Mlagents MCP Server

MCP运维云端

提供方 limam-B

运维云端 stdio · 本地进程 无需鉴权 社区 / 第三方 Claude
查看接入方式

通过自然对话控制Unity ML-Agents训练的服务,支持训练启动、停止、恢复、监控和模型导出。

一句话选型结论

按资料字段整理

Mlagents MCP Server 属于运维云端类 MCP 服务器,stdio · 本地进程,无需鉴权,可直接接入 Claude,有可直接执行的安装命令。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类运维云端 传输方式stdio · 本地进程 鉴权无需鉴权 部署方式本地部署
GitHub 星标 0 仓库热度,无公开仓库时显示未标注
工具数 18 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

运维云端
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量18暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

支持客户端

适用场景

机器学习Python本地部署Unity开发训练控制自然语言交互TensorBoard监控

安装与配置

stdio · 本地进程 无需鉴权
客户端在本机拉起子进程,数据不出本机
uv run ruff check src/

这条命令只是入口,具体启动参数请按官方文档补齐,不要直接照搬到别的服务器。

  1. 1
    准备运行环境

    stdio 服务在本地起进程,需要先装好 Python,再按安装命令拉取依赖。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后客户端会列出约 18 个工具,随便调一个只读工具确认能返回结果。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
云资源查询

查实例、存储、账单等云上资源状态。

部署与发布

把部署、重启、回滚这类操作接进对话。

监控与告警

拉取监控指标,异常时让模型帮你判断。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 资料标注 18 个工具,覆盖面较广,能满足多种调用。
  • 有现成的安装命令,不用自己找入口,照着跑就能起服务。
  • 已适配 Claude,换客户端不用重新研究配置。
  • 资料标注无需鉴权,装好就能连。

先想清楚的地方

  • stdio 方式要求本地装好运行时(如 Node.js),换机器要重新装一遍。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在运维云端场景里让模型直接调用外部能力的人。
  • 已经在用 Claude 的用户,接入路径最短。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 完全不想在本地装环境的人。
  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
Mlagents MCP Server当前 18 stdio · 本地进程 本地部署 有 2026-05-17
lobehub 未标注 stdio · 本地进程 本地部署 有 2026-04-11
TrendRadar 未标注 stdio · 本地进程 本地部署 有 2026-04-13
Ui Tars Desktop 8a825770 未标注 stdio · 本地进程 本地部署 有 2026-05-17
ruflo 未标注 stdio · 本地进程 本地部署 有 2026-04-13
FastGPT 未标注 stdio · 本地进程 本地部署 有 2026-04-11

服务器档案

运维云端
字段来自项目仓库与公开索引,中文说明由本站标注
提供方limam-B上游标注的维护方 limam-B
分类运维云端本站按上游分类展示
连接方式stdio · 本地进程客户端在本机拉起子进程,数据不出本机
鉴权方式无需鉴权远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时未标注 · Python本地安装时用到的包标识与运行时
部署类型本地部署上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

6.9 KB
来自项目仓库与上游目录的原文,未做删改

mlagents mcp

用于控制Unity ML代理训练的MCP服务器从Claude Code运行。

启动、停止、恢复、监视、比较和导出ML代理培训——所有这些都可以通过自然对话完成,而无需离开编辑器。

特性

  • 训练控制 --启动、停止、恢复作为后台进程运行
  • 即时检查 --在不打断对话的情况下检查培训进度
  • 实时监控 --实时读取TensorBoard指标、奖励曲线和训练日志
  • 运行比较 --跨运行比较度量以进行超参数调整
  • 配置管理 --读取并深度合并更新YAML训练配置
  • 模型导出 --定位.onx模型和检查点
  • 两种训练模式 --Unity编辑器(交互式)和内置可执行文件(无头批处理)

需求

  • Python 3.10+
  • 紫外线 包管理器
  • Unity ML代理 mlagents-learn 在PATH中可用(或通过conda env)
  • 克劳德代码 命令行界面

安装```bash

git clone https://github.com/limam-B/mlagents-mcp-server.git
cd mlagents-mcp-server
uv sync


## 使用Claude Code快速设置```bash
# Register the MCP server:
claude mcp add --scope project --transport stdio mlagents-training \
-- uv run --directory /path/to/mlagents-mcp-server mlagents-mcp

# Unregister (from all scopes to clean up stale configs):
claude mcp remove --scope local mlagents-training
claude mcp remove --scope user mlagents-training
claude mcp remove --scope project mlagents-training

# List registered servers:
claude mcp list

有环境变量

服务器从环境变量中读取其配置。将它们添加到您的 .mcp.json (项目级别)或通过CLI传递它们:```json
{
"mcpServers": {
"mlagents-training": {
"command": "uv",
"args": ["run", "--directory", "/path/to/mlagents-mcp-server", "mlagents-mcp"],
"env": {
"MLAGENTS_PROJECT_ROOT": "/path/to/your/unity/project",
"MLAGENTS_RESULTS_DIR": "results",
"MLAGENTS_CONFIG_DIR": "config"
}
}
}
}


### 使用conda(如果ML代理安装在conda环境中)```json
{
"mcpServers": {
"mlagents-training": {
"command": "uv",
"args": ["run", "--directory", "/path/to/mlagents-mcp-server", "mlagents-mcp"],
"env": {
"MLAGENTS_PROJECT_ROOT": "/path/to/your/unity/project",
"MLAGENTS_RESULTS_DIR": "results",
"MLAGENTS_CONFIG_DIR": "config",
"MLAGENTS_CONDA_ENV": "mlagents",
"MLAGENTS_CONDA_PATH": "/home/user/miniconda3"
}
}
}
}

环境变量

变量 默认值 描述
MLAGENTS_PROJECT_ROOT . Unity项目的根目录
MLAGENTS_RESULTS_DIR results 培训结果目录(相对于项目根目录)
MLAGENTS_CONFIG_DIR config 训练配置YAML目录(相对于项目根目录)
MLAGENTS_CONDA_ENV -- 运行前要激活的环境名称 mlagents-learn
MLAGENTS_CONDA_PATH -- conda安装路径(例如。 /home/user/miniconda3)

工具(18)

训练控制

工具 说明
force_training 启动新的训练运行(覆盖以前的结果)。默认情况下,直到准备就绪。
stop_training 优雅地停止运行(SIGINT,保存模型)。
resume_training 从检查点恢复。自动从上次运行中读取配置。
cleanup_processes 杀死孤立的mlagents学习和Unity构建过程,这些过程不受任何活动运行的跟踪。

监控

工具 说明
get_run_status 状态概述:奖励趋势、检查点、步骤进度。
get_metrics 阅读TensorBoard标量(奖励、损失、学习率等)。
get_training_logs 从活动运行中跟踪实时stdout/stderr。
list_runs 列出所有具有状态筛选的已知运行

比较和导出

工具 说明
compare_runs 比较多个运行中的指标(最小/最大/最终+趋势)。
export_model 查找.onx模型文件和检查点。

配置

工具 说明
get_config 阅读YAML训练配置。
update_config 深度合并更新到配置中(只有指定的键会更改)。

等待并检查

工具 默认值 说明
wait_for_first_metrics Blocks 直到第一个TensorBoard数据点出现为止的块(~1-2分钟)。
wait_for_completion 封锁 封锁直到训练结束。用于自动运行链(最多4小时)。
check_step 即时 检查训练是否达到目标步骤。返回当前进度。
check_reward 即时 检查平均奖励是否达到目标。返回当前奖励。
check_completion 即时 检查培训是否完成。返回当前状态和进度。
check_checkpoint 即时 检查是否出现新的.onx文件。返回检查点列表。

这 check_* 工具 总是立即返回 --他们从不打断谈话。使用 wait_for_completion 当你想封锁直到跑步结束时(例如,封锁技能a→ 技能B自动)。

两种训练模式

编辑器模式(否 env_path)

培训连接到Unity编辑器。 force_training 块直到 mlagents-learn 打印“正在端口上监听…按播放”,然后您(或AI代理)在Unity中按播放。```
force_training(config_path="movement.yaml", run_id="Movement_v1")

→ blocks until "Listening on port 5004. Start training by pressing Play..."


### 批处理模式(带 `env_path`)

Training直接启动构建的可执行文件,无需Unity编辑器。 `force_training` 直到可执行文件连接为止。```
force_training(
config_path="movement.yaml",
run_id="Movement_v1",
env_path="/path/to/Build.x86_64",
num_envs=12,
no_graphics=True,
)
# → blocks until "Connected to Unity environment"

工作流程示例

典型的自动化培训课程:```
1. force_training(config, run_id, ...) # launch, blocks until ready
2. wait_for_first_metrics(run_id) # blocks until data flowing
3. wait_for_completion(run_id) # blocks until training ends (hours)
4. export_model(run_id) # get checkpoint
5. update_config(next_skill, init_path=..) # chain checkpoint to next skill
6. [repeat from step 1 for next skill]


启动过程中,步骤1-2会短暂停止。第3步是整个持续时间(小时)的块——用于自动链接。对于手动监控,请使用 `check_step`/`check_completion` 而不是步骤3。

## 发展```bash
# Install dev dependencies:
uv sync --group dev

# Lint:
uv run ruff check src/

# Format:
uv run ruff format src/

# Run the server directly (stdio):
uv run mlagents-mcp

项目结构```

src/mlagents_mcp/
server.py # FastMCP app, all 18 tool definitions, entry point
process_manager.py # Subprocess launch/stop, log capture, port assignment
metrics_reader.py # TensorBoard event file parsing
config_manager.py # YAML config read/write/deep-merge
run_registry.py # Thread-safe run tracking + historical disk scan
waiters.py # Blocking wait logic for all wait_for_* tools
types.py # Shared dataclasses and enums
```

许可证

麻省理工学院

常见问题

8 问
答案由本站依据条目字段整理,不引用上游原文
Mlagents MCP Server 怎么安装?

在客户端按下面的安装命令接入:uv run ruff check src/。装完在客户端配置里引用同一个包或端点。

Mlagents MCP Server 怎么在 Claude 里配置?

它的传输方式是stdio · 本地进程,在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,配置才会生效。

Mlagents MCP Server 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

Mlagents MCP Server 需要 API Key 吗?

资料标注为无需认证,装好就能连;如果实际调用时报鉴权错误,按官方文档补上凭据。

Mlagents MCP Server 支持哪些客户端?

资料标注支持 Claude;其他客户端只要能配置 MCP Server,也能用同样的命令或地址接入。

Mlagents MCP Server 能提供哪些能力?

资料显示约 18 个工具;能力标签包括 机器学习、Python、Claude、自然语言交互。具体工具清单以官方文档为准。

Mlagents MCP Server 需要什么运行环境?

运行时为 Python;属于本地进程,需要在本机装好运行环境。

Mlagents MCP Server 是本地还是远程?

它是本地进程(stdio),由客户端在本机拉起。传输方式为stdio · 本地进程。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。