快速上手 - mindspore-tools-mcp

1

克隆项目

确保已安装 uv（Python 包管理器）

Terminal

git clone https://github.com/whitea133/mindspore-tools-mcp.git
cd mindspore-tools-mcp
uv sync

2

配置 MCP 客户端

在 Cline（VS Code 扩展）或 Cursor 中添加 MCP 服务配置：

cline_mcp_settings.json

{
  "mindspore_tools_mcp": {
    "command": "uv",
    "args": [
      "--directory",
      "你的项目路径/mindspore-tools-mcp",
      "run",
      "python",
      "-m",
      "mindspore_tools_mcp.server"
    ],
    "autoApprove": []
  }
}

💡 Cline 配置文件路径：VS Code 设置 → 搜索 "cline" → Edit in settings.json
或直接编辑 ~/.cline/cline_mcp_settings.json

3

开始使用

重启 Cline 后，即可在对话中直接调用所有 MCP 工具。以下是一个典型的工作流：

Cline — mindspore-tools-mcp 已连接 29 tools

👤 你

推荐一个适合在 Ascend 上做图像分类的模型

🤖 Cline

🔧 recommend_models(task="图像分类", hardware="ascend", limit=3)

为你推荐以下 3 个模型：

🥇 ResNet50 — 精度 76.1% | 参数 25.6M | 原生支持 Ascend
🥈 EfficientNet-B0 — 精度 77.1% | 参数 5.3M | 轻量首选
🥉 SwinTransformer-T — 精度 81.3% | 参数 28M | 精度最高

推荐理由：ResNet50 是 MindSpore 生态中适配最成熟的模型，文档齐全、示例丰富。

👤 你

帮我生成 ResNet50 的完整训练脚本，数据集 CIFAR-10

🤖 Cline

🚂 generate_training_template(model="resnet50", dataset="cifar10", hardware="Ascend")

✅ 已生成完整训练脚本 train_resnet50_cifar10.py
包含：数据加载 → 模型定义 → 损失函数 → 优化器 → 回调 → 训练循环
Ready to run

📸 截图提示：以上为模拟效果。请在你的 Cline 中实际运行一次对话，
然后替换此处的模拟框为真实截图（保存为 docs/images/cline-demo.png）

4

快速上手 mindspore-tools-mcp

克隆项目

配置 MCP 客户端

开始使用

更多工具一览