A Kubeflow MCP közvetlen kapcsolatot ad az AI-ügynököknek a klaszterhez
A Kubeflow bemutatta a Kubeflow MCP Servert, amely Model Context Protocol eszközökként teszi elérhetővé a Kubeflow műveleteit az AI-ügynökök számára. Az ügynök így közvetlenül ellenőrizheti a klasztert, előkészítheti a tréninget, majd a felhasználó jóváhagyása után elindíthatja a feladatot.
- A Kubeflow MCP Server 23 eszközt tesz elérhetővé AI-ügynökök számára.
- A tréningfeladatok beküldése és a romboló műveletek előzetes jóváhagyáshoz kötöttek.
- A Kubeflow Trainer támogatása már elérhető.
- Négy beépített szerepkör szabályozza az ügynökök hozzáférését.
- A Kubeflow további komponensek MCP-támogatását tervezi.
Az ügynök közvetlenül kommunikálhat a Kubeflow-val
A Kubeflow 2026. augusztus 10-i bejelentése szerint az MCP Server egy új interfészréteg az AI-ügynökök és a Kubeflow infrastruktúrája között. A Model Context Protocol nyílt szabvány strukturált, felfedezhető hozzáférést biztosít külső rendszerekhez.
A hagyományos munkafolyamatban a felhasználó leírja a célt az ügynöknek, az ügynök Python-szkriptet készít, a felhasználó lefuttatja, majd a hibákat visszamásolja az ügynöknek. Az MCP Serverrel az ügynök közvetlenül hívhatja a Kubeflow eszközeit. Ellenőrizheti a klasztert, felmérheti az erőforrásigényt, előnézetet készíthet a tréningfeladatról, majd jóváhagyás után beküldheti azt és naplókat továbbíthat.
A Kubeflow egy példája szerint egy Llama-3.2-1B modell alpaca adatkészleten, LoRA használatával történő finomhangolása négy eszközhívással elvégezhető. Az ügynök először ellenőrzi a környezetet, majd megjeleníti a teljes TrainJob specifikációját. A felhasználó jóváhagyása után létrejön a feladat, ezt követően pedig a rendszer lekérheti a tréning naplóit.
23 eszköz vezeti végig a munkafolyamatot
A Kubeflow MCP Server jelenleg 23 eszközt kínál, amelyeket különböző fázisokba rendeztek. A tervezési eszközök, köztük a pre_flight, a check_compatibility, a get_cluster_resources és az estimate_resources, a klaszter és a GPU-igény ellenőrzésére szolgálnak.
A felfedezési funkciók a futó tréningfeladatokat és az elérhető futtatási környezeteket listázzák. A tréninghez a rendszer finomhangolást, egyedi elosztott szkripteket és konténeres feladatokat támogat. Külön eszközök foglalkoznak a naplók és események megfigyelésével, a feladatok felfüggesztésével, folytatásával és törlésével, valamint a CRD-k és futtatási környezetek kezelésével.
A munkát kétlépcsős jóváhagyás védi. Minden feladat létrehozása és romboló művelet előnézettel indul, így a felhasználó láthatja a teljes specifikációt. A tréning beküldése, a feladat törlése, valamint a futtatási környezetek létrehozása, módosítása és törlése csak külön megerősítéssel történhet.
Hozzáférési szintek és biztonsági védelem
A szerver négy beépített szerepkört kínál. A readonly szerepkör 12 eszközt, a data-scientist 16 eszközt, az ml-engineer 20 eszközt, a platform-admin pedig mind a 23 eszközt elérhetővé teszi. A korlátozott szerepkörök saját feladatok kezelésére, tréningre és megfigyelésre használhatók, míg a platformadminisztrátor a CRD-k és a futtatási környezetek műveleteit is elérheti.
A biztonsági funkciók között szerepel a Kubernetes-nevek és névterek szigorú ellenőrzése, a tokenek és jelszavak maszkolása a naplókban, valamint a DNS-újrakötési támadások elleni védelem. A nem adminisztrátori szerepkörök csak az MCP Serveren keresztül létrehozott feladatokat módosíthatják. Fejlesztéshez bearer token, éles használathoz JWT vagy JWKS alapú ellenőrzés áll rendelkezésre.
A kontextusablakok terhelésének csökkentésére a rendszer teljes, fokozatos és szemantikus módot kínál. Fokozatos módban három, szemantikus módban két eszköz látszik közvetlenül, az ügynök pedig igény szerint fedezheti fel a további funkciókat. A szerver támogatja a Kubernetes API terhelésének korlátozását, áramköri megszakítót és strukturált hibajelzéseket is.
A Trainer támogatása már elérhető
A Kubeflow szerint a Trainer kliens már működik az MCP Serverben. A használathoz Python 3.10 és 3.12 közötti verzió, Kubernetes 1.27 vagy újabb rendszer, valamint Kubeflow Trainer v2.2 vagy újabb szükséges. A csomag a pip install kubeflow-mcp paranccsal telepíthető.
A szerver Cursor IDE-hez, Claude Code-hoz és HTTP-alapú távoli vagy csapattelepítéshez is csatlakoztatható. A beállítás ellenőrzésére az MCP Inspector használható, amelyben a regisztrált eszközök böngészhetők, a hívások interaktívan futtathatók, a válaszok pedig megvizsgálhatók.
A Kubeflow tervei szerint a Trainer után az Optimizer, a modellregiszter, a Kubeflow Pipelines és a Spark Operator is MCP-támogatást kaphat. A cél egy egységes ügynöki interfész a felhőalapú AI teljes életciklusához.
