Serveur MLflow MCP

Le serveur MLflow MCP (Model Context Protocol) permet aux applications d'IA et aux assistants de codage d'interagir avec vos traces par programmation.

Le serveur MLflow MCP expose toutes les opérations de gestion de trace MLflow via le protocole MCP, permettant aux assistants IA de :

• Rechercher et récupérer les données de trace
• Analysez les performances et le comportement de la trace.
• Enregistrer les commentaires et les évaluations
• Gérer les tags de traçage et les métadonnées
• Supprimer les traces et les évaluations

Pour une documentation complète sur le serveur MLflow MCP, incluant l'installation, la configuration et les outils disponibles, consultez la documentation du serveur MLflow MCP open source.

Prérequis

• Un client compatible MCP tel que VS Code, Cursor ou Claude.

• MLflow Python bibliothèque version 3.5.1 ou ultérieure avec les extras databricks et mcp. L’extra mcp fournit les dépendances du serveur MCP, et l’extra databricks fournit l’authentification et la connectivité Databricks :

  Bash

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

Configurer pour Databricks

Pour utiliser le serveur MLflow MCP avec des traces stockées dans Databricks, configurez votre client MCP avec les paramètres suivants :

VS Code

Ajoutez cette configuration 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>"
      }
    }
  }
}

Cursor

Ajoutez cette configuration 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>"
      }
    }
  }
}

Claude Desktop

Ajoutez cette configuration à votre fichier de paramètres Claude Desktop :

• **macOS** : ~/Library/Application Support/Claude/claude_desktop_config.json
• Windows : %APPDATA%\Claude\claude_desktop_config.json

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>"
      }
    }
  }
}

Remplacez <your-workspace-url> par l'URL de votre Workspace Databricks (par exemple, https://your-workspace.cloud.databricks.com) et <your-token> par votre jeton d'accès personnel.

Utilisez le serveur MCP MLflow Tracing

Après avoir configuré le serveur MCP, votre assistant IA peut interagir avec les traces stockées dans Databricks. Par exemple, vous pouvez demander à votre assistant :

• « Rechercher des traces à partir de l'ID d'expérimentation 12345 »
• « Affichez-moi les traces les plus récentes avec des erreurs »
• « Obtenir les détails de la trace pour l'identifiant de trace tr-abc123 »
• « Ajouter un feedback à la trace tr-abc123 avec une note de 5 »

Consultez la documentation du serveur MLflow MCP open source pour plus d'informations.

Étapes suivantes

• MLflow Tracing - Observabilité GenAI