Optuna MCP Server
Automatize otimização e análise usando Optuna.
Documentação
Servidor MCP Optuna
Um servidor Model Context Protocol (MCP) que automatiza otimização e análise usando Optuna.
Casos de Uso
O Servidor MCP Optuna pode ser usado nos seguintes casos de uso, por exemplo.
- Otimização automatizada de hiperparâmetros por LLMs
- Análise interativa dos resultados de otimização do Optuna via interface de chat
- Otimizar entrada e saída de outras ferramentas MCP
Para detalhes, veja a seção Exemplos.
Instalação
O servidor MCP Optuna pode ser instalado usando uv ou Docker.
Esta seção explica como instalar o servidor MCP Optuna, usando o Claude Desktop como exemplo de cliente MCP.
Uso com uv
Antes de iniciar o processo de instalação, instale uv da Astral.
Em seguida, adicione a configuração do servidor MCP Optuna ao cliente MCP.
Para incluí-lo no Claude Desktop, vá em Claude > Configurações > Desenvolvedor > Editar Config > claude_desktop_config.json
e adicione o seguinte:
{
"mcpServers": {
"Optuna": {
"command": "/path/to/uvx",
"args": [
"optuna-mcp"
]
}
}
}
Além disso, você pode especificar o armazenamento do Optuna com o argumento --storage para persistir os resultados.
{
"mcpServers": {
"Optuna": {
"command": "/path/to/uvx",
"args": [
"optuna-mcp",
"--storage",
"sqlite:///optuna.db"
]
}
}
}
Após adicionar isso, reinicie o aplicativo Claude Desktop. Para mais informações sobre o Claude Desktop, consulte a página de início rápido.
Uso com Docker
Você também pode executar o servidor MCP Optuna usando Docker. Certifique-se de ter o Docker instalado e em execução na sua máquina.
{
"mcpServers": {
"Optuna": {
"command": "docker",
"args": [
"run",
"-i",
"--rm",
"--net=host",
"-v",
"/PATH/TO/LOCAL/DIRECTORY/WHICH/INCLUDES/DB/FILE:/app/workspace",
"ghcr.io/optuna/optuna-mcp:latest",
"--storage",
"sqlite:////app/workspace/optuna.db"
]
}
}
}
Ferramentas fornecidas pelo MCP Optuna
O MCP Optuna fornece as seguintes ferramentas. Especificamente, oferece funções primitivas do Optuna, como Study, Trial, Visualization e Dashboard. Como os clientes MCP conhecem a lista de ferramentas e os detalhes de cada ferramenta, os usuários não precisam lembrar desses detalhes.
Study
- create_study - Cria um novo estudo Optuna com o study_name e direções fornecidos.
Se o estudo já existir, ele será simplesmente carregado.
study_name: nome do estudo (string, obrigatório).directions: As direções da otimização (lista de strings literais minimize/maximize, opcional).
- set_sampler - Define o amostrador para o estudo.
name: o nome do amostrador (string, obrigatório).
- get_all_study_names - Obtém todos os nomes de estudos do armazenamento.
- set_metric_names - Define metric_names. Metric_names são rótulos usados para distinguir o que cada valor objetivo representa.
metric_names: A lista de nomes de métricas para cada objetivo (lista de strings, obrigatório).
- get_metric_names - Obtém metric_names.
- Nenhum parâmetro necessário.
- get_directions - Obtém as direções do estudo.
- Nenhum parâmetro necessário.
- get_trials - Obtém todos os trials em formato CSV.
- Nenhum parâmetro necessário.
- best_trial - Obtém o melhor trial.
- Nenhum parâmetro necessário.
- best_trials - Retorna os trials localizados na frente de Pareto no estudo.
- Nenhum parâmetro necessário.
Trial
- ask - Sugere novos parâmetros usando Optuna.
search_space: o espaço de busca para Optuna (dicionário, obrigatório).
- tell - Relata o resultado de um trial.
trial_number: o número do trial (inteiro, obrigatório).values: o resultado do trial (float ou lista de floats, obrigatório).
- set_trial_user_attr - Define atributos de usuário para um trial.
trial_number: o número do trial (inteiro, obrigatório).key: a chave do atributo de usuário (string, obrigatório).value: o valor do atributo de usuário (qualquer tipo, obrigatório).
- get_trial_user_attrs - Obtém atributos de usuário em um trial.
trial_number: o número do trial (inteiro, obrigatório).
Visualização
- plot_optimization_history - Retorna o gráfico do histórico de otimização como imagem.
target: índice para especificar qual valor exibir (inteiro, opcional).target_name: nome do alvo para exibir no rótulo do eixo (string, opcional).
- plot_hypervolume_history - Retorna o gráfico do histórico de hipervolume como imagem.
reference_point: uma lista de pontos de referência para calcular o hipervolume (lista de floats, obrigatório).
- plot_pareto_front - Retorna o gráfico da frente de Pareto como imagem para otimização multiobjetivo.
target_names: lista de nomes de objetivos usados como títulos dos eixos (lista de strings, opcional).include_dominated_trials: um sinalizador para incluir todos os valores objetivos dos trials dominados (booleano, opcional).targets: uma lista de índices para especificar os valores objetivos a exibir (lista de inteiros, opcional).
- plot_contour - Retorna o gráfico de contorno como imagem.
params: lista de parâmetros para visualizar (lista de strings, opcional).target: um índice para especificar o valor a exibir (inteiro, obrigatório).target_name: nome do alvo para exibir na barra de cores (string, obrigatório).
- plot_parallel_coordinate - Retorna o gráfico de coordenadas paralelas como imagem.
params: lista de parâmetros para visualizar (lista de strings, opcional).target: um índice para especificar o valor a exibir (inteiro, obrigatório).target_name: nome do alvo para exibir no rótulo do eixo e na legenda (string, obrigatório).
- plot_slice - Retorna o gráfico de fatias como imagem.
params: lista de parâmetros para visualizar (lista de strings, opcional).target: um índice para especificar o valor a exibir (inteiro, obrigatório).target_name: nome do alvo para exibir no rótulo do eixo (string, obrigatório).
- plot_param_importances - Retorna o gráfico de importâncias dos parâmetros como imagem.
params: lista de parâmetros para visualizar (lista de strings, opcional).target: um índice para especificar o valor a exibir (inteiro/null, opcional).target_name: nome do alvo para exibir na legenda (string, obrigatório).
- plot_edf - Retorna o gráfico EDF como imagem.
target: um índice para especificar o valor a exibir (inteiro, obrigatório).target_name: nome do alvo para exibir no rótulo do eixo (string, obrigatório).
- plot_timeline - Retorna o gráfico de linha do tempo como imagem.
- Nenhum parâmetro necessário.
- plot_rank - Retorna o gráfico de classificação como imagem.
params: lista de parâmetros para visualizar (lista de strings, opcional).target: um índice para especificar o valor a exibir (inteiro, obrigatório).target_name: nome do alvo para exibir na barra de cores (string, obrigatório).
Painel Web
- launch_optuna_dashboard - Inicia o painel do Optuna.
port: porta do servidor (inteiro, opcional, padrão: 58080).
Exemplos
- Otimizando a função 2D-Sphere
- Iniciando o painel do Optuna e analisando resultados de otimização
- Otimizando os parâmetros de codificação do FFmpeg
- Otimizando a receita de biscoitos
- Otimizando a configuração do Matplotlib
Otimizando a Função 2D-Sphere
Aqui apresentamos um exemplo simples de otimização da função 2D-Sphere, junto com exemplos de prompts e o resumo das respostas do LLM.
| Prompt do usuário | Saída no Claude |
|---|---|
| (Iniciar Claude Desktop) |  |
| Por favor, crie um estudo Optuna chamado "Optimize-2D-Sphere" para minimização. |  |
| Por favor, sugira dois parâmetros float x, y em [-1, 1]. |  |
| Por favor, relate o valor objetivo x**2 + y**2. Para calcular o valor, use o interpretador JavaScript e não arredonde os valores. |  |
| Por favor, sugira outro conjunto de parâmetros e avalie-o. |  |
| Por favor, plote o histórico de otimização até agora. | |
Iniciando o Painel do Optuna e Analisando Resultados de Otimização
Você também pode iniciar o painel do Optuna via servidor MCP para analisar os resultados de otimização interativamente.
| Prompt do usuário | Saída no Claude |
|---|---|
| Por favor, inicie o painel do Optuna. |  |
Por padrão, o painel do Optuna será iniciado na porta 58080.
Você pode acessá-lo navegando para http://localhost:58080 no seu navegador web, como mostrado abaixo:
O painel do Optuna fornece várias visualizações para analisar os resultados de otimização, como histórico de otimização, importâncias de parâmetros e mais.
Otimizando os Parâmetros de Codificação do FFmpeg
Esta demonstração mostra como usar o servidor MCP Optuna para encontrar automaticamente parâmetros ideais de codificação do FFmpeg. Ele otimiza opções de codificação x264 para maximizar a qualidade do vídeo (medida pela pontuação SSIM) enquanto mantém o tempo de codificação razoável.
Consulte examples/ffmpeg para detalhes.
Otimizando a Receita de Biscoitos
Neste exemplo, otimizaremos uma receita de biscoitos, referenciando o artigo intitulado "Bayesian Optimization for a Better Dessert".
Consulte examples/cookie-recipe para detalhes.
Otimizando a Configuração do Matplotlib
 |  |
Este exemplo otimiza uma configuração do Matplotlib.
Consulte examples/auto-matplotlib para detalhes.
Licença
Licença MIT (veja LICENSE).