ZenML MCP Server

официальный

Взаимодействуйте с вашими MLOps и LLMOps пайплайнами через ваш ZenML MCP сервер

Документация

MCP-сервер для ZenML

Этот проект реализует сервер Model Context Protocol (MCP) для взаимодействия с API ZenML.

ZenML MCP Server

Что такое MCP?

Model Context Protocol (MCP) — это открытый протокол, стандартизирующий способ предоставления контекста большим языковым моделям (LLM) приложениями. Он действует как «USB-C порт для AI-приложений» — предоставляя стандартизированный способ подключения AI-моделей к различным источникам данных и инструментам.

MCP следует клиент-серверной архитектуре, где:

MCP-хосты: Программы вроде Claude Desktop или IDE, которые хотят получать данные через MCP
MCP-клиенты: Клиенты протокола, поддерживающие соединения 1:1 с серверами
MCP-серверы: Легковесные программы, предоставляющие определённые возможности через стандартизированный протокол
Локальные источники данных: Файлы, базы данных и сервисы вашего компьютера, к которым MCP-серверы могут безопасно обращаться
Удалённые сервисы: Внешние системы, доступные через интернет, к которым MCP-серверы могут подключаться

Что такое ZenML?

ZenML — это опенсорсная платформа для построения и управления ML и AI пайплайнами. Она предоставляет унифицированный интерфейс для управления данными, моделями и экспериментами.

Для получения дополнительной информации посетите веб-сайт ZenML и нашу документацию.

Возможности

Сервер предоставляет инструменты MCP для доступа к основным функциям чтения с сервера ZenML, позволяя получать актуальную информацию о:

Основные сущности

Пользователи — учётные записи и разрешения
Стеки — конфигурации инфраструктуры
Компоненты стека — отдельные строительные блоки стека
Разновидности (Flavors) — доступные типы компонентов
Сервисные коннекторы — облачная аутентификация

Выполнение пайплайнов

Пайплайны — определения пайплайнов
Запуски пайплайнов — история выполнения и статус
Шаги пайплайнов — детали отдельных шагов, код и логи
Расписания — автоматические расписания запусков
Артефакты — метаданные об артефактах данных (не сами данные)

Развёртывание и обслуживание

Снимки (Snapshots) — замороженные конфигурации пайплайнов (артефакт «что запускать/обслуживать»)
Развёртывания — экземпляры работающего обслуживания со статусом, URL и логами
Сервисы — конечные точки обслуживания моделей

Организация и обнаружение

Проекты — организационные контейнеры для ресурсов ZenML
Теги — сквозные метки метаданных для обнаружения
Сборки — артефакты сборки пайплайнов с информацией об образе и коде

Модели

Модели — записи реестра ML-моделей
Версии моделей — версионированные артефакты моделей

Устаревшее (рекомендуется миграция)

~~Шаблоны запуска пайплайнов~~ → используйте Снимки (Snapshots) (см. Руководство по миграции)

Сервер также позволяет запускать новые пайплайны, используя снимки (предпочтительно) или шаблоны запуска (устаревший способ).

Примечание: Мы постоянно улучшаем эту интеграцию на основе отзывов пользователей. Присоединяйтесь к нашему Slack-сообществу, чтобы поделиться опытом и помочь нам сделать её ещё лучше!

Доступные инструменты

MCP-сервер предоставляет следующие инструменты, сгруппированные по категориям:

Выполнение пайплайнов (Новое в v1.2)

Инструмент	Описание
`get_snapshot`	Получить замороженную конфигурацию пайплайна по имени/ID
`list_snapshots`	Список снимков с фильтрами (runnable, deployable, deployed, tag)
`get_deployment`	Получить статус выполнения и URL развёртывания
`list_deployments`	Список развёртываний с фильтрами (status, pipeline, tag)
`get_deployment_logs`	Получить ограниченные логи развёртывания (по умолчанию tail=100, макс. 1000)
`trigger_pipeline`	Запустить пайплайн (предпочитайте параметр `snapshot_name_or_id`)

Организация (Новое в v1.2)

Инструмент	Описание
`get_active_project`	Получить текущий активный проект
`get_project`	Получить детали проекта по имени/ID
`list_projects`	Список всех проектов
`get_tag`	Получить детали тега (эксклюзивность, цвета)
`list_tags`	Список тегов с фильтрами (resource_type)
`get_build`	Получить детали сборки (образ, встраивание кода)
`list_builds`	Список сборок с фильтрами (is_local, contains_code)

Основные сущности

Инструмент	Описание
`get_user`, `list_users`, `get_active_user`	Управление пользователями
`get_stack`, `list_stacks`	Конфигурации стеков
`get_stack_component`, `list_stack_components`	Компоненты стека
`get_flavor`, `list_flavors`	Разновидности компонентов
`get_service_connector`, `list_service_connectors`	Облачные коннекторы
`get_pipeline_run`, `list_pipeline_runs`	Запуски пайплайнов
`get_run_step`, `list_run_steps`	Детали шагов
`get_step_logs`, `get_step_code`	Логи шагов и исходный код
`list_pipelines`, `get_pipeline_details`	Определения пайплайнов
`get_schedule`, `list_schedules`	Расписания
`list_artifacts`	Метаданные артефактов
`list_secrets`	Имена секретов (не значения)
`get_service`, `list_services`	Сервисы моделей
`get_model`, `list_models`	Реестр моделей
`get_model_version`, `list_model_versions`	Версии моделей

Интерактивные приложения (Экспериментально)

Инструмент	Описание
`open_pipeline_run_dashboard`	Открыть интерактивную панель запусков пайплайнов (MCP App)
`open_run_activity_chart`	Открыть столбчатую диаграмму активности запусков за 30 дней (MCP App)

Инструменты анализа

Инструмент	Описание
`stack_components_analysis`	Анализ использования компонентов стека
`recent_runs_analysis`	Анализ недавних запусков пайплайнов
`most_recent_runs`	Получить N последних запусков

Диагностика

Инструмент	Описание
`diagnose_zenml_setup`	Диагностика настройки сервера (переменные окружения, SDK, связность, аутентификация). Работает даже при неправильной конфигурации.

Устаревшие инструменты

Инструмент	Замена
`get_run_template`	Используйте `get_snapshot`
`list_run_templates`	Используйте `list_snapshots`
`trigger_pipeline(template_id=...)`	Используйте `trigger_pipeline(snapshot_name_or_id=...)`

Миграция: Шаблоны запуска → Снимки

Зачем это изменение? ZenML развил концепцию «артефакта запускаемого пайплайна». Шаблоны запуска теперь являются устаревшими обёртками, которые внутренне просто указывают на снимки. В новом коде следует использовать снимки напрямую.

Краткое руководство по миграции

Старый подход (Шаблоны)	Новый подход (Снимки)
`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=...)`

Пример рабочего процесса (Сначала снимок)

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)

Примечание: get_deployment_logs возвращает ограниченный вывод (по умолчанию 100 строк, макс. 1000, ограничено 100 КБ) и требует установки соответствующей интеграции развёртывания.

Быстрая настройка через панель управления (Рекомендуется)

Самый простой способ настроить ZenML MCP Server — через страницу MCP Settings вашей панели управления ZenML.

MCP Settings Page

Перейдите в Settings → MCP на панели управления ZenML, чтобы получить:

Готовые фрагменты конфигурации для вашего конкретного URL сервера и учётных данных
Установку в один клик через глубокие ссылки для поддерживаемых IDE
Конфигурации для копирования для VS Code, Claude Desktop, Cursor, Claude Code, OpenAI Codex и других
Варианты Docker и uv в зависимости от ваших предпочтений

Пользователи ZenML Pro

Страница MCP Settings позволяет сгенерировать персональный токен доступа (PAT) одним кликом. Токен автоматически включается во все сгенерированные фрагменты конфигурации.

Пользователи ZenML OSS

Сначала создайте токен сервисного аккаунта через Settings → Service Accounts
Вставьте токен на страницу MCP Settings
Скопируйте сгенерированную конфигурацию для вашей IDE

Предпочитаете ручную настройку? Смотрите подробные инструкции ниже.

MCP Apps (Экспериментально)

Что такое MCP Apps? MCP Apps — это интерактивные HTML-интерфейсы, которые MCP-серверы могут предоставлять напрямую AI-клиентам. Они отображаются в изолированных iframe и могут двунаправленно вызывать инструменты сервера. Подробнее см. в официальном анонсе.

Run Activity Chart

Этот сервер включает два экспериментальных MCP App:

Приложение	Инструмент	Описание
Панель запусков пайплайнов	`open_pipeline_run_dashboard`	Интерактивная таблица недавних запусков пайплайнов со статусом, деталями шагов и логами
Диаграмма активности запусков	`open_run_activity_chart`	Столбчатая диаграмма активности запусков пайплайнов за последние 30 дней с разбивкой по статусам

Pipeline Runs Dashboard

Эти приложения включены как примеры концепции. Мы приветствуем отзывы и вклад в создание новых MCP Apps. Это всё ещё ранняя стадия для данной функции, так что посмотрим, как она будет развиваться. Мы планируем поддерживать её более полно в будущем.

Поддерживаемые клиенты

MCP Apps требуют транспорт Streamable HTTP (не stdio). Следующие клиенты в настоящее время поддерживают MCP Apps:

✅ VS Code (Insiders Edition)
✅ Goose
✅ ChatGPT (скоро запуск)
⚠️ Claude Desktop — по состоянию на конец января 2026 года пока не отображает Apps.
⚠️ Claude.ai (веб) — по состоянию на конец января 2026 года пока не отображает Apps.

Примечание: На момент написания мы не смогли тщательно протестировать с Claude Desktop или Claude.ai. Если вы столкнётесь с проблемами, пожалуйста, сообщите о них.

Запуск MCP Apps с Docker

MCP Apps требуют транспорт Streamable HTTP и публично доступный URL (для облачных клиентов, таких как Claude.ai). Простейшая настройка использует Docker + туннель Cloudflare:

1. Соберите и запустите контейнер 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. Запустите туннель Cloudflare (для облачных клиентов):

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

Это выведет публичный URL, например https://random-words.trycloudflare.com.

3. Подключите ваш клиент:

В Claude Desktop или других клиентах добавьте MCP-сервер с URL: https://random-words.trycloudflare.com/mcp, например:

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

Попросите AI «открыть панель запусков пайплайнов» или «показать диаграмму активности запусков»

Важные замечания:

ZENML_ACTIVE_PROJECT_ID обязателен — без него инструменты запуска пайплайнов будут завершаться ошибкой «No project is currently set as active»
Флаг --disable-dns-rebinding-protection необходим при работе за обратными прокси (cloudflared, ngrok) — это безопасно, когда прокси обрабатывает безопасность
URL туннеля меняется при каждом перезапуске — обновляйте интеграцию вашего клиента соответственно

Тестирование и обеспечение качества

Этот проект включает автоматизированное тестирование для обеспечения работоспособности MCP-сервера:

🔄 Автоматизированные дымовые тесты: Комплексный дымовой тест запускается каждые 3 дня через GitHub Actions
🚨 Создание задач: Упавшие тесты автоматически создают задачи на GitHub с подробной отладочной информацией
⚡ Быстрый CI: Использует UV с кэшированием для быстрой установки зависимостей и тестирования
🧪 Ручное тестирование: Вы можете запустить дымовой тест локально, используя uv run scripts/test_mcp_server.py server/zenml_server.py

Автоматические тесты проверяют:

Соединение и рукопожатие протокола MCP
Инициализацию сервера и обнаружение инструментов
Базовую функциональность инструментов (когда сервер ZenML доступен)
Перечисление ресурсов и подсказок
diagnose_zenml_setup возвращает структурированную диагностику даже в ограниченных средах

Отладка с помощью MCP Inspector

Для интерактивной отладки используйте MCP Inspector — веб-инструмент, позволяющий тестировать инструменты MCP в реальном времени:

# 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

Это открывает веб-интерфейс с предварительно заполненными учётными данными — просто нажмите Connect и используйте вкладку Tools для интерактивного тестирования любого инструмента.

Смотрите CLAUDE.md для более подробных инструкций по отладке.

Конфиденциальность и аналитика

ZenML MCP Server собирает анонимную аналитику использования, чтобы помочь нам улучшить продукт.

Мы отслеживаем:

Какие инструменты используются и как часто
Частоту и типы ошибок (только тип ошибки, без сообщений)
Базовую информацию об окружении (ОС, версия Python, запущено ли в Docker/CI)
Продолжительность сессии и шаблоны использования инструментов

Мы НЕ собираем:

URL вашего сервера ZenML или API-ключ
Имена пайплайнов, моделей или любые бизнес-данные
Сообщения об ошибках или трассировку стека
Любую персонально идентифицируемую информацию

Чтобы отключить аналитику:

# Option 1
export ZENML_MCP_ANALYTICS_ENABLED=false

# Option 2
export ZENML_MCP_DISABLE_ANALYTICS=true

Для отладки/тестирования (логирует события в stderr вместо отправки):

export ZENML_MCP_ANALYTICS_DEV=true

Для пользователей Docker: Вы можете задать ZENML_MCP_ANALYTICS_ID (должен быть действительным UUID), чтобы сохранять согласованный анонимный идентификатор между перезапусками контейнера. Если вы не зададите его, а файловая система контейнера не сможет сохранить файл идентификатора аналитики, сервер переключится на детерминированный анонимный UUID, полученный из хеша ZENML_STORE_URL (сам URL никогда не отправляется как свойство события).

Дополнительные параметры аналитики:

ZENML_MCP_ANALYTICS_SHUTDOWN_TIMEOUT_S — максимальное время (в секундах) для синхронной отправки аналитики при завершении работы (по умолчанию: 1.0)

Примечание об отслеживании завершения работы: События завершения работы отправляются синхронно с ограниченным тайм-аутом для максимальной надежности доставки. Однако если контейнер уничтожается с помощью SIGKILL (например, docker kill), обработчики завершения работы не могут сработать — это ограничение Docker/ОС, а не ошибка.

Проверка при запуске

Вы можете включить облегченную диагностическую проверку при запуске:

# 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

Вы также можете задать это через переменную окружения: ZENML_MCP_STARTUP_VALIDATION=warn.

Инструмент diagnose_zenml_setup также доступен как инструмент MCP для устранения неполадок во время выполнения — он работает, даже если ZenML SDK не установлен или отсутствуют переменные окружения.

Ручная настройка

Предварительные требования

Вам потребуется доступ к развернутому серверу ZenML. Если у вас его нет, вы можете зарегистрироваться для бесплатной пробной версии на ZenML Pro, и мы развернем его для вас.

Совет: Получив сервер ZenML, загляните на страницу настроек MCP в вашей панели управления для самого простого способа настройки.

Совместимость: Этот MCP-сервер протестирован и рекомендуется для ZenML >= 0.93.0. Если вы используете более старую версию ZenML, пожалуйста, используйте более ранний релиз этого MCP-сервера.

Вам также (вероятно) потребуется установить uv локально. Для получения дополнительной информации см. документацию uv. Мы рекомендуем установку через их скрипт установки или через brew, если вы используете Mac. (Технически он вам не нужен, но он упрощает установку и настройку.)

Вам также потребуется клонировать этот репозиторий куда-нибудь локально:

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

Ваш файл конфигурации MCP

Файл конфигурации MCP — это JSON-файл, который сообщает MCP-клиенту, как подключиться к вашему MCP-серверу. Разные MCP-клиенты используют или задают его по-разному. Два часто используемых MCP-клиента — Claude Desktop и Cursor, для которых мы предоставляем инструкции по установке ниже.

Вам нужно будет указать ваш ZenML MCP-сервер в следующем формате:

{
    "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"
            }
        }
    }
}

Есть четыре фиктивных значения, которые вам нужно будет заменить:

путь к вашему локально установленному uv (путь, указанный выше, — это то, где он находился бы на Mac, если бы вы установили его через brew)
путь к файлу zenml_server.py (это файл, который будет запускаться при подключении к MCP-серверу). Этот файл находится в корне этого репозитория. Вам нужно будет указать точный полный путь к этому файлу.
URL сервера ZenML (это URL вашего сервера ZenML. Вы можете найти его в пользовательском интерфейсе ZenML Cloud). Он будет выглядеть примерно как https://d534d987a-zenml.cloudinfra.zenml.io.
ключ API сервера ZenML (это ключ API для вашего сервера ZenML. Вы можете найти его в пользовательском интерфейсе ZenML Cloud или прочитать эту документацию о том, как его создать. Для целей ZenML MCP-сервера мы рекомендуем использовать сервисный аккаунт.)

Вы можете изменить способ запуска файла Python MCP-сервера, но использование uv, вероятно, будет самым простым вариантом, поскольку он управляет окружением и установкой зависимостей за вас.

Установка для использования с Claude Desktop

Быстрая альтернатива: Используйте страницу настроек MCP в вашей панели управления ZenML (Настройки → MCP), чтобы получить предварительно настроенные инструкции по установке и глубокие ссылки для Claude Desktop.

Вам потребуется установить последнюю версию Claude Desktop.

Вы можете просто открыть меню настроек и перетащить файл mcp-zenml.mcpb из корня этого репозитория в меню, и он проведет вас через процесс установки и настройки. Вам нужно будет добавить URL вашего сервера ZenML и ключ API.

Примечание: пакеты MCP (.mcpb) заменяют старый формат Desktop Extensions (.dxt); существующие файлы .dxt по-прежнему работают в Claude Desktop.

Дополнительно: Улучшение отображения вывода инструментов ZenML

Для лучшего восприятия результатов инструментов ZenML вы можете настроить Claude на отображение JSON-ответов в более читаемом формате. В Claude Desktop перейдите в Настройки → Профиль и в разделе «Какие личные предпочтения Claude должен учитывать в ответах?» добавьте что-то вроде следующего (или используйте именно эти слова!):

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!

Это побудит Claude форматировать вывод инструментов ZenML в виде таблиц markdown, делая информацию гораздо более легкой для чтения и понимания.

Установка для использования с Cursor

Быстрая альтернатива: Страница настроек MCP в вашей панели управления ZenML (Настройки → MCP) может сгенерировать точное содержимое mcp.json с предварительно заполненными учетными данными.

Вам потребуется установить Cursor.

Cursor работает немного иначе, чем Claude Desktop: вы указываете файл конфигурации для каждого репозитория. Это означает, что если вы хотите использовать ZenML MCP-сервер в нескольких репозиториях, вам нужно будет указать файл конфигурации в каждом из них.

Чтобы настроить его для одного репозитория, вам нужно будет:

создать папку .cursor в корне вашего репозитория
внутри нее создать файл mcp.json с содержимым, указанным выше
зайти в настройки Cursor и нажать на ZenML сервер, чтобы «включить» его.

По нашему опыту, иногда он показывает красный индикатор ошибки, даже если он работает. Вы можете проверить это, пообщавшись в окне чата Cursor. Он даст вам знать, может ли он получить доступ к инструментам ZenML или нет.

Образ Docker

Вы можете запустить сервер как контейнер Docker. Процесс обменивается данными через stdio, поэтому он будет ждать подключения MCP-клиента. Передайте ваши учетные данные ZenML через переменные окружения.

Готовые образы (Docker Hub)

Загрузите последний мульти-архитектурный образ:

docker pull zenmldocker/mcp-zenml:latest

Версионные релизы помечаются как X.Y.Z:

docker pull zenmldocker/mcp-zenml:1.0.8

Запустите с вашими учетными данными ZenML (режим 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

Каноническая конфигурация MCP с использованием 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"
      ]
    }
  }
}

Локальная сборка

Из корня репозитория:

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

Запустите локально собранный образ:

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

Пакеты MCP (.mcpb)

Этот проект использует пакеты MCP (.mcpb) — преемника Desktop Extensions (DXT) от Anthropic. Пакеты MCP упаковывают весь MCP-сервер (включая зависимости) в один файл с удобной для пользователя конфигурацией.

Примечание о переименовании: Пакеты MCP заменяют старый формат .dxt. Claude Desktop сохраняет обратную совместимость с существующими файлами .dxt, но теперь мы поставляем mcp-zenml.mcpb и рекомендуем использовать его в дальнейшем.

Файл mcp-zenml.mcpb в корне репозитория содержит все необходимое для запуска ZenML MCP-сервера, устраняя необходимость в сложных шагах ручной установки. Это делает мощные интеграции ZenML доступными для пользователей без необходимости технических знаний по настройке.

Когда вы перетаскиваете файл .mcpb в настройки Claude Desktop, он автоматически обрабатывает:

Установку зависимостей времени выполнения
Безопасное управление конфигурацией
Кроссплатформенную совместимость
Удобный процесс настройки

Для получения дополнительной информации см. анонс Desktop Extensions (DXT) от Anthropic и соответствующее руководство по упаковке пакетов MCP в их документации: https://www.anthropic.com/engineering/desktop-extensions

Опубликовано в реестре Anthropic MCP

Этот MCP-сервер опубликован в официальном реестре Anthropic MCP и доступен для обнаружения совместимыми хостами. При каждом тегированном релизе наш CI обновляет запись в реестре через CLI mcp-publisher реестра, используя GitHub OIDC, так что вы можете установить или обнаружить ZenML MCP Server напрямую везде, где поддерживается реестр (например, каталог расширений Claude Desktop).

Всегда актуально: запись в реестре обновляется с каждым релизом из manifest.json и server.json тегированного коммита.
Альтернативные пути установки: вы по-прежнему можете установить локально через упакованный пакет .mcpb (см. выше) или запустить образ Docker.

Узнайте больше о реестре здесь:

Реестр Anthropic MCP (репозиторий сообщества): https://github.com/modelcontextprotocol/registry