Эта страница переведена автоматически. Технические детали смотрите в оригинале. Открыть оригинал
kubeflow/mcp-сервер - кандидат на сервер MCP, импортированный из https://github.com/kubeflow/mcp-server.
Обзор
kubeflow/mcp-сервер - кандидат на сервер MCP, импортированный из https://github.com/kubeflow/mcp-server.
Обзор (машинный перевод)
Предложение: KEP-936 · ROADMAP · SECURITY · CONTRIBUTING
Обзор
MCP-сервер Kubeflow предоставляет учебные операции Kubeflow в качестве инструментов протокола контекста модели, позволяя агентам ИИ (Claude, Cursor, Claude Code или любым пользовательским агентам и т. Д.) Планировать, отправлять, контролировать и управлять учебными заданиями с помощью естественного языка - без необходимости непосредственно изучать Kubernetes или Kubeflow SDK.
Преимущества
Агент-Нативный: Инструменты, автоматически обнаруженные через MCP, без ручной проводки API ** Руководящий рабочий процесс**: Фазовый заказ с подсказками следующего шага (план → Откройте → Поезд → Монитор)
- ** Предварительный просмотр-до представления**: Каждая мутирующая операция требует явного подтверждения.
- ** Безопасность прежде всего**: Persona gating, namespace enforcement, input validation, bearer/JWT auth Мультиплатформа: Автообнаруживает OpenShift, EKS, GKE с помощью платформенного руководства ** Токен-эффективный**: Прогрессивные/семантические режимы сжимают 23 инструмента в 2-3 метаинструмента. ** Расширяемый **: архитектура плагинов для дополнительных клиентов Kubeflow (TODO: оптимизатор, хаб)
Демо
Начать работу
Новый здесь? См. руководство Quickstart & Troubleshooting для пошагового пути от установки до рабочего клиента MCP.
###Установка в PyPI
Эта страница переведена автоматически. Технические детали смотрите в оригинале.
README
Показан фрагмент оригинального README. Открыть оригинал.
Kubeflow MCP Server
Proposal: KEP-936 · ROADMAP · SECURITY · CONTRIBUTING
Overview
The Kubeflow MCP Server exposes Kubeflow Training operations as Model Context Protocol tools, enabling AI agents (Claude, Cursor, Claude Code, or any custom agents etc.) to plan, submit, monitor, and manage training jobs through natural language — without users needing to learn Kubernetes or the Kubeflow SDK directly.
Benefits
- Agent-Native: Tools auto-discovered via MCP — no manual API wiring
- Guided Workflow: Phase ordering with next-step hints (Plan → Discover → Train → Monitor)
- Preview-Before-Submit: Every mutating operation requires explicit confirmation
- Security-First: Persona gating, namespace enforcement, input validation, bearer/JWT auth
- Multi-Platform: Auto-detects OpenShift, EKS, GKE with platform-specific guidance
- Token-Efficient: Progressive/semantic modes compress 23 tools into 2-3 meta-tools
- Extensible: Plugin architecture for additional Kubeflow clients (TODO: optimizer, hub)
Demo
Get Started
New here? See the Quickstart & Troubleshooting guide for a step-by-step path from installation to a working MCP client.
Install from PyPI
pip install kubeflow-mcp
Install from source (development)
git clone https://github.com/kubeflow/mcp-server.git
cd mcp-server
make install-dev
Prerequisites
Before starting the Kubeflow MCP Server, make sure the following requirements are available:
- Python 3.10, 3.11, or 3.12
- A running Kubernetes cluster
kubectlinstalled and available inPATH- A kubeconfig configured for the target cluster
- Kubeflow Trainer installed in the cluster
- Kubeflow Trainer CRDs and at least one
ClusterTrainingRuntime - Kubernetes permissions for the namespace you train in, plus cluster-scoped read access for planning and runtime discovery (see RBAC Configuration)
Verify the connection and your permissions in the target namespace. Each
Установка
docker run --rm -p 8000:8000 \Конфигурация
{
"mcpServers": {
"kubeflow": {
"url": "http://localhost:8000/mcp",
"headers": { "Authorization": "Bearer my-secret-token" }
}
}
}