Configurer le serveur MCP MLflow

Le serveur MCP (Model Context Protocol) MLflow donne à votre agent de codage un accès en direct à vos traces et expérimentations. Une fois configuré, vous pouvez demander à votre agent de rechercher des traces comportant des erreurs, d'inspecter une trace spécifique ou d'enregistrer des commentaires — le tout depuis votre IDE, sans ouvrir l'interface utilisateur Databricks.

remarque

Pour doter également votre agent de codage de connaissances sur les APIs de MLflow afin qu'il génère du code précis, configurez un agent de codage avec les compétences MLflow.

Prérequis

• Un agent de codage compatible MCP : Claude Code, Cursor, VS Code ou OpenCode

• MLflow 3.5.1 ou version ultérieure avec les options databricks et mcp :

  Bash

  pip install 'mlflow[databricks,mcp]>=3.5.1'

Configurez votre client MCP

Ajoutez le serveur MCP MLflow au fichier de configuration de votre client. Remplacez <your-workspace-url> par l’URL de votre workspace Databricks (par exemple, https://your-workspace.cloud.databricks.com) et <your-token> par un jeton d’accès personnel.

Claude Code

Ajoutez à .mcp.json dans la racine de votre projet :

JSON

{
  "mcpServers": {
    "mlflow-mcp": {
      "command": "uv",
      "args": ["run", "--with", "mlflow[databricks,mcp]>=3.5.1", "mlflow", "mcp", "run"],
      "env": {
        "MLFLOW_TRACKING_URI": "databricks",
        "DATABRICKS_HOST": "<your-workspace-url>",
        "DATABRICKS_TOKEN": "<your-token>"
      }
    }
  }
}

Pour plus de détails, voir la section Claude Code MCP configuration.

Cursor

Ajouter à .cursor/mcp.json dans votre projet :

JSON

{
  "mcpServers": {
    "mlflow-mcp": {
      "command": "uv",
      "args": ["run", "--with", "mlflow[databricks,mcp]>=3.5.1", "mlflow", "mcp", "run"],
      "env": {
        "MLFLOW_TRACKING_URI": "databricks",
        "DATABRICKS_HOST": "<your-workspace-url>",
        "DATABRICKS_TOKEN": "<your-token>"
      }
    }
  }
}

VS Code

Ajouter à .vscode/mcp.json dans votre projet :

JSON

{
  "servers": {
    "mlflow-mcp": {
      "command": "uv",
      "args": ["run", "--with", "mlflow[databricks,mcp]>=3.5.1", "mlflow", "mcp", "run"],
      "env": {
        "MLFLOW_TRACKING_URI": "databricks",
        "DATABRICKS_HOST": "<your-workspace-url>",
        "DATABRICKS_TOKEN": "<your-token>"
      }
    }
  }
}

OpenCode

Ajoutez le serveur MCP MLflow sous la clé mcp de votre opencode.json (racine du projet ou ~/.config/opencode/opencode.json) :

JSON

{
  "$schema": "https://opencode.ai/config.json",
  "mcp": {
    "mlflow-mcp": {
      "type": "local",
      "command": ["uv", "run", "--with", "mlflow[databricks,mcp]>=3.5.1", "mlflow", "mcp", "run"],
      "environment": {
        "MLFLOW_TRACKING_URI": "databricks",
        "DATABRICKS_HOST": "<your-workspace-url>",
        "DATABRICKS_TOKEN": "<your-token>"
      }
    }
  }
}

Pour plus de détails, consultez les serveurs MCP OpenCode.

Ce que votre agent de codage peut faire

Après la configuration, demandez à votre agent de :

• « Rechercher les traces comportant des erreurs de la dernière heure »
• « Afficher les traces les plus récentes de l’expérimentation 12345 »
• « Get details for trace ID tr-abc123 »
• « Ajouter une note de 5 à la trace tr-abc123 »

Pour obtenir la liste complète des opérations disponibles, consultez la documentation du serveur MLflow MCP.

Étapes suivantes

• Configurer un agent de codage — Installer les compétences MLflow pour votre agent de codage
• Aperçu du traçage — Instrumentez votre agent