Qdrant MCP Server (Jimmy974)

Qdrant MCP服务器

用于与以下对象交互的MCP服务器 Qdrant 矢量数据库。该服务器提供用于管理矢量、执行相似性搜索和使用MCP（主控制程序）框架自动嵌入文本到矢量的工具。

特性

• 使用FastEmbed实现文本到矢量的自动嵌入
• 使用矢量搜索存储和检索文本内容
• 通过环境变量使用默认集合配置
• 按内容搜索文本相似性
• 通过优化模型实现高效嵌入

配置

创建一个 .env 文件基于 .env.example 模板：

# Qdrant connection settings
QDRANT_HOST=localhost
QDRANT_PORT=6333
QDRANT_API_KEY=
QDRANT_VERIFY_SSL=True  # Set to False if using self-signed certificates

# Default settings
DEFAULT_COLLECTION_NAME=default_collection
EMBEDDING_MODEL=BAAI/bge-small-en-v1.5

您可以将嵌入模型更改为支持的任何模型 快速嵌入.

用法

在本地运行

1. 安装软件包：

pip install -e .

1. 运行服务器：

qdrant-mcp-server

使用Docker运行

1. 构建Docker镜像：

docker build -t qdrant-mcp-server .

1. 运行容器：

docker run -p 8000:8000 --env QDRANT_HOST= --env QDRANT_PORT= --env QDRANT_VERIFY_SSL= qdrant-mcp-server

测试

此软件包包括一个测试套件，用于验证功能。要运行测试，请执行以下操作：

1. 安装开发依赖项：

pip install -e ".[dev]"

1. 运行测试：

cd tests
./run_tests.py

或者，您可以直接使用pytest：

pytest -xvs tests/

使用自签名证书

如果您的Qdrant服务器使用自签名证书，请设置 QDRANT_VERIFY_SSL=False 在你的 .env 文件或运行Docker容器时。这将禁用SSL证书验证。

工具

服务器提供以下工具：

文本工具

• store_text：将文本转换为嵌入向量并将其存储在数据库中
• search_similar_text：将查询文本转换为嵌入并查找相似的向量
• store_texts：将多个文本转换为嵌入并批量存储

矢量工具

• search_vectors：在集合中搜索相似的向量
• upsert_vectors：将向量上传到集合
• filter_search：使用元数据筛选器搜索集合

点工具

• get_points：从集合中按ID获取积分
• delete_points：从集合中按ID删除点
• count_points：计算集合中的点数

例子

存储文本

await store_text(
    text="What is the capital of France?", 
    metadata={"category": "geography", "type": "question"}
)

搜索类似文本

await search_similar_text(
    query="What is Paris the capital of?",
    limit=5
)

存储多个文本

await store_texts(
    texts=["Paris is in France", "London is in England", "Berlin is in Germany"],
    metadatas=[
        {"category": "geography", "country": "France"},
        {"category": "geography", "country": "England"},
        {"category": "geography", "country": "Germany"}
    ]
) ```