mcp-zenml 是一个 MCP 服务器，旨在连接 MCP 客户端（如 Cursor、Claude Desktop 等）与 ZenML MLOps 和 LLMOps 流水线。它通过标准化的 MCP 协议，让 AI 模型能够安全地访问 ZenML 服务器中的实时信息，包括用户、堆栈、流水线、流水线运行、工件元数据等。开发者可以利用此服务器，在 AI 应用中轻松获取 ZenML 管理的机器学习流程的关键数据，甚至触发新的流水线运行。mcp-zenml 解决了 AI 模型与 MLOps 系统集成困难的问题，简化了 AI 应用与 ZenML 平台的互操作性。通过简单的配置，开发者即可在 Claude Desktop 或 Cursor 等工具中使用 ZenML 的数据和功能，极大地提升了 AI 应用的智能化水平和开发效率。该服务器基于 Python 实现，并推荐使用 uv 进行环境和依赖管理。

访问 ZenML 元数据

mcp-zenml 允许 AI 模型通过 MCP 协议访问 ZenML 平台中存储的元数据。这些元数据包括用户信息、堆栈配置、流水线定义、流水线运行状态、步骤信息、服务配置、组件信息、数据制品信息以及服务连接器等。通过这种方式，AI 模型可以实时了解 MLOps 流水线的状态和配置，从而更好地理解上下文并做出更明智的决策。例如，AI 模型可以根据流水线的运行状态，判断是否需要重新训练模型，或者根据数据制品的元数据，选择合适的数据进行分析。

触发 ZenML 流水线运行

除了读取元数据，mcp-zenml 还支持 AI 模型触发新的 ZenML 流水线运行。如果存在预定义的运行模板，AI 模型可以通过 MCP 协议调用这些模板，启动新的流水线。这使得 AI 模型能够根据自身的需求，动态地调整 MLOps 流水线的行为。例如，AI 模型可以根据用户提出的需求，自动选择合适的流水线模板，并启动新的流水线运行，从而实现自动化 MLOps。

获取步骤代码和日志

mcp-zenml 允许 AI 模型访问 ZenML 流水线中各个步骤的代码和日志。这对于调试和理解流水线的行为非常有帮助。通过访问步骤代码，AI 模型可以了解每个步骤的具体实现细节。通过访问步骤日志，AI 模型可以了解每个步骤的运行状态和输出结果。例如，当流水线运行出现错误时，AI 模型可以通过分析步骤代码和日志，快速定位问题所在，并提出解决方案。需要注意的是，步骤日志的访问依赖于流水线是否在云端运行。

集成优势

mcp-zenml 通过 MCP 协议将 AI 模型与 ZenML MLOps 平台连接起来，实现了 AI 模型与 MLOps 基础设施的深度集成。这种集成具有以下优势：

• 标准化接口： MCP 协议提供了一个标准化的接口，使得 AI 模型可以以统一的方式访问 ZenML 平台中的各种资源。
• 安全性： MCP 协议支持安全的身份验证和授权机制，确保 AI 模型只能访问其被授权访问的资源。
• 灵活性： mcp-zenml 支持多种传输机制，包括标准输入/输出和 HTTP/SSE，可以灵活地适应不同的应用场景。
• 可扩展性： mcp-zenml 可以轻松地扩展到支持更多的 ZenML 功能，满足不断变化的需求。