MCP Server for ZenML

用于 ZenML 的 MCP 服务

本项目实现了一个用于与 ZenML API 交互的 Model Context Protocol (MCP) 服务。

什么是 MCP？

Model Context Protocol（MCP）是一种开放协议，用于标准化应用程序向大语言模型（LLM）提供上下文的方式。它就像“AI 应用的 USB-C 接口”——提供将 AI 模型连接到不同数据源和工具的标准化方式。

MCP 采用客户端-服务端架构，其中：

• MCP 主机：希望通过 MCP 访问数据的程序，例如 Claude Desktop 或 IDE
• MCP 客户端：与服务保持一对一连接的协议客户端
• MCP 服务：通过标准化协议提供特定功能的轻量级程序
• 本地数据源：MCP 服务可以安全访问的计算机文件、数据库和服务
• 远程服务：可通过互联网访问、且 MCP 服务能够连接的外部系统

什么是 ZenML？

ZenML 是一个用于构建和管理 ML 与 AI 工作流的开源平台。它提供统一的界面，用于管理数据、模型和实验。

更多信息请参阅 ZenML 网站 和我们的文档。

功能

该服务提供 MCP 工具，以访问 ZenML 服务的核心只读功能，方便获取以下内容的实时信息：

核心实体

• 用户 - 用户账户和权限
• Stacks - 基础设施配置
• Stack Components - 单个 Stack 构建模块
• Flavors - 可用组件类型
• Service Connectors - 云端身份验证

工作流执行

• Pipelines - 工作流定义
• Pipeline Runs - 执行历史和状态
• Pipeline Steps - 单个步骤的详情、代码和日志
• Schedules - 自动运行计划
• Artifacts - 数据制品的元数据（不包含数据本身）

部署与服务

• Snapshots - 冻结的工作流配置（即“要运行/提供服务的内容”制品）
• Deployments - 运行时服务实例，包含状态、URL 和日志
• Services - 模型服务端点

组织与发现

• Projects - 用于组织 ZenML 资源的容器
• Tags - 用于发现的跨领域元数据标签
• Builds - 包含镜像和代码信息的工作流构建制品

模型

• Models - ML 模型注册表条目
• Model Versions - 版本化模型制品

兼容性 API（建议迁移）

• Pipeline run templates 在 ZenML 0.97.0 中仍可用；新工作流则优先使用 Snapshots（参见迁移指南）

该服务还支持使用快照（优先）或已弃用的基于模板的触发参数来触发新的工作流运行。

注意：我们会根据用户反馈持续改进此集成。 欢迎加入我们的 Slack 社区，分享您的体验， 帮助我们不断完善！

工具配置档案与写入策略

默认的 compact 配置档案会公布 16 个工具。其中七个通用工具涵盖资源目录、读取、常规变更和有限的生命周期操作：

工具	用途
zenml_describe_resources	发现受支持的资源类型和有限定范围的操作架构
zenml_list_resources	使用经过验证的筛选条件和分页列出一种资源类型
zenml_get_resource	获取单个资源；在需要时指定父级和项目范围
zenml_create_resource	使用类型化负载创建受支持的资源
zenml_update_resource	更新指定 UUID 的单个资源
zenml_delete_resource	删除或归档指定 UUID 的单个资源
zenml_action_resource	执行允许列表中的生命周期或关系操作，不进行重试

仍保留 9 个专用工具，因为它们提供诊断、活动上下文、流式日志或代码、 流水线执行，或交互式应用：

• diagnose_zenml_setup
• get_active_user 和 get_active_project
• trigger_pipeline
• get_step_logs、get_step_code 和 get_deployment_logs
• open_pipeline_run_dashboard 和 open_run_activity_chart

get_step_logs 最多返回 50,000 条记录，按时间从早到晚排列，并附带 possibly_truncated 标志，以及说明缺少哪些记录及原因的 note。传入 tail 可仅获取最新记录。在 ZenML 0.97+ 服务上，它会 分页读取日志存储；在 0.96 上，它使用较旧的单次请求端点。

如果现有客户端仍依赖旧的实体专用名称（例如 list_pipeline_runs）， 请使用 ZENML_MCP_PROFILE=legacy。此设置保留针对 ZenML 0.97.0 的 工具名称和架构兼容层。它不会增加对更旧 ZenML 服务版本的支持。仅在 迁移期间使用：legacy 响应可能会暴露比精简工具更多的操作元数据，不过服务端会在 两个配置档中都省略包含凭据的配置和其他敏感字段。

工具注册和写入权限相互独立：

配置档	策略	公布的工具
compact	read_write	16
compact	read_only	11
legacy	read_write	57
legacy	read_only	52

设置 ZENML_MCP_WRITE_POLICY=read_only，即可从 MCP 发现和分派中移除全部 4 个通用变更工具 以及 trigger_pipeline。资源发现也会省略创建、更新、删除和操作架构。较旧的 ZENML_MCP_READ_ONLY=true 设置仍可使用；无效的策略值会安全地默认进入只读模式。无效的 ZENML_MCP_PROFILE 会导致启动因配置错误而停止。

2.0.0 版本要求 MCP Python SDK 2.2.0 和 ZenML 0.96.4。精简配置档是新的默认配置， 对于调用实体专用工具名称的客户端而言，这是一次不兼容的发现变更。迁移这些客户端时，请设置 ZENML_MCP_PROFILE=legacy，然后将每次调用迁移到通用资源工具。

变更结果分为 completed、accepted 和 unknown。如果某项变更可能已到达 ZenML，服务端不会 重试。对于 accepted 或 unknown 结果，请按照响应中的协调说明操作，再决定是否再次调用。 如果有对应的命名读取工具，请使用该工具。Webhook 创建和密钥轮换可能只会返回一次新的签名密钥； 后续读取将不会包含该密钥。删除架构会说明某项操作是归档元数据、移除元数据、停用正在运行的 资源，还是可能删除已存储的工件数据。

首个 2.0 版本涵盖项目、栈和组件、Flavor、服务、流水线和运行、快照和模板、 部署、工件和版本、模型和版本、标签、连接器、代码仓库、Webhook、触发器、等待条件 以及钩子调用的常规操作。用户、计划、服务连接器类型、密钥和资源请求仅提供 zenml_describe_resources 所示的只读支持。不包括 ZenML Cloud 控制平面管理、 Resource Manager 管理、用户和凭据管理、密钥值的增删改查、连接器登录和验证、 原始 Webhook 事件，以及聚合调试或溯源工具。 通过发现准确的架构，然后调用它，即可启动通用工作流：

zenml_describe_resources(resource_type="pipeline_run", operation="list")
zenml_list_resources(
    resource_type="pipeline_run",
    filters={"status": "completed", "sort_by": "desc:created"},
    page=1,
    size=10,
)

两种配置中均可使用提示词和资源。分析提示词、有界资源架构端点以及 most_recent_runs 是 MCP 提示词或资源，而非工具。

运行模板兼容性

ZenML 0.97.0 保留了运行模板 CRUD API。对于新工作流，建议使用快照。便捷创建流水线的功能和基于模板的触发参数已弃用。在旧版配置中，现有客户端仍可使用 get_run_template 和 list_run_templates。

旧版 list_run_templates 输入中的 tag 仍予以保留，以保持架构兼容性，但 ZenML 0.97.0 没有对应的服务端筛选功能。非空值会在调用 SDK 前被拒绝。快照仍支持按标签筛选。

迁移：运行模板 → 快照

为什么要更改？ 快照取代了运行模板，成为 ZenML 首选的可运行流水线制品。0.97.0 SDK 仍支持运行模板 CRUD，但新代码应使用快照。

快速迁移指南

旧版模式（模板）	精简模式（快照）
list_run_templates()	zenml_list_resources(resource_type="snapshot", filters={"runnable": true, "named_only": true})
get_run_template(name)	zenml_get_resource(resource_type="snapshot", resource_id=id)
trigger_pipeline(template_id=...)	trigger_pipeline(snapshot_name_or_id=...)

示例工作流（快照优先）

1. Discover project context:
   → get_active_project()

2. Find runnable snapshots:
   → zenml_list_resources(resource_type="snapshot", filters={"runnable": true, "named_only": true})

3. Trigger a run:
   → trigger_pipeline(snapshot_name_or_id="my-snapshot")

4. Check deployments:
   → zenml_list_resources(resource_type="deployment", filters={"status": "running"})
   → get_deployment_logs(name_id_or_prefix="my-deployment", tail=100)

注意： get_deployment_logs 返回有界输出（默认 100 行，最多 1000 行，上限为 100KB），且要求已安装相应的部署器集成。

通过仪表板快速设置（推荐）

通过 ZenML 仪表板中的 MCP Settings page 设置 ZenML MCP 服务是最简单的方式。

在 ZenML 仪表板中前往 Settings → MCP，即可获取：

• 针对你的特定服务 URL 和凭据预先配置的代码片段
• 通过深层链接一键安装支持的 IDE
• 适用于 VS Code、Claude Desktop、Cursor、Claude Code、OpenAI Codex 等的复制粘贴配置
• 根据偏好选择 Docker 或 uv 方案

ZenML Pro 用户

MCP Settings 页面支持一键生成个人访问令牌（PAT）。该令牌会自动包含在所有生成的配置代码片段中。

ZenML OSS 用户

1. 首先通过 Settings → Service Accounts 创建服务账号令牌
2. 将令牌粘贴到 MCP Settings 页面
3. 复制为你的 IDE 生成的配置

---

更倾向于手动设置？ 请参阅下方的详细说明。

MCP Apps（实验性）

什么是 MCP Apps？ MCP Apps 是 MCP 服务可直接提供给 AI 客户端的交互式 HTML UI。它们会在沙盒 iframe 中呈现，并可双向调用服务工具。详情请参阅官方公告。

此服务包含两个实验性 MCP Apps：

应用	工具	描述
流水线运行仪表板	open_pipeline_run_dashboard	交互式表格，展示近期流水线运行的状态、步骤详情和日志
运行活动图表	open_run_activity_chart	柱状图，展示过去 30 天的流水线运行活动及状态细分

这些应用是概念验证示例。我们欢迎大家对更多 MCP Apps 提供反馈和贡献。此新功能仍处于早期阶段，其后续发展还有待观察。我们预计未来会更全面地支持它。

支持的客户端

MCP Apps 需要 Streamable HTTP 传输（而非 stdio）。以下客户端目前 支持 MCP Apps：

• ✅ VS Code（Insiders Edition）
• ✅ Goose
• ✅ ChatGPT（即将推出）
• ⚠️ Claude Desktop —— 截至 2026 年 1 月下旬，尚无法渲染 Apps。
• ⚠️ Claude.ai（Web）—— 截至 2026 年 1 月下旬，尚无法渲染 Apps。

注意： 撰写本文时，我们无法对 Claude Desktop 或 Claude.ai 进行全面测试。如果遇到问题，请报告。

使用 Docker 运行 MCP Apps

MCP Apps 使用 Streamable HTTP。请将容器端口绑定到环回地址，并在允许远程访问前，在其前方部署经过身份验证的反向代理或身份感知型访问服务。主机和 Origin 验证可防止 DNS 重绑定，但不会对调用方进行身份验证。

1. 构建并运行 Docker 容器：

docker build -t mcp-zenml:apps .

docker run --rm -d --name mcp-zenml-apps -p 127.0.0.1:8001:8001 \
  -e ZENML_STORE_URL="https://your-zenml-server.example.com" \
  -e ZENML_STORE_API_KEY="your-api-key" \
  -e ZENML_MCP_PROFILE="compact" \
  -e ZENML_MCP_WRITE_POLICY="read_write" \
  -e ZENML_ACTIVE_PROJECT_ID="your-project-id" \
  mcp-zenml:apps --transport streamable-http --host 0.0.0.0 --port 8001 \
  --disable-dns-rebinding-protection

2. 配置经过身份验证的远程访问：

创建一个命名的 Cloudflare Tunnel、带访问控制的 Tailscale Funnel，或同等的、经过身份验证的反向代理。将其私有源站指向 http://127.0.0.1:8001，要求公共主机名提供身份凭据或服务凭据，并且只将经过身份验证的请求转发到源站。配置 MCP 客户端使用服务提供商支持的 OAuth 流程或授权标头。

向容器添加 ZenML 凭据前，请确认未经身份验证的请求无法访问 MCP：

curl -i https://mcp.example.com/mcp

响应必须是访问服务提供商返回的 401、403 或登录重定向。JSON-RPC 或 MCP 响应意味着外围防护未生效，必须先修复。

3. 连接经过身份验证的客户端：

{
	"servers": {
		"ZenML": {
			"url": "https://mcp.example.com/mcp",
			"type": "http"
		}
	},
	"inputs": []
}

• 请 AI“打开流水线运行仪表板”或“显示运行活动图表”

重要说明：

• ZENML_ACTIVE_PROJECT_ID 为必需项——未设置时，流水线运行工具将报错：“No project is currently set as active”
• 只有在经过身份验证的代理会验证公共主机，且容器端口仍仅绑定到环回地址时，才适合使用 --disable-dns-rebinding-protection
• 将 ZenML API 密钥的权限限制在 MCP 客户端所需范围内；对于仅用于检查的客户端，请使用 ZENML_MCP_WRITE_POLICY=read_only

测试与质量保障

本项目包含自动化测试，以确保 MCP 服务始终正常运行：

• 🔄 自动化冒烟测试：通过 GitHub Actions 每 3 天运行一次全面的冒烟测试
• 🚨 创建问题：测试失败时会自动创建 GitHub 问题，并附上详细的调试信息
• ⚡ 快速 CI：使用 UV 和缓存快速安装依赖并运行测试
• 🧪 手动测试：你可以在本地使用 uv run scripts/test_mcp_server.py server/zenml_server.py 运行冒烟测试

自动化测试会验证：

• MCP 协议连接与握手
• 服务初始化和工具发现
• 基本工具功能（ZenML 服务可访问时）
• 资源和提示词枚举
• 即使在受限环境中，diagnose_zenml_setup 也会返回结构化诊断信息

无需凭据的 CI 会通过 MCP 协议覆盖每个适配器。PR 和发布 CI 还会在环回地址启动全新的 ZenML 0.97.0 OSS 服务，并运行持久化 CRUD 和同名项目隔离验证。该服务使用临时配置和数据库，作业退出时会将其删除；无需仓库环境、可自托管的运行器或 ZenML 凭据。

ZenML 的本地 OSS 服务会禁用身份验证，其 SQL 存储不支持管道重放或外部部署基础设施。因此，受限访问以及启用了功能的触发器、重放、部署、等待条件和资源请求验证仍属于独立的可选门控测试。它们分别需要设置 ZENML_MCP_RESTRICTED_INTEGRATION=1 和 ZENML_MCP_RESTRICTED_API_KEY，或设置 ZENML_MCP_ACTION_INTEGRATION=1 并在 ZENML_MCP_ACTION_FIXTURE 中提供精确的临时测试夹具 UUID。跳过门控测试并不能证明相应功能已通过测试。操作者可以设置 ZENML_MCP_REQUIRE_COMPLETE_INTEGRATION=1，将缺少可选门控测试视为失败。默认测试运行绝不包含云基础设施配置。

使用 MCP Inspector 调试

如需交互式调试，请使用 MCP Inspector — 这是一款基于 Web 的工具，可让你实时测试 MCP 工具：

# Using .env.local (recommended for development)
cp .env.local.example .env.local  # Then edit with your credentials
source .env.local && npx @modelcontextprotocol/inspector \
  -e ZENML_STORE_URL=$ZENML_STORE_URL \
  -e ZENML_STORE_API_KEY=$ZENML_STORE_API_KEY \
  -- uv run server/zenml_server.py

这会打开一个已预填凭据的 Web UI — 只需点击 连接，然后使用 工具 选项卡交互式测试任意工具。

有关更详细的调试说明，请参阅 CLAUDE.md。

隐私与分析

ZenML MCP 服务会收集匿名使用分析数据，以帮助我们改进产品。

我们会追踪：

• 使用了哪些工具以及使用频率
• 错误率和错误类型（仅错误类型，不包含消息）
• 基本环境信息（操作系统、Python 版本，以及是否在 Docker/CI 中运行）
• 会话时长和工具使用模式

我们不会收集：

• 你的 ZenML 服务 URL 或 API 密钥
• 管道名称、模型名称或任何业务数据
• 错误消息或堆栈跟踪
• 任何可识别个人身份的信息

禁用分析：

# Option 1
export ZENML_MCP_ANALYTICS_ENABLED=false

# Option 2
export ZENML_MCP_DISABLE_ANALYTICS=true

用于调试/测试（将事件记录到 stderr，而非发送出去）：

export ZENML_MCP_ANALYTICS_DEV=true

Docker 用户须知： 你可以设置 ZENML_MCP_ANALYTICS_ID（必须是有效的 UUID），以便在容器重启后保持匿名 ID 一致。如果未设置该变量，且容器文件系统无法持久保存分析 ID 文件，服务会回退为一个确定性的匿名 UUID，该 UUID 根据 ZENML_STORE_URL 的哈希值生成（URL 本身绝不会作为事件属性发送）。

其他分析选项：

• ZENML_MCP_ANALYTICS_SHUTDOWN_TIMEOUT_S — 关闭期间同步刷新分析数据的最长时间（秒；默认值：1.0）

关于关闭跟踪的说明： 关闭事件会在有界超时时间内同步发送，以提高送达可靠性。不过，如果容器被 SIGKILL 终止（例如，执行 docker kill），关闭处理程序将无法运行 — 这是 Docker/操作系统的限制，并非缺陷。

启动验证

你可以启用轻量级启动诊断检查：

# Print warnings but start normally
uv run server/zenml_server.py --startup-validation warn

# Exit non-zero if required setup is missing (useful in Docker/CI)
uv run server/zenml_server.py --startup-validation strict

你也可以通过环境变量设置此项：ZENML_MCP_STARTUP_VALIDATION=warn。

diagnose_zenml_setup 工具也可作为 MCP 工具用于运行时故障排查——即使未安装 ZenML SDK 或缺少环境变量，它也能正常工作。

手动设置

前提条件

你需要能够访问已部署的 ZenML 服务。如果你还没有，可以在 ZenML Pro 注册免费试用，我们会为你管理部署。

**提示：**拥有 ZenML 服务后，请在控制面板中查看 MCP 设置页面，以便轻松完成设置。

**兼容性：**当前版本已针对 ZenML 0.97.0 进行测试。 如果你使用的是较旧版本的 ZenML，请使用此 MCP 服务的早期版本。

你可能还需要在本地安装 uv。详情请参阅 uv 文档。 如果使用 Mac，我们建议通过其安装脚本或 brew 安装。（严格来说，你并不一定需要它，但它能让安装和设置变得简单。）

你还需要在本地某处克隆此仓库：

git clone https://github.com/zenml-io/mcp-zenml.git

MCP 配置文件

MCP 配置文件是一个 JSON 文件，用于告知 MCP 客户端如何连接到你的 MCP 服务。不同的 MCP 客户端使用或指定配置的方式各不相同。两种常用的 MCP 客户端是 Claude Desktop 和 Cursor，下文提供了它们的安装说明。

你需要按以下格式指定 ZenML MCP 服务：

{
    "mcpServers": {
        "zenml": {
            "command": "/usr/local/bin/uv",
            "args": ["run", "path/to/server/zenml_server.py"],
            "env": {
                "LOGLEVEL": "WARNING",
                "NO_COLOR": "1",
                "ZENML_LOGGING_COLORS_DISABLED": "true",
                "ZENML_LOGGING_VERBOSITY": "WARN",
                "ZENML_ENABLE_RICH_TRACEBACK": "false",
                "ZENML_MCP_PROFILE": "compact",
                "ZENML_MCP_WRITE_POLICY": "read_write",
                "PYTHONUNBUFFERED": "1",
                "PYTHONIOENCODING": "UTF-8",
                "ZENML_STORE_URL": "https://your-zenml-server-goes-here.com",
                "ZENML_STORE_API_KEY": "your-api-key-here"
            }
        }
    }
}

有四个示例值需要替换：

• 本地安装的 uv 的路径（如果你在 Mac 上通过 brew 安装，前面列出的路径就是对应路径）
• zenml_server.py 文件的路径（连接到 MCP 服务时会运行此文件）。此文件位于此仓库的根目录中。你需要指定该文件的完整准确路径。
• ZenML 服务 URL（即 ZenML 服务的 URL。你可以在 ZenML Cloud UI 中找到它）。格式类似于 https://d534d987a-zenml.cloudinfra.zenml.io。
• ZenML 服务 API 密钥（即 ZenML 服务的 API 密钥。你可以在 ZenML Cloud UI 中找到它，也可以阅读这些文档了解如何创建密钥。对于 ZenML MCP 服务，我们建议使用服务账号。）

你可以自由更改运行 MCP 服务 Python 文件的方式，不过使用 uv 可能是最简单的选择，因为它会为你处理环境和依赖项安装。

与 Claude Desktop 配合安装

**快速替代方案：**使用 ZenML 控制面板中的 MCP 设置页面（Settings → MCP），获取预配置的安装说明和 Claude Desktop 深层链接。

你需要安装最新版的 Claude Desktop。

只需打开 Settings 菜单，将此仓库根目录中的 mcp-zenml.mcpb 文件拖到菜单上，即可按照提示完成安装和设置。你需要添加 ZenML 服务 URL 和 API 密钥。

注意：MCP 捆绑包（.mcpb）取代了旧版 Desktop Extensions（.dxt）格式；现有的 .dxt 文件仍可在 Claude Desktop 中使用。

可选：改善 ZenML 工具输出的显示效果

为了更好地查看 ZenML 工具的结果，你可以配置 Claude，以更易读的格式显示 JSON 响应。在 Claude Desktop 中，前往 Settings → Profile，然后在 “What personal preferences should Claude consider in responses?” 部分添加类似以下内容（也可以直接使用这些文字！）：

When using zenml tools which return JSON strings and you're asked a question, you might want to consider using markdown tables to summarize the results or make them easier to view!

这将促使 Claude 将 ZenML 工具输出格式化为 Markdown 表格，让信息更易于阅读和理解。

在 Cursor 中安装使用

快速替代方案： ZenML 仪表板中的 MCP Settings 页面（Settings → MCP）可以生成已预填凭据的准确 mcp.json 内容。

你需要安装 Cursor。

Cursor 的工作方式与 Claude Desktop 略有不同：你需要针对每个代码仓库指定配置文件。这意味着，如果你想在多个代码仓库中使用 ZenML MCP 服务，就需要在每个仓库中指定配置文件。

要为单个代码仓库进行设置，你需要：

• 在代码仓库的根目录中创建一个 .cursor 文件夹
• 在其中创建一个包含上述内容的 mcp.json 文件
• 进入 Cursor 设置，点击 ZenML 服务，将其“启用”。

根据我们的经验，有时即使服务正常运行，也会显示红色错误指示标记。你可以在 Cursor 聊天窗口中尝试使用它。如果它无法访问 ZenML 工具，会告知你。

Docker 镜像

你可以将服务作为 Docker 容器运行。该进程通过标准输入/输出进行通信，因此会等待 MCP 客户端连接。通过环境变量传入你的 ZenML 凭据。

预构建镜像（Docker Hub）

拉取最新的多架构镜像：

docker pull zenmldocker/mcp-zenml:latest

带版本号的发行版使用 X.Y.Z 标记：

docker pull zenmldocker/mcp-zenml:2.0.0

使用你的 ZenML 凭据运行（标准输入/输出模式）：

docker run -i --rm \
  -e ZENML_STORE_URL="https://your-zenml-server.example.com" \
  -e ZENML_STORE_API_KEY="your-api-key" \
  zenmldocker/mcp-zenml:latest

使用 Docker 的规范 MCP 配置

{
  "mcpServers": {
    "zenml": {
      "command": "docker",
      "args": [
        "run", "-i", "--rm",
        "-e", "ZENML_STORE_URL=https://...",
        "-e", "ZENML_STORE_API_KEY=ZENKEY_...",
        "-e", "ZENML_ACTIVE_PROJECT_ID=...",
        "-e", "ZENML_MCP_PROFILE=compact",
        "-e", "ZENML_MCP_WRITE_POLICY=read_write",
        "-e", "LOGLEVEL=WARNING",
        "-e", "NO_COLOR=1",
        "-e", "ZENML_LOGGING_COLORS_DISABLED=true",
        "-e", "ZENML_LOGGING_VERBOSITY=WARN",
        "-e", "ZENML_ENABLE_RICH_TRACEBACK=false",
        "-e", "PYTHONUNBUFFERED=1",
        "-e", "PYTHONIOENCODING=UTF-8",
        "zenmldocker/mcp-zenml:latest"
      ]
    }
  }
}

本地构建

在代码仓库根目录中：

docker build -t zenmldocker/mcp-zenml:local .

运行本地构建的镜像：

docker run -i --rm \
  -e ZENML_STORE_URL="https://your-zenml-server.example.com" \
  -e ZENML_STORE_API_KEY="your-api-key" \
  zenmldocker/mcp-zenml:local

MCP Bundles（.mcpb）

本项目使用 MCP Bundles（.mcpb）——Anthropic Desktop Extensions（DXT）的后继格式。MCP Bundles 会将整个 MCP 服务（包括依赖项）打包为单个文件，并提供便捷的配置方式。

关于格式更名的说明：MCP Bundles 取代了旧版 .dxt 格式。Claude Desktop 仍向后兼容现有的 .dxt 文件，但我们现在发布 mcp-zenml.mcpb，并建议今后使用该格式。

代码仓库根目录中的 mcp-zenml.mcpb 文件使用 MCPB 0.4 UV 运行时。 主机将为当前操作系统安装锁定的 Python 依赖项，因此同一个 Bundle 无需嵌入特定平台的原生扩展，即可在 macOS、Windows 和 Linux 上运行。UV 首次解析打包环境时需要网络连接。

Bundle 构建会重复使用已提交的 mcpb-uv.lock，并以离线模式解析其 Python 依赖关系图。Bundle 的依赖项列表来自 pyproject.toml 中的 [project].dependencies。更改该列表后，设置 MCPB_REFRESH_LOCK=1，即可在保留所有仍适用的版本锁定项的同时在线重新解析；设置 MCPB_REFRESH_LOCK=upgrade，则会将所有版本锁定项更新到最新版本。

将 .mcpb 文件拖放到 Claude Desktop 的设置中时，它会自动处理：

• 运行时依赖项安装
• 安全的配置管理
• 跨平台兼容性
• 便捷的设置流程

更多信息请参阅 Anthropic 关于 Desktop Extensions（DXT）的公告，以及其文档中相关的 MCP Bundle 打包指南：https://www.anthropic.com/engineering/desktop-extensions

已发布到 Anthropic MCP Registry

此 MCP 服务已发布到官方 Anthropic MCP Registry，兼容的宿主可以发现它。每次标记版本发布时，我们的 CI 都会使用 GitHub OIDC 通过 Registry 的 mcp-publisher CLI 更新 Registry 条目，因此，你可以直接在支持 Registry 的任何位置安装或发现 ZenML MCP Server（例如 Claude Desktop 的扩展目录）。

• **始终保持最新：**每次发布时，都会使用标记提交中的 manifest.json 和 server.json 刷新 Registry 条目。
• **其他安装方式：**你仍可以通过打包的 .mcpb bundle 在本地安装（见上文），或运行 Docker 镜像。

在此了解有关 Registry 的更多信息：

• Anthropic MCP Registry（社区仓库）：https://github.com/modelcontextprotocol/registry