Configurar o servidor MCP do MLflow

O servidor MLflow MCP (Model Context Protocol) oferece ao seu agente de codificação acesso em tempo real aos seus rastreamentos e experimentos. Uma vez configurado, você pode pedir ao seu agente para pesquisar rastreamentos com erros, inspecionar um rastreamento específico ou registrar feedback — tudo a partir do seu IDE, sem abrir a interface do Databricks.

nota

To also give your coding agent knowledge of MLflow's APIs so it generates accurate code, set up a coding agent with the MLflow skills.

Pré-requisitos

• Um agente de codificação compatível com MCP: Claude Code, Cursor, VS Code ou OpenCode

• MLflow 3.5.1 ou posterior com os complementos databricks e mcp:

  Bash

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

Configure seu cliente MCP

Adicione o servidor MCP do MLflow ao arquivo de configuração do seu cliente. Substitua <your-workspace-url> pela URL do seu workspace do Databricks (por exemplo, https://your-workspace.cloud.databricks.com) e <your-token> por um access token.

Claude Code

Adicione a .mcp.json na raiz do seu projeto:

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>"
      }
    }
  }
}

Para obter detalhes, consulte configuração do Claude Code MCP.

Cursor

Adicione ao .cursor/mcp.json no seu projeto:

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

Adicione ao .vscode/mcp.json no seu projeto:

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

Adicione o servidor MCP do MLflow sob a key mcp do seu opencode.json (raiz do projeto 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>"
      }
    }
  }
}

Para obter detalhes, consulte Servidores OpenCode MCP.

O que seu agente de codificação pode fazer

Após a configuração, peça ao seu agente para:

• "Buscar rastreamentos com erros da última hora"
• "Mostrar os rastreamentos mais recentes do experimento 12345"
• "Obter detalhes para o ID de rastreio tr-abc123"
• "Adicionar uma avaliação de 5 ao rastreio tr-abc123"

Para ver a lista completa de operações disponíveis, consulte a documentação do servidor MLflow MCP.

Passos seguintes

• Configure um agente de programação — Instale as habilidades do MLflow para o seu agente de programação
• Visão geral do rastreamento — Instrumente seu agente