🚀 Cloudera 机器学习模型控制协议（MCP）
Cloudera 机器学习模型控制协议（MCP）实现了 Python 与 Cloudera 机器学习的集成，让 Claude 能够以编程方式与 CML 服务进行交互，极大地提升了机器学习工作的效率和灵活性。
🚀 快速开始
本 MCP 可助力 Claude 与 Cloudera 机器学习实现交互，以下为您展示具体的使用步骤。
✨ 主要特性
- 📁 上传文件夹：能够将整个文件夹上传至您的 CML 项目，同时完整保留目录结构。
- 📄 创建作业：可使用自定义设置创建全新的 CML 作业。
- 👀 列出作业：方便查看项目中的所有作业及其当前状态。
- 🗑️ 删除作业：支持删除单个作业或项目中的所有作业。
- 🔍 获取项目 ID：能通过项目名称检索项目 ID。
- 📂 列出项目文件：可查看项目中的文件和目录。
- 🧠 模型管理：能够创建、列出和管理 ML 模型与部署。
- 📊 实验跟踪：可记录和管理 ML 实验与运行情况。
- 💻 应用程序管理：支持创建、更新和管理 CML 应用程序。
📦 安装指南
- 克隆此仓库。
- 安装依赖项：
pip install -r requirements.txt
📚 详细文档
配置
MCP 需要以下配置信息：
- host：您的 CML 实例 URL（例如，"https://ml - xxxx.cloudera.site"）。
- api_key：用于身份验证的 API 密钥。
- project_id：您的 CML 项目 ID（可选 - 现在可以通过项目名称获取）。
您可以在初始化 MCP 时通过代码提供这些配置，也可以使用环境变量：
export CLOUDERA_ML_HOST="https://ml-xxxx.cloudera.site"
export CLOUDERA_ML_API_KEY="your-api-key"
# 可选：export CLOUDERA_ML_PROJECT_ID="your-project-id"
URL 配置注意事项
- 主机 URL 不应包含重复的 "https://" 前缀。
- 会自动处理尾部斜杠。
- MCP 会自动正确格式化 URL。
运行 MCP 服务器
此 MCP 可以作为服务器运行，从而允许 Claude 与 Cloudera ML 进行交互。
设置环境
复制示例 .env 文件并添加您的凭证：
cp .env.example .env
# 编辑 .env 文件以提供您的凭证
启动服务器
./server.py
该服务器使用 stdio 运输，默认情况下可以直接连接到 Claude。
与 Claude Desktop 结合使用
要将此服务器与 Claude Desktop 应用一起使用，请在 claude_desktop_config.json 的 "mcpServers" 部分中添加以下配置：
{
// 其他配置...
"mcpServers": {
"my-mcp-server": {
"type": "stdio",
"command": ["python", "-m", "cloudera.mcp.server"],
"args": []
}
}
}
要求
- Python 3.8+
- requests
- pathlib
- python - dotenv
- mcp[cli]
📄 许可证
本项目采用 MIT 许可证。