MLflow MCP

Servidor MLflow MCP

Um servidor Model Context Protocol (MCP) que permite que LLMs interajam com servidores de tracking do MLflow. Consulte experimentos, analise runs, compare métricas, gerencie o model registry e promova modelos para produção — tudo por meio de linguagem natural.

Recursos

• Gerenciamento de Experimentos: Liste, pesquise e filtre experimentos
• Análise de Runs: Consulte runs, compare métricas, encontre os modelos com melhor desempenho
• Métricas e Parâmetros: Obtenha históricos de métricas, compare parâmetros entre runs
• Artefatos: Navegue e baixe artefatos de runs
• Suporte a LoggedModel: Pesquise e recupere entidades LoggedModel do MLflow 3
• Model Registry: Gerenciamento completo do registry — registre, adicione tags, crie aliases, defina estágios e promova modelos
• Ações de Escrita e Exclusão: Adicione tags, crie aliases, registre, promova e exclua runs/experimentos/modelos
• MCP Prompts: Fluxos de trabalho guiados integrados para tarefas comuns
• Paginação: Paginação baseada em offset para navegar em grandes conjuntos de resultados

Instalação

Usando uvx (Recomendado)

# Run directly without installation
uvx mlflow-mcp

# Or install globally
pip install mlflow-mcp

A partir do código-fonte

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

Configuração

Claude Desktop

Adicione ao seu arquivo de configuração do Claude Desktop:

• macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
• Windows: %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"
      }
    }
  }
}

Claude Code (escopo do projeto)

Adicione .mcp.json à raiz do seu projeto:

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

Servidor Autenticado

Para servidores MLflow com autenticação, adicione credenciais ao bloco env:

{
  "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"
      }
    }
  }
}

Para Databricks ou autenticação baseada em token, use MLFLOW_TRACKING_TOKEN em vez disso:

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

Variáveis de Ambiente

Ferramentas

Experimentos

Runs

Métricas e Parâmetros

Artefatos

Análise e Comparação

Logged Models (MLflow 3)

Model Registry

Saúde

Prompts

Fluxos de trabalho guiados integrados disponíveis como comandos de barra (slash commands) no Claude:

Exemplos de Uso

Explore experimentos e runs

"Mostre-me todos os experimentos. Quais foram atualizados recentemente?"

"Quais métricas e parâmetros são rastreados no experimento 'fraud-detection'?"

"Obtenha os 10 melhores runs em 'fraud-detection' ordenados por test/f1. Mostre-me os parâmetros que mais diferem entre os 3 primeiros."

"Encontre todos os runs com a tag model_type=lightgbm e compare suas pontuações de recall."

Analise um run de treinamento

"Mostre-me os detalhes completos do run abc123 — métricas, parâmetros e artefatos."

"Plote a curva de perda de treinamento do run abc123." (O Claude busca o histórico de métricas e renderiza um gráfico)

"Este run tem um pai — mostre-me o run pai e compare suas métricas."

Encontre e registre o melhor modelo

"Encontre o melhor logged model no experimento 'fraud-detection' por test/recall. Registre-o como 'fraud-classifier' com uma tag selection_metric."

"Qual logged model nos experimentos 1 e 2 tem a maior pontuação F1 no conjunto de validação?"

"Registre o modelo do run abc123 no caminho de artefato 'model/' como 'my-classifier'."

Gerencie o model registry

"Mostre-me todas as versões de 'fraud-classifier' com seus aliases e estágios."

"Defina o alias champion na versão 3 do fraud-classifier."

"Atualize a descrição do fraud-classifier v3 para explicar em qual dataset ele foi treinado."

"Copie o fraud-classifier v3 para um modelo separado 'fraud-classifier-prod' como a entrada de produção."

Audite sua configuração do MLflow

"Audite minha configuração do MLflow"

(Aciona o prompt integrado audit_mlflow_setup — o Claude explora experimentos, runs, artefatos e o model registry, e então pontua cada área em relação às melhores práticas do Google/Databricks)

| 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

Fluxo de promoção ponta a ponta

"Encontre o melhor modelo em 'fraud-detection' por test/recall, registre-o como 'fraud-classifier', adicione tags com o framework e o tipo de problema, e defina-o como champion. Pergunte-me antes de copiar para produção."

(Isso corresponde diretamente ao prompt integrado promote_best_model)

Depuração

Use o MCP Inspector para navegar pelas ferramentas, chamá-las com entradas personalizadas e inspecionar respostas brutas — sem envolver um LLM.

Pacote publicado:

npx @modelcontextprotocol/inspector uvx mlflow-mcp

Código-fonte local:

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

Defina MLFLOW_TRACKING_URI no painel de ambiente do Inspector, ou passe-o inline:

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

Requisitos

• Python >=3.10
• MLflow >=3.4.0
• Acesso a um servidor de tracking do MLflow

Licença

Licença MIT — consulte o arquivo LICENSE para obter detalhes.

Contribuição

Contribuições são bem-vindas! Abra uma issue ou envie um pull request.

Links

• PyPI Package
• GitHub Repository
• MLflow Documentation
• Model Context Protocol