Label Studio Mcp Server

搜索 Python

🚀 Label Studio MCP Server

本项目提供了一个模型上下文协议（MCP）服务器，允许使用 label-studio-sdk 与 Label Studio 实例进行交互。它支持通过自然语言或来自 MCP 客户端的结构化调用，以编程方式管理标注项目、任务和预测。使用这个 MCP 服务器，你可以发起如下请求：

"在 Label Studio 中使用这些数据创建一个项目..."
"我的 RAG 审核项目中有多少任务已标注？"
"为我的任务添加预测。"
"更新我的标注模板，加入一个评论框。"

🚀 快速开始

本 MCP 服务器允许你通过自然语言或结构化调用，对 Label Studio 实例中的标注项目、任务和预测进行编程式管理。在使用前，请确保满足以下先决条件，并按照安装和配置步骤进行操作。

✨ 主要特性

项目管理：创建、更新、列出和查看 Label Studio 项目的详细信息和配置。
任务管理：从文件导入任务，列出项目内的任务，并检索任务数据和标注信息。
预测集成：为特定任务添加模型预测。
SDK 集成：借助官方的 label-studio-sdk 进行通信。

📦 安装指南

先决条件

运行中的 Label Studio 实例：你需要一个可从 MCP 服务器运行位置访问的 Label Studio 实例。
API 密钥：从 Label Studio 的用户账户设置中获取 API 密钥。
Python 环境：建议使用安装了 uv 进行包管理的 Python 3.x 环境。

安装步骤

按照以下说明安装服务器：

git clone https://github.com/HumanSignal/label-studio-mcp-server.git
cd label-studio-mcp-server

# 使用 uv 安装依赖
uv venv
source .venv/bin/activate
uv sync

📚 详细文档

配置

MCP 服务器需要你的 Label Studio 实例的 URL 和 API 密钥。主要有两种配置方式：

1. 环境变量

在运行服务器之前，在终端会话中设置以下环境变量：

export LABEL_STUDIO_URL='http://localhost:8080' # 替换为你的 Label Studio URL
export LABEL_STUDIO_API_KEY='your_actual_api_key_here'

python label-studio-mcp.py

Python 脚本会使用 os.getenv() 读取这些变量。

2. MCP 客户端配置（例如 Cursor 的 `mcp.json`）

如果通过 MCP 客户端配置文件启动服务器，你可以直接在服务器定义中指定环境变量。对于由客户端管理的服务器，这种方式通常更受青睐。

示例 mcp.json 条目：

{
"mcpServers": {
"label-studio": {
"command": "uv",
"args": [
"--directory",
"/path/to/your/label-studio-mcp-server", // <-- 更新此路径
"run",
"label-studio-mcp.py"
],
"env": {
"LABEL_STUDIO_API_KEY": "your_actual_api_key_here", // <-- 你的 API 密钥
"LABEL_STUDIO_URL": "http://localhost:8080"
}
}
}
}

按此方式配置后，env 块会将变量注入服务器进程环境，脚本的 os.getenv() 调用将获取这些变量。

为 Claude Desktop 安装

要为 Claude Desktop 安装 MCP 服务器，你可以从本仓库的根目录运行以下命令：

mcp install -e . -v LABEL_STUDIO_API_KEY= -v LABEL_STUDIO_URL= label-studio-mcp.py

工具

MCP 服务器提供以下工具：

项目管理

get_label_studio_projects_tool()：列出可用项目（ID、标题、任务数量）。
get_label_studio_project_details_tool(project_id: int)：检索特定项目的详细信息。
get_label_studio_project_config_tool(project_id: int)：获取项目的 XML 标注配置。
create_label_studio_project_tool(title: str, label_config: str, ...)：使用标题、XML 配置和可选设置创建一个新项目。返回包含 URL 的项目详细信息。
update_label_studio_project_config_tool(project_id: int, new_label_config: str)：更新现有项目的 XML 标注配置。

任务管理

list_label_studio_project_tasks_tool(project_id: int)：列出项目内的任务 ID（最多 100 个）。
get_label_studio_task_data_tool(project_id: int, task_id: int)：检索特定任务的数据负载。
get_label_studio_task_annotations_tool(project_id: int, task_id: int)：获取特定任务的现有标注。
import_label_studio_project_tasks_tool(project_id: int, tasks_file_path: str)：从 JSON 文件（包含任务对象列表）导入任务到项目中。返回导入摘要和项目 URL。

预测

create_label_studio_prediction_tool(task_id: int, result: List[Dict[str, Any]], ...)：为特定任务创建预测。需要以符合 Label Studio 格式的字典列表作为预测结果。可选参数 model_version 和 score。

示例用例

使用 create_label_studio_project_tool 创建一个新项目。
准备一个包含任务数据的 JSON 文件（tasks.json）。
使用 import_label_studio_project_tasks_tool 导入任务，提供步骤 1 中的项目 ID 和 tasks.json 的路径。
使用 list_label_studio_project_tasks_tool 列出任务 ID。
使用 get_label_studio_task_data_tool 获取特定任务的数据。
生成一个预测结果结构（字典列表）。
使用 create_label_studio_prediction_tool 添加预测。

运行服务器

MCP 服务器可以直接使用 Python 运行：

python label-studio-mcp.py [options]

选项：

--transport {http|stdio}：指定通信传输方式（默认：stdio）。
--port PORT：设置 HTTP 传输的端口号（默认：3000）。
--host HOST：设置 HTTP 传输的主机地址（默认：0.0.0.0）。

运行前请确保设置了所需的环境变量（LABEL_STUDIO_URL、LABEL_STUDIO_API_KEY）。

📄 许可证

文档中未提及相关信息。

🔗 联系我们

如有疑问或需要支持，请通过 GitHub Issues 联系我们。

0 条评论
分类：搜索

Label Studio Mcp Server