AI アシスタントで Weights & Biases を使用する

Weights & Biases は、互いに補完し合う 2 つの方法で AI アシスタントと連携します。

W&B Skills は、コードや分析のワークフローで Weights & Biases を効果的に使う方法をコーディングエージェントに教えます。
Weights & Biases MCP サーバー は、AI アシスタントを Weights & Biases のデータやドキュメントに接続します。これにより、AI アシスタントは run、トレース、評価、アーティファクトに関する自然言語の質問に回答できるようになります。

Weights & Biases を活用するコードをコーディングエージェントに作成・変更させたい場合は、Skills を使用します。AI アシスタントに Weights & Biases のライブデータをクエリさせたり、Weights & Biases のドキュメントを検索させたりしたい場合は、MCP サーバーを使用します。この 2 つは組み合わせて使うと効果的です。Skills はワークフローのパターンを、MCP はデータへのアクセスを提供します。インテグレーションによって異なりますが、Weights & Biases は次のような主要なコーディングエージェント、IDE、チャットアシスタントで利用できます。

Claude Code
Codex
Cursor
Gemini CLI
Visual Studio Code (VS Code)
Mistral LeChat
Claude Desktop

W&B Skills がサポートしているエージェントの一覧については、W&B Skills CLI のドキュメントを参照してください。

W&B Skills

W&B Skills は、コーディングエージェントに Weights & Biases を効果的に使用する方法を教える、再利用可能な指示セットです。W&B の API やベストプラクティスをエージェントに逐一指示しなくても、Skills をインストールすれば、エージェントが実験管理、トレース、評価、モニタリングを自律的に行えるようになります。

機能

Skills は、W&B Python SDK (トレーニング run、メトリクス、アーティファクト、sweep) と Weave SDK (トレース、評価、Scorer) の両方に対応しています。ヘルパーライブラリ、リファレンスドキュメント、データ分析パターンが含まれているため、エージェントは次のワークフローを実行できます。

ワークフロー	機能
モデルトレーニング	トレーニングやファインチューニング中にメトリクスとリッチメディアをログします。実験をトラッキングして比較します。損失曲線や精度スコアなど、run と結果を分析します。ハイパーパラメーターをチューニングします。
エージェント構築	エージェント型 AI アプリケーションをトレースします。トレースを分析し、失敗モードを分類します。ラベル付きデータセットを使用してモデルとエージェントを評価します。オンライン評価を実行して本番環境をモニタリングします。

前提条件

W&B Skills を使用するには、以下が必要です。

npx コマンドを実行するための Node.js。
Forge APIキー。forge.coreweave.com/settings#apikeys で作成し、環境変数として設定します。[YOUR-API-KEY] をご自身のAPIキーに置き換えてください。
export WANDB_API_KEY="[YOUR-API-KEY]"
オプション: Weights & Biases のプロジェクト名を WANDB_PROJECT 環境変数に設定します。これにより、毎回指定しなくても、エージェントが対象とする Weights & Biases の project を正しく判別できるようになります。

W&B Skills をインストールする

すべての project で Skills を使用できるようにするにはグローバルインストールを、Skills の適用範囲を 1 つの project に限定するには project 単位のインストールを選択します。 W&B Skills をグローバルにインストールしてすべての project で使用できるようにするには、--global フラグを使用します。

npx skills add wandb/skills --skill '*' --yes --global

現在のプロジェクトにのみ Skills をインストールするには、プロジェクトのディレクトリで --global フラグを付けずにインストールコマンドを実行します。

npx skills add wandb/skills --skill '*' --yes

特定のエージェント向けに Skills をインストールするには、--agent フラグを使用します。

npx skills add wandb/skills \
  --agent claude-code \
  --skill '*' \
  --yes \
  --global

--agent および --skill で指定できるオプションの一覧については、Vercel Labs skills CLI のドキュメントを参照してください。インストールが完了すると、エージェントが W&B Skills を利用できるようになり、Weights & Biases 関連のタスクを処理できる状態になります。

W&B Skills を使用する

project に関連する Weights & Biases のタスクをエージェントに依頼できます。次のプロンプト例は、W&B Skills を使ってエージェントが実行できるタスクの一部です。

「PyTorch モデルのトレーニングメトリクスを Weights & Biases にログして。」
「直近 10 件の run の損失曲線を分析して、最もパフォーマンスの高い設定を特定して。」
「LangChain エージェントをトレースして、結果を Weave にログして。」
「テストデータセットを使ってエージェントの評価を実行し、結果を要約して。」
「直近の評価で発生した失敗モードを洗い出して分類して。」
「run A と run B の設定を比較して、差分を表示して。」

W&B Skills の使い方のヒント

Skills は、漠然とした自由形式の質問よりも、具体的なクエリのほうが適切に回答できます。次の表では、推奨されるプロンプトと曖昧すぎるプロンプトを比較しています。

推奨	非推奨
「直近 5 件の run の最終的な検証損失はいくつですか？」	「モデルの調子はどうですか？」
「直近 10 件のトレースのトークン使用量を要約してください。」	「トレースをすべて表示してください。」
「run A と run B の設定を比較してください。」	「一番良い run はどれですか？」
「F1 スコアが最も高かった評価はどれですか？」	「評価の進み具合はどうですか？」

Weights & Biases MCP サーバー

Model Context Protocol (MCP) は、AI エージェントが外部ツールを呼び出せるようにするオープン標準です。Weights & Biases MCP サーバーを使用すると、IDE、コーディングアシスタント、チャットエージェントから Weights & Biases のデータやドキュメントに直接アクセスできます。そのため、エージェントはコピー＆ペーストを必要とせずに、run、トレース、評価、アーティファクトに関する質問に回答できます。このサーバーでできることの詳細については、Weights & Biases MCP サーバーの機能セクションを参照してください。

デプロイメントタイプ

Weights & Biases MCP サーバーには、2 つのデプロイメントオプションがあります。すぐに使い始めたい場合はホスト型サーバーを使用し、より高い分離性や柔軟性が必要な場合はローカルバージョンを設定してください。ローカルバージョンでは、クライアントがサーバーにアクセスする際に別の URL を使用する必要があります。

ホスト型サーバー（推奨）

Weights & Biases が管理する MCP サーバーです。クライアントは APIキーを使用して HTTP 経由で接続します。インストールは不要で、ローカルプロセスを保守する必要もありません。ホスト型サーバーを使用する

ローカルインストール

MCP サーバーを自分のマシン上で STDIO または HTTP 経由で実行します。エアギャップ環境での運用、特定のリリースへのバージョン固定、サーバー動作のカスタマイズ、サーバー自体の開発を行う場合や、STDIO のみに対応したクライアントを使用する場合に適しています。MCP サーバーをローカルで実行する

前提条件

クライアントを設定する前に、以下の準備が整っていることを確認してください。

forge.coreweave.com/settings#apikeys で APIキーを作成します。
キーを WANDB_API_KEY 環境変数に設定するか、Bearer token としてクライアントに渡します。
専用クラウド、セルフマネージド、およびデフォルト以外のインスタンスに接続するローカルインストールの場合は、WANDB_BASE_URL 環境変数にインスタンスの URL を設定します。
Weights & Biases では、mcp SDK のバージョンを 1.14.0 (リリース 2024-11-05) に固定しています。クライアントは mcp SDK 1.14.x で接続する必要があります。W&B 専用クラウドで Streamable HTTP を利用するには、mcp SDK 1.14.x のリリース 2025-03-26 以降が必須です。

ホスト型サーバーを使用する

Weights & Biases は、すべてのデプロイメントタイプ向けにマネージド MCP サーバーを提供しています。インストールは必要ありません。HTTP 経由で接続し、Authorization ヘッダーで APIキーを渡すようにクライアントを設定してください。

接続 URL

URL は、使用している Weights & Biases のデプロイメントのタイプによって異なります。

デプロイメント	サーバー URL
Multi-tenant Cloud	`https://mcp.withwandb.com/mcp`
専用クラウド	`https://[YOUR-INSTANCE]/mcp`
セルフマネージド	`https://[YOUR-INSTANCE]/mcp`

専用クラウドまたはセルフマネージドの場合は、https://mcp.withwandb.com/mcp を https://[YOUR-INSTANCE]/mcp に置き換えてください。それ以外の設定は変更不要です。以下のクライアント設定例では、Multi-tenant Cloud の URL を使用しています。

Weights & Biases の MCP サーバーを Claude Code に登録します。その際、Bearer token はご自身の APIキーに置き換えてください：

claude mcp add --transport http wandb https://mcp.withwandb.com/mcp \
  --header "Authorization: Bearer [YOUR-WANDB-API-KEY]"

Claude Code をグローバルに設定するには、--scope user を追加します。現在の project のみを対象に設定する場合は、このオプションを省略します。List my W&B entities. と質問して、接続を検証します。エージェントが list_entities_tool を呼び出し、ユーザー名と所属するチームが返されれば成功です。接続に失敗した場合は、トラブルシューティングを参照してください。詳細については、Claude Code の MCP ドキュメントを参照してください。

Claude Desktop の組み込みのカスタムコネクタインターフェースは、リモート MCP サーバーへの APIキー認証をサポートしていません。これを回避するには、mcp-remote npm プロキシを使用して、Claude Desktop を Weights & Biases のリモート MCP サーバーに接続します。このプロキシはローカルで動作し、Bearer token を付与してリクエストを https://mcp.withwandb.com/mcp に転送します。システムに Node.js がインストールされている必要があります。テキストエディタで Claude Desktop の設定ファイルを開きます。設定ファイルの場所は OS ごとに次のとおりです。

macOS: ~/Library/Application\ Support/Claude/claude_desktop_config.json
Windows: %APPDATA%\Claude\claude_desktop_config.json

設定ファイル内の JSON オブジェクトに以下を追加し、[YOUR-WANDB-API-KEY] をご自身の APIキーに置き換えます。

{
  "mcpServers": {
    "wandb": {
      "command": "npx",
      "args": [
        "-y",
        "mcp-remote",
        "https://mcp.withwandb.com/mcp",
        "--header",
        "Authorization:${AUTH_HEADER}"
      ],
      "env": {
        "AUTH_HEADER": "Bearer [YOUR-WANDB-API-KEY]"
      }
    }
  }
}

一部のバージョンの Claude Desktop ではスペースのエスケープに関する問題があるため、これを回避するために、ヘッダー値全体を args に直接指定するのではなく、env フィールドで設定します。Claude Desktop を再起動して、新しい設定を有効にします。List my W&B entities. と尋ねて、接続を確認します。エージェントが list_entities_tool を呼び出し、ユーザー名と所属するチームが返されれば成功です。接続に失敗する場合は、トラブルシューティングを参照してください。

APIキーを環境変数としてエクスポートしてから、サーバーを Codex に登録します：

export WANDB_API_KEY=[YOUR-WANDB-API-KEY]
codex mcp add wandb \
  --url https://mcp.withwandb.com/mcp \
  --bearer-token-env-var WANDB_API_KEY

List my W&B entities. と尋ねて、接続を確認します。エージェントが list_entities_tool を呼び出し、ユーザー名と所属しているチームを返せば、接続は正常です。接続に失敗した場合は、トラブルシューティングを参照してください。

ワンクリックインストールリンクを使用して Cursor にサーバーを自動でインストールし、Authorization フィールドのプレースホルダーをご自身の APIキーに置き換えてください。Cursor を手動で設定するには、次の手順を実行します。

macOS では、Cursor > Settings > Cursor Settings を開きます。Windows または Linux では、Preferences > Settings > Cursor Settings を開きます。
Tools and MCP を選択します。
Installed MCP Servers で Add Custom MCP を選択します。mcp.json 設定ファイルが開きます。

mcpServers オブジェクトに次の内容を追加します。

{
  "mcpServers": {
    "wandb": {
      "transport": "http",
      "url": "https://mcp.withwandb.com/mcp",
      "headers": {
        "Authorization": "Bearer [YOUR-WANDB-API-KEY]",
        "Accept": "application/json, text/event-stream"
      }
    }
  }
}

Cursor を再起動します。
List my W&B entities. と質問して接続を確認します。エージェントが list_entities_tool を呼び出し、ユーザー名と所属するチームが返されれば成功です。

接続に失敗した場合は、トラブルシューティングを参照してください。詳細については、Cursor の MCP ドキュメントを参照してください。

Weights & Biases MCP 拡張機能をインストールします。

gemini extensions install https://github.com/wandb/wandb-mcp-server

Gemini CLI を再起動します。List my W&B entities. と質問して、接続を確認します。エージェントが list_entities_tool を呼び出し、ユーザー名と所属するチームが返されれば、接続は成功しています。接続に失敗する場合は、トラブルシューティングを参照してください。詳細については、Gemini CLI の MCP ドキュメントを参照してください。

LeChat で Intelligence メニューを開き、Add Connector を選択します。
Custom MCP Connector を選択します。
次のフィールドを設定します。
- Connector Server: https://mcp.withwandb.com/mcp
- Description: (オプション) 簡単な説明を入力します。
- Authentication Method: API Token Authentication を選択します。
- Header name: Authorization のままにします。
- Header type: Bearer を選択します。
- Header value: ご自身の APIキーを入力します。
Create を選択します。
List my W&B entities. と質問して、接続を検証します。エージェントが list_entities_tool を呼び出し、ユーザー名と所属チームが返されれば成功です。

接続に失敗する場合は、トラブルシューティングを参照してください。詳細については、LeChat の MCP ドキュメントを参照してください。

OpenAI Responses API の呼び出しの tools フィールドにサーバーを追加します：

import os
from openai import OpenAI

client = OpenAI()

resp = client.responses.create(
    model="gpt-4o",
    tools=[{
        "type": "mcp",
        "server_label": "wandb",
        "server_description": "Query W&B data",
        "server_url": "https://mcp.withwandb.com/mcp",
        "authorization": os.getenv("WANDB_API_KEY"),
        "require_approval": "never",
    }],
    input="List my W&B entities.",
)

print(resp.output_text)

authorization の値には、APIキーをそのまま渡してください。OpenAI はサーバーを呼び出す際に Bearer を先頭に付加するため、自分で付ける必要はありません。OpenAI の MCP インテグレーションはサーバー側で実行されるため、ローカルの MCP サーバーには接続できません。ローカルで開発する場合は、MCP サーバーをローカルで実行するを参照してください。

グローバルまたはワークスペースの mcp.json (例: ~/.vscode/mcp.json または .vscode/mcp.json) を開き、次の内容を追加します。

{
  "servers": {
    "wandb": {
      "type": "http",
      "url": "https://mcp.withwandb.com/mcp",
      "headers": {
        "Authorization": "Bearer [YOUR-WANDB-API-KEY]"
      }
    }
  }
}

VS Code を再起動し、MCP パネルにサーバーが表示されていることを確認します。次に、List my W&B entities. と質問して接続を検証します。エージェントが list_entities_tool を呼び出し、ユーザー名と所属チームが返されれば、接続は成功しています。接続に失敗する場合は、トラブルシューティングを参照してください。

MCP サーバーをローカルで実行する

ローカルインストールはホスト型サーバーの代替手段であり、どのデプロイメントタイプでもデフォルトではありません。ホスト型サーバーが環境構成に合わない場合に使用してください。ローカルで実行する主な理由は次のとおりです。

エアギャップ環境またはオフライン環境で、クライアントがホスト型の Weights & Biases エンドポイントにアクセスできない場合。
バージョンを固定したい場合。ホスト型サーバーは main ブランチに追従します。ローカルインストールでは、特定のリリースタグにバージョンを固定できます。
サーバーの動作をカスタマイズしたい場合。ツールの説明の変更、ツールの追加、デフォルト以外の応答トークン予算の設定などが該当します。
サーバー自体を開発中の場合。
STDIO のみに対応するクライアント、またはローカルプロセスを必要とするクライアントを使用する場合。

専用クラウドまたはセルフマネージドのユーザーは、ホスト型サーバーを優先して使用してください。お使いのインスタンスでホスト型サーバーがまだ有効になっていない場合、または前述の理由のいずれかに該当する場合にのみ、wandb/wandb-mcp-server からローカルインストールしてください。その際は、WANDB_BASE_URL 環境変数にインスタンスの URL を設定します。

ローカル環境の前提条件

サーバーをローカルで実行するには、以下の要件を満たしていることを確認してください。

Python 3.11 以降
uv または pip
WANDB_API_KEY に設定済みの APIキー
専用クラウドまたはセルフマネージドを使用している場合は、WANDB_BASE_URL にインスタンスの URL を設定済みであること

サーバーをインストールする

インストール方法を選択し、次のコマンドを実行して MCP サーバーをインストールします。

uvx（恒久的なインストールは不要）
uv
pip
GitHub からインストール

uvx --from git+https://github.com/wandb/wandb-mcp-server wandb_mcp_server

uv pip install wandb-mcp-server

pip install wandb-mcp-server

pip install git+https://github.com/wandb/wandb-mcp-server

クライアントを設定する

サーバーをインストールしたら、サーバーを起動するようにクライアントを設定します。お使いの MCP クライアントを選択し、以下の設定を行います。必要に応じて、[YOUR-WANDB-API-KEY] をお使いのAPIキーに置き換えてください。

Claude Code
Claude Desktop
Codex
Cursor
VS Code

ローカルサーバーを Claude Code に登録します。グローバルに設定する場合は --scope user を追加します。

claude mcp add wandb \
  -e WANDB_API_KEY=[YOUR-WANDB-API-KEY] \
  -e WANDB_BASE_URL=https://your-wandb-instance.example.com \
  -- uvx --from git+https://github.com/wandb/wandb-mcp-server wandb_mcp_server

Claude Desktop の設定ファイルを開きます。

macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
Windows: %APPDATA%\Claude\claude_desktop_config.json

以下の JSON を追加します。Claude Desktop が PATH 上で uvx を見つけられない場合があるため、uvx はフルパスで指定してください。

{
  "mcpServers": {
    "wandb": {
      "command": "/full/path/to/uvx",
      "args": [
        "--from",
        "git+https://github.com/wandb/wandb-mcp-server",
        "wandb_mcp_server"
      ],
      "env": {
        "WANDB_API_KEY": "[YOUR-WANDB-API-KEY]",
        "WANDB_BASE_URL": "https://your-wandb-instance.example.com"
      }
    }
  }
}

Claude Desktop を再起動して設定を適用します。

codex mcp add wandb \
  --env WANDB_API_KEY=[YOUR-WANDB-API-KEY] \
  --env WANDB_BASE_URL=https://your-wandb-instance.example.com \
  -- uvx --from git+https://github.com/wandb/wandb-mcp-server wandb_mcp_server

mcp.json の設定に以下を追加します。

{
  "mcpServers": {
    "wandb": {
      "command": "uvx",
      "args": [
        "--from",
        "git+https://github.com/wandb/wandb-mcp-server",
        "wandb_mcp_server"
      ],
      "env": {
        "WANDB_API_KEY": "[YOUR-WANDB-API-KEY]",
        "WANDB_BASE_URL": "https://your-wandb-instance.example.com"
      }
    }
  }
}

デフォルトの W&B API エンドポイントを使用する場合は、WANDB_BASE_URL を省略してください。

.vscode/mcp.json またはグローバルの MCP 設定に以下を追加します。

{
  "servers": {
    "wandb": {
      "command": "uvx",
      "args": [
        "--from",
        "git+https://github.com/wandb/wandb-mcp-server",
        "wandb_mcp_server"
      ],
      "env": {
        "WANDB_API_KEY": "[YOUR-WANDB-API-KEY]",
        "WANDB_BASE_URL": "https://your-wandb-instance.example.com"
      }
    }
  }
}

HTTP トランスポートでサーバーを実行する

Web ベースのクライアントで使用する場合やテストを行う場合は、HTTP トランスポートでサーバーを実行します。

uvx wandb_mcp_server --transport http --host 0.0.0.0 --port 8080

ローカルサーバーを OpenAI Responses API などの外部クライアントに公開するには、トンネルを使用します。

uvx wandb_mcp_server --transport http --port 8080

# 別のターミナルで実行
ngrok http 8080

トンネル URL を使用するように MCP クライアントの設定を更新します。

環境変数

以下の環境変数は、ローカルインストール時の認証、インスタンスのルーティング、サーバーの動作を制御します。クライアントの env ブロックで設定するか、シェルでエクスポートしてください。

変数	説明
`WANDB_API_KEY`	認証に使用する APIキー。必須です。
`WANDB_BASE_URL`	専用クラウドまたはセルフマネージド環境で使用するカスタム Weights & Biases インスタンスの URL。デフォルトは `https://api.wandb.ai` です。
`WANDB_MCP_PROXY_DOCS`	ドキュメント検索プロキシ `search_wandb_docs_tool` を有効にします。デフォルト: `true`。
`WANDBOT_BASE_URL`	ドキュメント検索プロキシのカスタムエンドポイント。
`MAX_RESPONSE_TOKENS`	ツールの応答を切り詰める際のトークン予算。デフォルト: `30000`。
`MCP_SERVER_LOG_LEVEL`	ログの詳細レベル。`DEBUG`、`INFO`、`WARNING`、`ERROR` のいずれかを指定します。

コマンドラインの完全なリファレンスと詳細オプションについては、wandb-mcp-server README を参照してください。

Weights & Biases MCP サーバーの機能

MCP サーバーを使用すると、実験の分析、トレースのデバッグ、report の作成、Registry とアーティファクトの管理を行えるほか、Weights & Biases のドキュメントに基づいて質問に回答することもできます。以下のプロンプト例は、Weights & Biases MCP サーバーに接続したエージェントに依頼できるタスクの一部です。

「your-team/your-project で eval/accuracy の上位 5 件の run を表示してください。」
「採用エージェントの predict トレースのレイテンシーは、過去 1 か月でどのように推移しましたか？」
「先週、採用エージェントが行った判断を比較する W&B report を生成してください。」
「production-model アーティファクトにはどのようなバージョンがありますか？また、v2 と v3 の間で何が変わりましたか？」
「Weave で leaderboard を作成するにはどうすればよいですか？」

利用可能なツール

このサーバーは、用途別に分類された複数のツールを提供します。次の表は、各ツールの名前、エージェントがそのツールを使用すべき場面、およびそのツールを呼び出すための具体的なプロンプト例を示しています。

project 名や entity 名を調べたり、スキーマを確認したりするためのツールです。

ツール	使用するタイミング	プロンプトの例
`list_entities_tool`	entity が指定されていない場合、または APIキーでアクセスできるチームとアカウントを列挙する場合。	“アクセスできる Weights & Biases のチームはどれですか？“
`query_wandb_entity_projects`	entity はわかっているがプロジェクト名がわからない場合、または以前のクエリが “project not found” で失敗した場合。	“`your-team` 配下のすべての project を一覧表示してください。“
`probe_project_tool`	初めて扱う run ベースの project で、利用可能なメトリクス、設定キー、タグを確認する場合。	“`your-team/your-project` をプローブして、どのメトリクスがログされているか教えてください。“
`infer_trace_schema_tool`	初めて扱う Weave トレースの project で、クエリする前にフィールド名、タイプ、サンプル値を確認する場合。	“`your-team/your-project` の Weave トレースにはどのようなフィールドがありますか？”

W&B の run をクエリ、比較、診断するためのツールです。

ツール	使用する場面	プロンプトの例
`query_wandb_tool`	Weights & Biases の run、sweep、設定、サマリー、アーティファクトに関する質問の場合。GraphQL クエリを実行します。	“`your-team/your-project` で `eval/accuracy` が上位 5 件の run を表示してください。“
`get_run_history_tool`	トレーニング曲線、メトリクスの推移、または run にログされた任意の時系列データに関する質問の場合。	“`your-team/your-project` の run `abc123` の損失曲線をプロットしてください。“
`compare_runs_tool`	2 つの run の間で何が変わったか、または 2 つの run のどちらが優れているかに関する質問の場合。設定の差分、メトリクスの差分、および必要に応じてステップを揃えた履歴を返します。	“`your-team/your-project` の run `abc123` と `def456` を比較してください。“
`diagnose_run_tool`	run が収束したか、過学習していないか、NaN 値が発生していないかに関する質問の場合。具体的な改善策を返します。	“`your-team/your-project` の run `abc123` は過学習していますか？”

LLM のトレースと評価をクエリおよび集計するツールです。

ツール	使用するタイミング	プロンプトの例
`query_weave_traces_tool`	トレースデータ (LLM Call、評価、エージェントの run) が必要な場合。まず `detail_level="summary"` で開始し、特定のトレースについてのみ `"full"` に切り替えます。	“`your-team/your-project` で過去 24 時間に失敗したトレースを表示してください。“
`count_weave_traces_tool`	トレースやエラーの件数を知りたいだけで、トレースデータ自体は不要な場合。	“今週 `your-team/your-project` で失敗したトレースは何件ですか？“
`resolve_trace_roots_tool`	`query_weave_traces_tool` で子トレースが見つかった後、それぞれをルートのセッションまたはワークフローに 1 回のバッチ Call でまとめてマッピングする場合。	“`rate limit` を含む LLM Call を検索し、それぞれがどのセッションに属しているか教えてください。“
`summarize_evaluation_tool`	評価の結果、合格率、または失敗の多いタスクを知りたい場合。`Evaluation.evaluate` の階層を集計します。	“`your-team/your-project` の最新の評価を要約してください。”

分析結果を Weights & Biases に保存するためのツールです。

ツール	使用する場面	プロンプトの例
`create_wandb_report_tool`	report の作成や検出結果の保存が明示的にリクエストされた場合。Markdown と、折れ線グラフ、棒グラフ、run の比較を指定する `panels` 配列を受け入れます。	“run `abc123` と `def456` を比較する W&B report を作成してください。“
`log_analysis_to_wandb`	MCP セッションで計算した値 (レイテンシーの分布、エラーの内訳など) を report で参照するために、事前に run として保存する必要がある場合。	“これらのレイテンシーのパーセンタイルを、分析用の run として Weights & Biases にログしてください。”

モデル、データセット、その他のバージョン管理されたアーティファクトを調査し、差分を確認するためのツールです。

ツール	使用するタイミング	プロンプトの例
`list_registries_tool`	組織内のモデルレジストリ、登録済みモデル、または登録済みデータセットについて質問する場合。	“`your-org` にはどのようなレジストリがありますか？“
`list_registry_collections_tool`	特定のレジストリ内にどのようなモデルやデータセットがあるかを確認する場合。	“`your-org` の `model` レジストリにはどのようなコレクションがありますか？“
`list_artifact_versions_tool`	モデル、データセット、またはその他のアーティファクトコレクションで利用可能なバージョンを一覧表示する場合。	“`your-team/your-project` にある `production-model` のバージョンを一覧表示してください。“
`get_artifact_details_tool`	特定のアーティファクトのバージョンについて、リネージやファイルを含めて詳しく調べる場合。	“`production-model:v3` には何が含まれていますか？“
`compare_artifact_versions_tool`	2 つのアーティファクトのバージョン間の変更点について質問する場合。	“`production-model:v2` と `production-model:v3` の差分を表示してください。”

公式の Weights & Biases ドキュメントをもとに、プロダクトに関する質問に回答するツールです。

ツール	使用する場面	プロンプトの例
`search_wandb_docs_tool`	Weights & Biases または Weave の機能や API の使い方を知りたい場合。docs.wandb.ai へのプロキシとして動作します。	“Weave で Leaderboard を作成するにはどうすればよいですか？”

スキーマ優先のトレースクエリ

Weave のトレースをクエリする場合は、まず infer_trace_schema_tool を呼び出して利用可能なフィールドを確認し、次に取得する列を正確に指定したリストと detail_level を渡して query_weave_traces_tool を呼び出します。

`detail_level`	返される内容	使用するケース
`schema`	構造フィールドのみ。最も高速です。	閲覧やカウントを行う場合。
`summary`	切り詰められた入力と出力。デフォルトです。	ほとんどの分析タスク。
`full`	切り詰めなしのすべてのデータ。	少数の特定のトレースを詳しく調べる場合。

このパターンを使用すると、広範な質問ではトークン使用量を低く抑えられ、エージェントは重要なトレースに対してのみ full に切り替えることができます。

使用のヒント

以下のセクションでは、Weights & Biases MCP サーバーをより効果的に活用するためのプラクティスとワークフローについて説明します。まず一般的なプラクティスを確認してから、ご自身のワークロードに合ったセクションで、より具体的なアドバイスや複数ステップのツールチェーンを確認してください。

一般的なベストプラクティス

ユースケースにかかわらず、次のプラクティスに従ってください。

entity と project を指定します。 MCP ツールには、entity (チームまたは個人アカウント) とプロジェクト名を明示的に指定する必要があります。すべての質問に両方を含めてください (例: 「your-team/your-project で」)。
質問の焦点を絞ります。 「最も良い評価はどれですか?」ではなく、「F1 スコアが最も高い評価はどれですか?」のように質問してください。具体的なメトリクスや期間を指定すると、より的確なツール呼び出しが行われます。
すべて取得されたことを検証します。 「最もパフォーマンスの良い run はどれですか?」のような広範な質問では、最新の run だけでなく、利用可能なすべての run を取得したかどうかをエージェントに確認させてください。
W&B Skills と組み合わせます。 W&B Skills は、Weights & Biases のワークフローを構成する方法をコーディングエージェントに教えます。Skills はパターンを、MCP はデータへのアクセスを提供するため、両者を組み合わせると効果的です。

トレースを多用するワークフローの場合

Weave トレースを扱う際は、次のプラクティスに従ってください。

まずスキーマを確認します。 query_weave_traces_tool の前に infer_trace_schema_tool を呼び出し、有効なフィールドとフィルター値をエージェントに渡します。
適切な detail_level を選択します。 概要の閲覧には schema、分析には summary (デフォルト) を使用します。full は、少数の特定のトレースを詳しく調べる場合にのみ使用してください。
resolve_trace_roots_tool をチェーンします。 子トレースをクエリした後、得られた trace_id のリストを resolve_trace_roots_tool に渡すと、1 回のバッチ Call で各トレースをルートセッションにマッピングできます。
評価には summarize_evaluation_tool を優先して使用します。 このツールは Evaluation.evaluate と predict_and_score の階層を自動的に集計します。query_weave_traces_tool は、生のトレースデータが必要な場合にのみ使用してください。

エンドツーエンドのワークフローについては、失敗した LLM Call をトリアージするを参照してください。

run 中心のワークフロー向け

W&B run を扱う際は、次のプラクティスに従ってください。

クエリする前にプローブします。 使い慣れていない run ベースの project では、GraphQL を組み立てる前に probe_project_tool を呼び出して、メトリクスキー、設定キー、タグを確認します。
時系列には get_run_history_tool を使用します。 GraphQL はサンプリングを行わないため、損失曲線などの時系列データには get_run_history_tool を使用するほうが高速かつ低コストです。
差分の算出は compare_runs_tool に任せます。 このツールは設定とメトリクスの差分を、揃えた履歴とともに 1 回の呼び出しで返すため、手動で比較する必要はありません。
まずヘルスチェックを実行します。 トレーニング run の挙動がおかしい場合は、履歴を手動で調べる前に diagnose_run_tool を呼び出します。

エンドツーエンドのワークフローについては、問題のあるトレーニング run を診断すると評価を要約してモデルのバージョンを比較するを参照してください。

専用クラウドおよびセルフマネージドの場合

マルチテナント以外のデプロイメントでは、次のプラクティスに従ってください。

インスタンス上の https://[YOUR-INSTANCE]/mcp にあるホスト型サーバーを優先して使用してください。このサーバーは Multi-tenant サーバーと同じツールを提供しており、クライアント側で WANDB_BASE_URL を設定する必要はありません。ローカルインストールは、ホスト型サーバーがまだ有効になっていない場合にのみ使用してください。
インスタンスに対してローカルで実行する場合は、クライアントの env ブロックで WANDB_BASE_URL にインスタンスの URL を設定してください。設定しないと、サーバーは api.wandb.ai に接続するため、データは返されません。
専用クラウドのレート制限は、Multi-tenant とは別に設定されています。デフォルト値や変更のリクエスト方法については、専用クラウドのレート制限を参照してください。

ローカルインストールの場合

ご自身のマシンでサーバーを実行する場合は、次のプラクティスに従ってください。

デスクトップクライアント (Cursor、VS Code、Claude Code、Claude Desktop) では、STDIO トランスポートを優先して使用してください。HTTP トランスポートに切り替えるのは、クライアントが明示的に必要とする場合 (OpenAI Responses API など) に限定してください。
ツール呼び出しがエラーを出さずに失敗する場合は、クライアントの env ブロックで MCP_SERVER_LOG_LEVEL=DEBUG を設定し、クライアントの MCP ログを改めて確認してください。
GitHub からインストールする場合 (uvx --from git+https://github.com/wandb/wandb-mcp-server wandb_mcp_server) 、uvx はデフォルトブランチに固定されます。安定したバージョンが必要な場合は、Git URL の末尾に @v0.3.2 を付けて、特定のタグを明示的に指定してください。

推奨ワークフロー

実際の質問の多くは、1 つのツールだけでは解決できません。以下のワークフローでは、エージェントに依頼できる、複数のステップからなる一般的なツールチェーンを紹介します。

見慣れない project を調べる

project にログされた内容を調べるには、次のツールを順に組み合わせて使用します。

list_entities_tool で entity またはチームを検索します。
query_wandb_entity_projects で project を検索します。
run ベースの project には probe_project_tool を、Weave トレースの project には infer_trace_schema_tool を使用します。
検出したキーを使って、対象を絞った query_wandb_tool または query_weave_traces_tool を呼び出します。

失敗した LLM Call のトリアージ

問題のあるトレースと、その発生元のセッションを検索するには、次のツールをチェーンで組み合わせて使用します。

error フィールドまたは exception フィールドでフィルターし、detail_level="summary" を指定して query_weave_traces_tool を実行します。
得られた trace_id のリストに対して resolve_trace_roots_tool を実行し、各失敗をそのルートセッションに対応付けます。
対象を絞った少数のルートに対して detail_level="full" を指定して query_weave_traces_tool を実行し、詳細を掘り下げます。
create_wandb_report_tool を使用して、検出結果をまとめます。

不調なトレーニング run を診断する

問題が疑われるトレーニング run のヘルスチェックを行うには、次のツールを順に組み合わせて使用します。

get_run_history_tool で損失曲線と検証曲線を取得します。
diagnose_run_tool で収束、過学習、NaN を自動チェックします。
compare_runs_tool で、正常であることが確認済みのベースライン run と比較します。
create_wandb_report_tool で折れ線グラフのパネルを含む report を作成し、診断結果を共有します。

評価を要約してモデルのバージョンを比較する

評価で最も高い性能を示したモデルのバージョンを検索するには、次のツールをチェーンとして組み合わせます。

summarize_evaluation_tool で、scorer ごとの合格率とエラー数を取得します。
対象のモデルコレクションに対して list_artifact_versions_tool を実行します。
候補バージョンと現在の本番バージョンを対象に compare_artifact_versions_tool を実行します。
log_analysis_to_wandb と create_wandb_report_tool を使用して、比較結果をパブリッシュします。

トラブルシューティング

Weights & Biases MCP サーバーの使用中に発生した問題を診断・解決するには、次の表を参考にしてください。

症状	原因と対処法
`401 Unauthorized` または `Invalid API key`	APIキーが指定されていない、形式が正しくない、または対象の entity やチームに対する権限がありません。forge.coreweave.com/settings#apikeys でキーを再生成し、Bearer token として渡されているか、`WANDB_API_KEY` に設定されていることを確認してください。
成功するはずのクエリで結果が空になる	チーム名、entity 名、またはプロジェクト名が正しくないか、APIキーにアクセス権がありません。エージェントで両方を確認してから再試行してください。
`https://[YOUR-INSTANCE]/mcp` で `404 Not Found` または `connection refused` が発生する	専用クラウドまたはセルフマネージドのインスタンスでホスト型 MCP サーバーがまだ有効になっていないか、クライアントの接続先 URL が誤っています。Weights & Biases サポートに連絡して有効化をリクエストしてから、接続 URL で URL を確認してください。
専用クラウドで `429 Too Many Requests` が発生する	インスタンスのレート制限に達しています。制限の引き上げをリクエストする方法については、専用クラウドのレート制限を参照してください。
Claude Desktop でローカルサーバーが `uvx` を検出できない	`claude_desktop_config.json` の `command` フィールドに `uvx` のフルパスを指定してください。

​W&B Skills

​機能

​前提条件

​W&B Skills をインストールする

​W&B Skills を使用する

​W&B Skills の使い方のヒント

​Weights & Biases MCP サーバー

​デプロイメントタイプ

ホスト型サーバー（推奨）

ローカルインストール

​前提条件

​ホスト型サーバーを使用する

​接続 URL

​MCP サーバーをローカルで実行する

​ローカル環境の前提条件

​サーバーをインストールする

​クライアントを設定する

​HTTP トランスポートでサーバーを実行する

​環境変数

​Weights & Biases MCP サーバーの機能

​利用可能なツール

​スキーマ優先のトレースクエリ

​使用のヒント

​一般的なベストプラクティス

​トレースを多用するワークフローの場合

​run 中心のワークフロー向け

​専用クラウドおよびセルフマネージドの場合

​ローカルインストールの場合

​推奨ワークフロー

​見慣れない project を調べる

​失敗した LLM Call のトリアージ

​不調なトレーニング run を診断する

​評価を要約してモデルのバージョンを比較する

​トラブルシューティング

W&B Skills

機能

前提条件

W&B Skills をインストールする

W&B Skills を使用する

W&B Skills の使い方のヒント

Weights & Biases MCP サーバー

デプロイメントタイプ

前提条件

ホスト型サーバーを使用する

接続 URL

MCP サーバーをローカルで実行する

ローカル環境の前提条件

サーバーをインストールする

クライアントを設定する

HTTP トランスポートでサーバーを実行する

環境変数

Weights & Biases MCP サーバーの機能

利用可能なツール

スキーマ優先のトレースクエリ

使用のヒント

一般的なベストプラクティス

トレースを多用するワークフローの場合

run 中心のワークフロー向け

専用クラウドおよびセルフマネージドの場合

ローカルインストールの場合

推奨ワークフロー

見慣れない project を調べる

失敗した LLM Call のトリアージ

不調なトレーニング run を診断する

評価を要約してモデルのバージョンを比較する

トラブルシューティング