MCP AutoML
MCP AutoML是一个服务器，它使AI代理能够执行端到端的机器学习工作流程，包括数据检查、处理、模型训练。使用MCP-AutoML，AI代理可以执行比典型的AutoML框架更多的功能。AI代理可以自己识别目标、设置基线和创建功能。
MCP AutoML将工具和工作流分开，允许您创建自己的工作流。
特性
- 数据检查：使用全面的统计数据、数据类型和预览分析数据集
- 基于SQL的数据处理：使用DuckDB SQL查询转换和设计功能
- AutoML培训：使用PyCaret进行自动模型比较的训练分类和回归模型
- 预测：使用经过训练的模型进行预测
- 多格式支持：适用于CSV、Parquet和JSON文件
用法
配置MCP服务器
在使用此MCP服务器之前，您可以运行 uv tool install --python 3.11 mcp-automl 安装它。它将缓存依赖关系，并使启动服务器更快。
添加到您的MCP客户端配置中（例如，Claude Desktop、Gemini CLI、Cursor、Antigravity）：
{
"mcpServers": {
"mcp-automl": {
"command": "uvx",
"args": ["--python", "3.11", "mcp-automl"]
}
}
}或者使用Docker：
{
"mcpServers": {
"mcp-automl": {
"command": "docker",
"args": ["run", "-i", "--rm", "-v", "${PWD}:/workspace", "-v", "${HOME}/.mcp-automl:/root/.mcp-automl", "idea7766/mcp-automl:latest"]
}
}
}可用工具
| 工具 | 说明 |
|---|---|
inspect_data | 获取数据集的全面统计数据和预览 |
query_data | 对数据文件执行DuckDB SQL查询 |
process_data | 使用SQL转换数据并保存到新文件 |
train_classifier | 使用AutoML训练分类模型 |
train_regressor | 使用AutoML训练回归模型 |
predict | 使用训练好的模型进行预测 |
代理技能
MCP AutoML包括 数据科学工作流技能 该指南指导人工智能代理完成机器学习项目的最佳实践。这项技能教会代理人：
- 确定目标并建立基线
- 进行探索性数据分析
- 工程领域特定功能
- 系统地训练和评估模型
安装技能
对于Gemini CLI：
gemini skills install https://github.com/idea7766/mcp-automl --path skill/data-science-workflow克劳德代码：
# Clone the repo and copy the skill
git clone https://github.com/idea7766/mcp-automl.git
cp -r mcp-automl/skill/data-science-workflow ~/.claude/skills/技能档案位于 skill/data-science-workflow/SKILL.md.
配置
模型和实验保存到 ~/.mcp-automl/experiments/ 默认情况下。
故障排除
macOS：LightGBM OpenMP错误
如果你遇到这样的错误 Library not loaded: @rpath/libomp.dylib，您需要安装OpenMP：
brew install libomp这是macOS上LightGBM所要求的系统级依赖关系。Linux和Windows用户通常不需要这一步。