatan: Kami tidak dapat menguji secara menyeluruh dengan Claude Desktop atau Claude.ai pada saat penulisan. Jika Anda mengalami masalah, silakan laporkan.

Menjalankan Aplikasi MCP dengan Docker

Aplikasi MCP memerlukan transport HTTP Streamable dan URL yang dapat dijangkau publik (untuk klien yang dihosting cloud seperti Claude.ai). Pengaturan paling sederhana menggunakan Docker + tunnel Cloudflare:

1. Bangun dan jalankan kontainer Docker:

docker build -t mcp-zenml:apps .

docker run --rm -d --name mcp-zenml-apps -p 8001:8001 \
  -e ZENML_STORE_URL="https://your-zenml-server.example.com" \
  -e ZENML_STORE_API_KEY="your-api-key" \
  -e ZENML_ACTIVE_PROJECT_ID="your-project-id" \
  mcp-zenml:apps --transport streamable-http --host 0.0.0.0 --port 8001 \
  --disable-dns-rebinding-protection

2. Mulai tunnel Cloudflare (untuk klien cloud):

npx cloudflared tunnel --url http://localhost:8001

Ini mencetak URL publik seperti https://random-words.trycloudflare.com.

3. Hubungkan klien Anda:

Di Claude Desktop atau klien lain, tambahkan server MCP dengan URL: https://random-words.trycloudflare.com/mcp misalnya:

{
	"servers": {
		"ZenML": {
			"url": "https://USE-YOUR-OWN-URL.trycloudflare.com/mcp",
			"type": "http"
		}
	},
	"inputs": []
}

Minta AI untuk "buka dasbor pipeline run" atau "tampilkan diagram aktivitas run"

Catatan penting:

ZENML_ACTIVE_PROJECT_ID diperlukan — tanpanya, alat pipeline run akan gagal dengan "Tidak ada proyek yang saat ini ditetapkan sebagai aktif"
Flag --disable-dns-rebinding-protection diperlukan saat berjalan di belakang proxy terbalik (cloudflared, ngrok) — aman ketika proxy menangani keamanan
URL tunnel berubah setiap restart — perbarui integrasi klien Anda sesuai

Pengujian & Jaminan Kualitas

Proyek ini mencakup pengujian otomatis untuk memastikan server MCP tetap berfungsi:

🔄 Uji Asap Otomatis: Uji asap komprehensif berjalan setiap 3 hari melalui GitHub Actions
🚨 Pembuatan Isu: Pengujian yang gagal secara otomatis membuat isu GitHub dengan informasi debugging terperinci
⚡ CI Cepat: Menggunakan UV dengan caching untuk instalasi dependensi dan pengujian cepat
🧪 Pengujian Manual: Anda dapat menjalankan uji asap secara lokal menggunakan uv run scripts/test_mcp_server.py server/zenml_server.py

Pengujian otomatis memverifikasi:

Koneksi protokol MCP dan handshake
Inisialisasi server dan penemuan alat
Fungsionalitas alat dasar (ketika server ZenML dapat diakses)
Enumerasi sumber daya dan prompt
diagnose_zenml_setup mengembalikan diagnostik terstruktur bahkan di lingkungan terbatas

Debugging dengan MCP Inspector

Untuk debugging interaktif, gunakan MCP Inspector — alat berbasis web yang memungkinkan Anda menguji alat MCP secara real-time:

# Using .env.local (recommended for development)
cp .env.local.example .env.local  # Then edit with your credentials
source .env.local && npx @modelcontextprotocol/inspector \
  -e ZENML_STORE_URL=$ZENML_STORE_URL \
  -e ZENML_STORE_API_KEY=$ZENML_STORE_API_KEY \
  -- uv run server/zenml_server.py

Ini membuka UI web dengan kredensial Anda yang sudah diisi — cukup klik Connect dan gunakan tab Tools untuk menguji alat apa pun secara interaktif.

Lihat CLAUDE.md untuk instruksi debugging lebih rinci.

Privasi & Analitik

Server MCP ZenML mengumpulkan analitik penggunaan anonim untuk membantu kami meningkatkan produk.

Kami melacak:

Alat mana yang digunakan dan seberapa sering
Tingkat dan jenis kesalahan (hanya jenis kesalahan, tanpa pesan)
Info lingkungan dasar (OS, versi Python, dan apakah berjalan di Docker/CI)
Durasi sesi dan pola penggunaan alat

Kami TIDAK mengumpulkan:

URL server ZenML atau kunci API Anda
Nama pipeline, nama model, atau data bisnis apa pun
Pesan kesalahan atau stack trace
Informasi identitas pribadi apa pun

Untuk menonaktifkan analitik:

# Option 1
export ZENML_MCP_ANALYTICS_ENABLED=false

# Option 2
export ZENML_MCP_DISABLE_ANALYTICS=true

Untuk debugging/pengujian (mencatat peristiwa ke stderr alih-alih mengirim):

export ZENML_MCP_ANALYTICS_DEV=true

Untuk pengguna Docker: Anda dapat mengatur ZENML_MCP_ANALYTICS_ID (harus UUID yang valid) untuk mempertahankan ID anonim yang konsisten di seluruh restart kontainer. Jika Anda tidak mengaturnya dan sistem file kontainer tidak dapat menyimpan file ID analitik, server akan kembali ke UUID anonim deterministik yang berasal dari hash ZENML_STORE_URL (URL itu sendiri tidak pernah dikirim sebagai properti peristiwa).

Opsi analitik tambahan:

ZENML_MCP_ANALYTICS_SHUTDOWN_TIMEOUT_S — waktu maks (detik) untuk menyiram analitik secara sinkron selama shutdown (default: 1.0)

Catatan tentang pelacakan shutdown: Peristiwa shutdown dikirim secara sinkron dengan batas waktu terbatas untuk keandalan pengiriman terbaik. Namun, jika kontainer dimatikan dengan SIGKILL (mis., docker kill), handler shutdown tidak dapat dijalankan — ini adalah batasan Docker/OS, bukan bug.

Validasi Startup

Anda dapat mengaktifkan pemeriksaan diagnostik startup ringan:

# Print warnings but start normally
uv run server/zenml_server.py --startup-validation warn

# Exit non-zero if required setup is missing (useful in Docker/CI)
uv run server/zenml_server.py --startup-validation strict

Anda juga dapat mengatur ini melalui variabel lingkungan: ZENML_MCP_STARTUP_VALIDATION=warn.

Alat diagnose_zenml_setup juga tersedia sebagai alat MCP untuk pemecahan masalah runtime — ia bekerja bahkan ketika SDK ZenML tidak diinstal atau variabel lingkungan hilang.

Pengaturan Manual

Prasyarat

Anda akan memerlukan akses ke server ZenML yang telah dideploy. Jika Anda belum memilikinya, Anda dapat mendaftar untuk uji coba gratis di ZenML Pro dan kami akan mengelola deployment untuk Anda.

Tip: Setelah Anda memiliki server ZenML, lihat halaman Pengaturan MCP di dasbor Anda untuk pengalaman pengaturan termudah.

Kompatibilitas: Server MCP ini diuji dengan dan direkomendasikan untuk ZenML >= 0.93.0. Jika Anda menjalankan versi ZenML yang lebih lama, silakan gunakan rilis sebelumnya dari server MCP ini.

Anda juga (mungkin) perlu menginstal uv secara lokal. Untuk informasi lebih lanjut, lihat dokumentasi uv. Kami merekomendasikan instalasi melalui skrip installer mereka atau melalui brew jika menggunakan Mac. (Secara teknis Anda tidak memerlukannya, tetapi itu membuat instalasi dan pengaturan menjadi mudah.)

Anda juga perlu mengkloning repositori ini di suatu tempat secara lokal:

git clone https://github.com/zenml-io/mcp-zenml.git

File konfigurasi MCP Anda

File konfigurasi MCP adalah file JSON yang memberi tahu klien MCP cara terhubung ke server MCP Anda. Klien MCP yang berbeda akan menggunakan atau menentukan ini secara berbeda. Dua klien MCP yang umum digunakan adalah Claude Desktop dan Cursor, yang untuknya kami menyediakan instruksi instalasi di bawah ini.

Anda perlu menentukan server MCP ZenML Anda dalam format berikut:

{
    "mcpServers": {
        "zenml": {
            "command": "/usr/local/bin/uv",
            "args": ["run", "path/to/server/zenml_server.py"],
            "env": {
                "LOGLEVEL": "WARNING",
                "NO_COLOR": "1",
                "ZENML_LOGGING_COLORS_DISABLED": "true",
                "ZENML_LOGGING_VERBOSITY": "WARN",
                "ZENML_ENABLE_RICH_TRACEBACK": "false",
                "PYTHONUNBUFFERED": "1",
                "PYTHONIOENCODING": "UTF-8",
                "ZENML_STORE_URL": "https://your-zenml-server-goes-here.com",
                "ZENML_STORE_API_KEY": "your-api-key-here"
            }
        }
    }
}

Ada empat nilai dummy yang perlu Anda ganti:

path ke uv yang diinstal secara lokal (path yang tercantum di atas adalah tempatnya di Mac jika Anda menginstalnya melalui brew)
path ke file zenml_server.py (ini adalah file yang akan dijalankan saat Anda terhubung ke server MCP). File ini terletak di dalam repositori ini di root. Anda perlu menentukan path lengkap yang tepat ke file ini.
URL server ZenML (ini adalah URL server ZenML Anda. Anda dapat menemukannya di UI ZenML Cloud). Ini akan terlihat seperti https://d534d987a-zenml.cloudinfra.zenml.io.
kunci API server ZenML (ini adalah kunci API untuk server ZenML Anda. Anda dapat menemukannya di UI ZenML Cloud atau baca dokumen ini tentang cara membuatnya. Untuk keperluan server MCP ZenML kami merekomendasikan menggunakan akun layanan.)

Anda bebas mengubah cara Anda menjalankan file Python server MCP, tetapi menggunakan uv mungkin akan menjadi opsi termudah karena menangani lingkungan dan instalasi dependensi untuk Anda.

Instalasi untuk digunakan dengan Claude Desktop

Alternatif cepat: Gunakan halaman Pengaturan MCP di dasbor ZenML Anda (Pengaturan → MCP) untuk mendapatkan instruksi instalasi yang telah dikonfigurasi dan tautan langsung untuk Claude Desktop.

Anda perlu menginstal versi terbaru Claude Desktop.

Anda cukup membuka menu Pengaturan dan menyeret file mcp-zenml.mcpb dari root repositori ini ke menu dan itu akan memandu Anda melalui proses instalasi dan pengaturan. Anda perlu menambahkan URL server ZenML dan kunci API Anda.

Catatan: Bundel MCP (.mcpb) menggantikan format Ekstensi Desktop (.dxt) yang lebih lama; file .dxt yang ada masih berfungsi di Claude Desktop.

Opsional: Meningkatkan Tampilan Output Alat ZenML

Untuk pengalaman yang lebih baik dengan hasil alat ZenML, Anda dapat mengonfigurasi Claude untuk menampilkan respons JSON dalam format yang lebih mudah dibaca. Di Claude Desktop, buka Pengaturan → Profil, dan di bagian "Preferensi pribadi apa yang harus dipertimbangkan Claude dalam respons?", tambahkan sesuatu seperti berikut (atau gunakan kata-kata persis ini!):

When using zenml tools which return JSON strings and you're asked a question, you might want to consider using markdown tables to summarize the results or make them easier to view!

Ini akan mendorong Claude untuk memformat output alat ZenML sebagai tabel markdown, membuat informasi jauh lebih mudah dibaca dan dipahami.

Instalasi untuk digunakan dengan Cursor

Alternatif cepat: Halaman Pengaturan MCP di dasbor ZenML Anda (Pengaturan → MCP) dapat menghasilkan konten mcp.json yang tepat dengan kredensial Anda yang sudah diisi.

Anda perlu menginstal Cursor.

Cursor bekerja sedikit berbeda dengan Claude Desktop di mana Anda menentukan file konfigurasi per repositori. Ini berarti jika Anda ingin menggunakan server MCP ZenML di beberapa repositori, Anda perlu menentukan file konfigurasi di masing-masing repositori.

Untuk mengaturnya untuk satu repositori, Anda perlu:

membuat folder .cursor di root repositori Anda
di dalamnya, buat file mcp.json dengan konten di atas
masuk ke pengaturan Cursor Anda dan klik server ZenML untuk 'mengaktifkannya'.

Dalam pengalaman kami, terkadang itu menunjukkan indikator kesalahan merah meskipun berfungsi. Anda dapat mencobanya dengan mengobrol di jendela obrolan Cursor. Itu akan memberi tahu Anda apakah dapat mengakses alat ZenML atau tidak.

Gambar Docker

Anda dapat menjalankan server sebagai kontainer Docker. Proses berkomunikasi melalui stdio, sehingga akan menunggu koneksi klien MCP. Berikan kredensial ZenML Anda melalui variabel lingkungan.

Gambar Prebuilt (Docker Hub)

Tarik gambar multi-arch terbaru:

docker pull zenmldocker/mcp-zenml:latest

Rilis berversi ditandai sebagai X.Y.Z:

docker pull zenmldocker/mcp-zenml:1.0.8

Jalankan dengan kredensial ZenML Anda (mode stdio):

docker run -i --rm \
  -e ZENML_STORE_URL="https://your-zenml-server.example.com" \
  -e ZENML_STORE_API_KEY="your-api-key" \
  zenmldocker/mcp-zenml:latest

Konfigurasi MCP kanonik menggunakan Docker

{
  "mcpServers": {
    "zenml": {
      "command": "docker",
      "args": [
        "run", "-i", "--rm",
        "-e", "ZENML_STORE_URL=https://...",
        "-e", "ZENML_STORE_API_KEY=ZENKEY_...",
        "-e", "ZENML_ACTIVE_PROJECT_ID=...",
        "-e", "LOGLEVEL=WARNING",
        "-e", "NO_COLOR=1",
        "-e", "ZENML_LOGGING_COLORS_DISABLED=true",
        "-e", "ZENML_LOGGING_VERBOSITY=WARN",
        "-e", "ZENML_ENABLE_RICH_TRACEBACK=false",
        "-e", "PYTHONUNBUFFERED=1",
        "-e", "PYTHONIOENCODING=UTF-8",
        "zenmldocker/mcp-zenml:latest"
      ]
    }
  }
}

Bangun Secara Lokal

Dari root repositori:

docker build -t zenmldocker/mcp-zenml:local .

Jalankan gambar yang dibangun secara lokal:

docker run -i --rm \
  -e ZENML_STORE_URL="https://your-zenml-server.example.com" \
  -e ZENML_STORE_API_KEY="your-api-key" \
  zenmldocker/mcp-zenml:local

Bundel MCP (.mcpb)

Proyek ini menggunakan Bundel MCP (.mcpb) — penerus Ekstensi Desktop (DXT) Anthropic. Bundel MCP mengemas seluruh server MCP (termasuk dependensi) ke dalam satu file dengan konfigurasi yang ramah pengguna.

Catatan tentang penggantian nama: Bundel MCP menggantikan format .dxt yang lebih lama. Claude Desktop tetap kompatibel mundur dengan file .dxt yang ada, tetapi kami sekarang mengirimkan mcp-zenml.mcpb dan merekomendasikan untuk menggunakannya ke depannya.

File mcp-zenml.mcpb di root repositori berisi semua yang diperlukan untuk menjalankan server MCP ZenML, menghilangkan kebutuhan akan langkah instalasi manual yang rumit. Ini membuat integrasi ZenML yang kuat dapat diakses oleh pengguna tanpa memerlukan keahlian pengaturan teknis.

Saat Anda menyeret dan menjatuhkan file .mcpb ke pengaturan Claude Desktop, itu secara otomatis menangani:

Instalasi dependensi runtime
Manajemen konfigurasi yang aman
Kompatibilitas lintas platform
Proses pengaturan yang ramah pengguna

Untuk informasi lebih lanjut, lihat pengumuman Anthropic tentang Ekstensi Desktop (DXT) dan panduan pengemasan bundel MCP terkait dalam dokumentasi mereka: https://www.anthropic.com/engineering/desktop-extensions

Diterbitkan di Registri MCP Anthropic

Server MCP ini diterbitkan ke Registri MCP Anthropic resmi dan dapat ditemukan oleh host yang kompatibel. Pada setiap rilis bertag, CI kami memperbarui entri registri melalui CLI mcp-publisher registri menggunakan GitHub OIDC, sehingga Anda dapat menginstal atau menemukan Server MCP ZenML langsung di mana pun registri didukung (mis., katalog Ekstensi Claude Desktop).

Selalu terbaru: entri registri disegarkan dengan setiap rilis dari manifest.json dan server.json komit bertag.
Jalur instalasi alternatif: Anda masih dapat menginstal secara lokal melalui bundel .mcpb yang dikemas (lihat di atas) atau menjalankan gambar Docker.

Pelajari lebih lanjut tentang registri di sini:

Registri MCP Anthropic (repositori komunitas): https://github.com/modelcontextprotocol/registry