快速接入

先看主来源和安装命令，再打开仓库或文档；下面只保留这个条目的关键接入事实。

命令预览

uvx --from git+https://github.com/jchacks/mcp-tensorboard mcp-tensorboard --logdir /path/to/tensorboard/logdir --debug

详细介绍

mcp张量板

一个基于stdio的最小MCP服务器 TensorBoard数据服务器 查询作为MCP工具。

这个项目 不运行TensorBoard web UI相反，它启动了TensorBoard的 *数据服务器* 子进程（Rust二进制文件），并使用TensorBoard的Python API通过gRPC查询它。

之所以采用数据服务器方法，是因为它比迭代的“纯Python”方法快得多 events.out.tfevents.* 文件直接。在一个实际案例中，通过纯Python方法加载一个约1GB的事件文件需要约2分钟。

协议：此服务器尝试实现MCP协议修订 2025-03-26 （Zed兼容）。请参阅规格：https://modelcontextprotocol.io/specification/2025-03-26

AI友好型输出（紧凑型点）

大多数时间序列工具返回 紧凑点阵列 为了减小响应大小：

标量/标量张量： {"points": [[step, value], ...]}
柱状图： {"points": [[step, values], ...]} 哪里 values 是该步骤的基础数字数组（较大；更喜欢下面的分布）
图像系列： {"points": [[step, blob_key], ...]} 哪里 blob_key 可以通过以下方式获取 tensorboard-get_image
可选的 wall_time 默认情况下省略，可以通过以下方式包含 include_wall_time=true

笔记：

step 和 wall_time 不是圆形的。
数值四舍五入为 float_precision=5 默认情况下（如适用）。

特性

Stdio JSON-RPC 2.0传输（每行一个JSON对象）。
为给定对象启动TensorBoard数据服务器 --logdir.
用于常见查询的基于工具的API：

- 列表运行 - 列表标签（标量/张量/直方图/图像/分布） - 获取标量和张量时间序列（紧凑点） - 获取直方图系列（紧凑的点；仍然可以很大） - 获取 分布列 （压缩直方图；小而AI友好） - 获取图像系列（blob键）+获取单个图像（MCP图像内容）

安装

运行而不发布（来自git的uvx）

您可以使用以下命令运行该工具，而无需发布到PyPI uvx:

uvx --from git+https://github.com/jchacks/mcp-tensorboard mcp-tensorboard --logdir /path/to/tensorboard/logdir --debug

如果你喜欢SSH：

uvx --from git+ssh://git@github.com/jchacks/mcp-tensorboard.git mcp-tensorboard --logdir /path/to/tensorboard/logdir --debug

安装（可编辑）

从repo根目录：

pip install -e .

使用开发工具：

pip install -e ".[dev]"

跑步

该服务器是一个stdio服务器：它从stdin读取JSON行并将JSON行写入stdout。

使用控制台脚本运行：

mcp-tensorboard --logdir /path/to/tensorboard/logdir --debug

或者作为模块运行：

python -m mcp_tensorboard --logdir /path/to/tensorboard/logdir --debug

您还可以设置环境变量：

export TENSORBOARD_LOGDIR=/path/to/tensorboard/logdir
mcp-tensorboard --debug

工具名称

工具名称如下：

tensorboard-list_runs
tensorboard-list_scalar_tags
tensorboard-get_scalar_series
tensorboard-get_scalar_series_batch
tensorboard-get_scalar_last
tensorboard-list_tensor_tags
tensorboard-get_tensor_series
tensorboard-list_histogram_tags
tensorboard-get_histogram_series
tensorboard-list_distribution_tags （直方图标签的别名）
tensorboard-get_distribution_series
tensorboard-list_image_tags
tensorboard-get_image_series
tensorboard-get_image

图像注释

图像获取是一个两步过程，以保持响应较小：

tensorboard-get_image_series 回报 points 作为 [[step, blob_key], ...]
tensorboard-get_image 需要a blob_key 并返回 MCP图像内容 (content: [{type:"image", mimeType, data}])在哪里 data 是base64编码的图像字节。

协议（基于stdio的JSON-RPC）

消息是每行一个JSON对象。

列出工具

请求：

{"jsonrpc":"2.0","id":"1","method":"tools/list","params":{}}

答复：

{"jsonrpc":"2.0","id":"1","result":{"tools":[{"name":"tensorboard-list_runs","description":"...","inputSchema":{...}}],"nextCursor":null}}

调用工具

请求：

{
  "jsonrpc": "2.0",
  "id": "2",
  "method": "tools/call",
  "params": {
    "name": "tensorboard-list_runs",
    "arguments": {}
  }
}

响应（形状）：

{
  "jsonrpc": "2.0",
  "id": "2",
  "result": {
    "content": [
      { "type": "text", "text": "{\"runs\":[\".\",\"runA\"]}" }
    ],
    "structuredContent": { "runs": [".", "runA"] },
    "isError": false
  }
}

例子

1）列表运行

{"jsonrpc":"2.0","id":"1","method":"tools/call","params":{"name":"tensorboard-list_runs","arguments":{}}}

2）列出跑步的标量标记

{"jsonrpc":"2.0","id":"2","method":"tools/call","params":{"name":"tensorboard-list_scalar_tags","arguments":{"run":"."}}}

3）获取标量序列（最后200个点）

退货 points 作为 [[step, value], ...] （可选 [[step, value, wall_time], ...] 如果 include_wall_time=true).

{"jsonrpc":"2.0","id":"3","method":"tools/call","params":{"name":"tensorboard-get_scalar_series","arguments":{"run":".","tag":"loss","max_points":200}}}

4）在一次调用中获取多个标量序列

退货 pointsByTag 每个标签点数紧凑。

{"jsonrpc":"2.0","id":"4","method":"tools/call","params":{"name":"tensorboard-get_scalar_series_batch","arguments":{"run":".","tags":["loss","accuracy"],"max_points":200}}}

5）获取最后一个标量值

{"jsonrpc":"2.0","id":"5","method":"tools/call","params":{"name":"tensorboard-get_scalar_last","arguments":{"run":".","tag":"loss"}}}

6）列出张量标签

{"jsonrpc":"2.0","id":"6","method":"tools/call","params":{"name":"tensorboard-list_tensor_tags","arguments":{"run":"."}}}

7）获取张量“系列”（仅标量张量）

退货 points 作为 [[step, value], ...] 仅适用于标量张量。

{"jsonrpc":"2.0","id":"7","method":"tools/call","params":{"name":"tensorboard-get_tensor_series","arguments":{"run":".","tag":"some_tensor","max_points":200}}}

8）列出直方图（和分布）标签

直方图标签也用于分布。您可以通过以下任一工具列出它们：

{"jsonrpc":"2.0","id":"8","method":"tools/call","params":{"name":"tensorboard-list_histogram_tags","arguments":{"run":"."}}}

或（别名）：

{"jsonrpc":"2.0","id":"8b","method":"tools/call","params":{"name":"tensorboard-list_distribution_tags","arguments":{"run":"."}}}

9）获取直方图系列（原始）

直方图点可以很大。响应很紧凑，但每一步 values 数组可能仍然很大：

points: [[step, values], ...] 哪里 values 是该步骤的基础数字数组

{"jsonrpc":"2.0","id":"9","method":"tools/call","params":{"name":"tensorboard-get_histogram_series","arguments":{"run":".","tag":"weights","max_points":50}}}

10）提取分布序列（压缩直方图；推荐用于AI）

这将直方图桶压缩为固定的基点（默认为TensorBoard的“正常”集）： (0, 668, 1587, 3085, 5000, 6915, 8413, 9332, 10000)

响应形状：

bps：基点（x轴标签）
data：每一步 {step, values} 哪里 values[i] 对应于 bps[i]

{"jsonrpc":"2.0","id":"10","method":"tools/call","params":{"name":"tensorboard-get_distribution_series","arguments":{"run":".","tag":"weights","max_points":50}}}

11）列出图像标签

{"jsonrpc":"2.0","id":"11","method":"tools/call","params":{"name":"tensorboard-list_image_tags","arguments":{"run":"."}}}

12）获取图像系列（blob键）

退货 points 作为 [[step, blob_key], ...].

{"jsonrpc":"2.0","id":"12","method":"tools/call","params":{"name":"tensorboard-get_image_series","arguments":{"run":".","tag":"samples","max_points":10}}}

13）获取单个图像（MCP图像内容）

使用一个 blob_key 返回由 tensorboard-get_image_series.

{"jsonrpc":"2.0","id":"13","method":"tools/call","params":{"name":"tensorboard-get_image","arguments":{"blob_key":"PUT_BLOB_KEY_HERE"}}}

存储库布局（当前）

mcp_tensorboard/server.py --stdio JSON-RPC服务器入口点
mcp_tensorboard/tools.py --工具实现+数据服务器生命周期
mcp_tensorboard/tool_args.py --参数解包+类型验证装饰器
tests/ --单元测试（假提供者）

发展

运行测试：

pytest

格式/lint（如果安装在dev-extras中）：

ruff check .

故障排除

未找到跑步记录：确保 --logdir 指向包含runs/event文件的目录。
导入错误：tensorboard：安装依赖项(pip install -e .).
数据服务器无法启动：验证TensorBoard是否已安装并与您的环境兼容。

目录标签

机器学习可视化工具Python数据分析本地部署TensorBoardMCP协议

接入字段

传输方式（transport，传输协议）

stdio

鉴权方式（authType，认证方式）

none

运行时（runtime，运行环境）

Python

工具数量（toolCount，工具数）

14

资源数量（resourceCount，资源数）

0

提示词数量（promptCount，提示词数）

0

权限和风险

stdionone部署方式未说明

接入前请确认传输方式、认证方式和部署位置，并根据实际工具能力限制访问范围。

安装前确认

不要直接授予不必要的文件、网络或账号权限；先核对安装命令和配置内容。

来源信息

MCP World

mcpworld.com

/detail/abcf0c1b58f6a650250f39bd14b4c0ad

一个基于标准输入输出的MCP服务器，提供TensorBoard数据服务器的查询功能，适用于机器学习实验数据分析和可视化。

继续浏览同类 MCP

更多数据服务 MCP（6,870）返回 MCP 目录

上一个 MCP

MCP Tenki

提供日本天气数据的MCP服务器服务

下一个 MCP

MCP Teradata

Teradata数据库的模型上下文协议服务器，支持OAuth 2.1认证、多种认证机制和数据交互式可视化。

MCP Tensorboard