Spec Driven Development
作者：formulahendry
MCP Server that facilitates spec-driven development workflows, not just Vibe Coding.
パソコンで動く★ 440MIT14 か月前更新
インストール
MCP Ml Lab
概要
作者による説明（英語の原文）
Run end-to-end ML experiments from natural language (XGBoost, LightGBM, Optuna).
PopNx MCPの3つの柱
この3つを1つのスコアにまとめることはしません。意見、測定、人気はそれぞれ別のものだからです。
- 利用者の声iレビューはまだありませんレビューは今後のステップで、アカウント機能と一緒に始まります
- 私たちの基本チェックi1項目中1項目に合格公開情報からチェック。コードはまだスキャンしていません
- 利用状況i未計測★ –
できること
このサーバーのやさしい解説はまだ書いていません。以下はレジストリから読み取った事実です。
- 接続方法: パソコンで動く
- トランスポート: stdio
- カテゴリ: その他
インストール
使っているAIアプリを選んで、設定をコピーしてください。
インストールの前に
- 基本チェック：1項目中1項目に合格
- あなたのパソコンで、あなたのユーザーと同じ権限（ファイル、ネットワーク、アプリ）で動きます。
- レジストリには、入力が必要なキーは載っていません。
必要なもの
- PyPIPythonのuvのインストール（uvxコマンドに必要）
どのアプリを使っていますか？
上でアプリを選んでください。選んだアプリを覚えておくので、次からはボタンに「…にインストール」と表示されます。
Claude Desktop → Settings → Developer → Edit Config を開き、claude_desktop_config.json にこれを貼り付けます
{
"mcpServers": {
"ml-lab": {
"command": "uvx",
"args": [
"mcp-ml-lab"
]
}
}
}ターミナルでこれを実行します
claude mcp add ml-lab -- uvx mcp-ml-labまたは、設定を自分でコピーする
プロジェクトの .cursor/mcp.json、または ~/.cursor/mcp.json に貼り付けます
{
"mcpServers": {
"ml-lab": {
"command": "uvx",
"args": [
"mcp-ml-lab"
]
}
}
}ブラウザがアプリを開いてよいか確認し、そのあとアプリが設定を表示して確認を求めます。キーの値は空欄のままなので、自分で入力してください。
または、設定を自分でコピーする
プロジェクトの .vscode/mcp.json に貼り付けます
{
"servers": {
"ml-lab": {
"type": "stdio",
"command": "uvx",
"args": [
"mcp-ml-lab"
]
}
}
}ブラウザがアプリを開いてよいか確認し、そのあとアプリが設定を表示して確認を求めます。キーの値は空欄のままなので、自分で入力してください。
これはパソコンで動くサーバーですが、ChatGPTがつなげるのはインターネット上のサーバーだけです。ほかのアプリを選んでください。
選んだアプリは、この端末のCookieに保存されます。アカウントは不要です。
この設定は、作者のレジストリ登録情報から作成しています。READMEと違う場合は、READMEに従ってください。
できること
パソコンで動くサーバーです。インストールすると、ツール一覧がAIアプリに表示されます。
基本チェックi
誰でも見られる情報をチェックしており、コードは読んでいません。当てはまらない項目は数に入れていません。 · 2026年11月8日にチェック
- ✓ 合格
作者とリポジトリが一致
レジストリ名は、リポジトリを所有するGitHubアカウント rohithraju-ops で確認済みです
- … 未チェック
今もメンテナンスされている
このリポジトリはまだGitHubから読み取っていません
- … 未チェック
ライセンスがある
このリポジトリはまだGitHubから読み取っていません
- – 対象外
エンドポイントが応答する
これはパソコンで動くため、インターネット上のエンドポイントはありません
- – 対象外
OAuthでサインイン
パソコンで動き、代わりにローカルの設定を使います
- … 未チェック
ツールの説明に隠れた指示がない
パソコンで動くサーバーです。ツール一覧を読み取れるのは、インターネット上のエンドポイントがある場合だけです
その他のほかのサーバーとの比較i
- このカテゴリのほかの18380件のうち0%よりスターが多い
- このカテゴリのほかの18380件のうち9%より最近レジストリに公開
- 基本チェックの結果が、このカテゴリのほかの18380件のうち100%と同じかそれ以上
レジストリでこのカテゴリにある有効なすべてのサーバーと比較しています。スターは、公開者がリポジトリの所有者である場合だけ数えます。
よくある質問
MCP Ml Labは安全ですか？
当てはまる基本チェック1項目のうち1項目に合格しました。コードは読んでいません。キーやトークンを追加する前に、サーバーがどんなアクセスを求めているかを確認し、必要な権限だけを持つキーを使ってください。
どんなキーやコードが必要ですか？
レジストリには必須のキーは載っていません。ただし、最初に使うときにサインインを求めるサーバーもあります。
パソコンで動きますか、それともクラウドですか？
あなたのパソコンで動きます。必要なときにAIアプリが起動し、データは作者のサーバーを通りません（サーバー自体がオンラインサービスを呼び出す場合を除きます）。
今もメンテナンスされていますか？
GitHubリポジトリの最終更新は–、最新バージョン（0.1.0）がレジストリに届いたのは5 か月前です。
どのアプリで使えますか？
Claude Desktop、Claude Code、Cursor、VS CodeなどのMCP対応アプリで使えます。パソコンにPython (uv)も必要です。
代わりに使えるものは？
同じカテゴリには：Spec Driven Development, Remote Desktop Commander, Tethered Trust
代わりの候補
同じカテゴリで、ほかの作者が作ったサーバー。スターの多い順。
カードの見方：★ GitHubスターi3つの柱：レビュー · チェック · 利用状況i更新＝最新バージョンをレジストリに公開した日i
Remote Desktop Commander
作者：desktop-commander
Remote Desktop Commander: use files, terminal and processes on your own computers from any AI app.
クラウドで動く★ 211一昨日更新
インストール
Tethered Trust
作者：tetheredtrust.com
Fit, compatibility and recall checks for AI agents before they buy: verdicts, evidence, receipts.
クラウドで動く今日更新
インストール
作者のREADME
READMEを開く
作者のリポジトリから書かれたとおりにコピーしたものです。PopNx MCPは内容を確認・推奨していません。HTML、画像、スクリプトは取り除いています。リンクはこのサイトの外へ移動します。
mcp-ml-lab
Let AI agents run real ML experiments end-to-end.
An MCP server that gives Claude (or any MCP-aware AI agent) the ability to profile a CSV, define an ML task, tune XGBoost and LightGBM with Optuna, and produce a markdown report with feature importance — all from natural language.
Why this exists
The existing ML-related MCP servers wrap MLflow, ZenML, or Weights & Biases and expose them as read-only — agents can browse experiment history but can't actually *run* anything. mcp-ml-lab fills the gap: it lets agents execute the full experimentation loop from a user's natural-language request.
A user typing "train a model on titanic.csv to predict survival" should not need to know what XGBoost is, what cross-validation is, or how to write a hyperparameter search. The agent handles all of that — mcp-ml-lab is the tools layer that makes it possible.
Quick start
pip install mcp-ml-labAdd to your Claude Desktop config (~/Library/Application Support/Claude/claude_desktop_config.json on macOS):
{"mcpServers": { "ml-lab": { "command": "mcp-ml-lab" } } }
Restart Claude Desktop. The five tools below are now available.
Example queries
Try these in Claude Desktop with mcp-ml-lab connected:
- *"Profile this CSV and tell me if there's class imbalance"*
- *"Compare XGBoost and LightGBM on titanic.csv with 60 seconds of tuning"*
- *"Show me the top 10 features the winning model used"*
- *"How did my last three experiments on the wine dataset compare?"*
Tools
| Tool | What it does |
|---|---|
inspect_data | Profile a CSV — shape, dtypes, nulls, summary stats, class balance |
define_task | Register an ML task (CSV + target + classification/regression) |
run_experiment | Train one or more models, optionally tuning with Optuna |
get_results | Markdown report with metrics, hyperparameters, feature importance |
compare_runs | Side-by-side comparison of multiple experiments |
Each tool's full signature is in its docstring; they self-document to the LLM.
How it works
Claude Desktop ───MCP/stdio─── mcp-ml-lab server│ ├── data.py CSV loading, schema inference, preprocessor ├── trainers/ Pluggable XGBoost + LightGBM adapters ├── search.py Stratified CV + Optuna TPE tuning ├── metrics.py Accuracy, F1, AUC, log loss ├── storage.py SQLite via SQLAlchemy 2.0 └── reporting.py Markdown report generation
All experiments and trials are persisted to ~/.mcp-ml-lab/store.db so an agent can refer back to runs across sessions.
Full design notes in ARCHITECTURE.md.
Roadmap
v0.1.0 ships classification with XGBoost and LightGBM. Planned for v0.2.0+:
- Regression tasks
- Time series forecasting (sktime / darts integration)
- Deep learning baselines (pytorch-tabular)
- Optuna multi-objective search (accuracy × latency × model size)
- Persisted model artifacts with Docker reproducibility
- Permutation feature importance (bias-free alternative to gain importance)
- Notebook export — emit a Jupyter notebook that reproduces the winning run
Issues and PRs welcome.
Development
git clone https://github.com/rohithraju-ops/mcp-ml-lab.gitcd mcp-ml-lab python -m venv .venv && source .venv/bin/activate pip install -e ".[dev]" pytest -v
Local debugging is easiest with the MCP Inspector:
npx @modelcontextprotocol/inspector mcp-ml-labLicense
MIT.