🚀 Qdrant MCP 服务器
Qdrant MCP 服务器是一个用于与 Qdrant 向量数据库交互的工具。它提供了管理向量、执行相似搜索的功能，还能借助 MCP（主控程序）框架自动实现文本到向量的嵌入。
🚀 快速开始
Qdrant MCP 服务器可以在本地运行，也可以通过 Docker 运行。以下是具体的操作步骤：
本地运行
- 安装包：
pip install -e .
- 运行服务器：
qdrant-mcp-server
Docker 运行
- 构建 Docker 镜像：
docker build -t qdrant-mcp-server .
- 运行容器：
docker run -p 8000:8000 --env QDRANT_HOST= --env QDRANT_PORT= --env QDRANT_VERIFY_SSL= qdrant-mcp-server
✨ 主要特性
- 使用 FastEmbed 自动进行文本到向量的嵌入
- 存储和检索带有向量搜索的文本内容
- 通过环境变量配置默认集合
- 根据内容进行文本相似度搜索
- 使用优化模型高效嵌入
📦 安装指南
基于 .env.example 模板创建一个 .env 文件：
# Qdrant 连接设置
QDRANT_HOST=localhost
QDRANT_PORT=6333
QDRANT_API_KEY=
QDRANT_VERIFY_SSL=True # 如果使用自签名证书，请设为 False
# 默认设置
DEFAULT_COLLECTION_NAME=default_collection
EMBEDDING_MODEL=BAAI/bge-small-en-v1.5
你可以将嵌入模型更改为任何受 FastEmbed 支持的模型。
💻 使用示例
基础用法
存储文本
await store_text(
text="What is the capital of France?",
metadata={"category": "geography", "type": "question"}
)
搜索相似文本
await search_similar_text(
query="What is Paris the capital of?",
limit=5
)
批量存储文本
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"}
]
)
高级用法
测试
此包包含一个测试套件，用于验证功能。要运行测试：
- 安装开发依赖项：
pip install -e ".[dev]"
- 运行测试：
cd tests
./run_tests.py
或者直接使用 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，请在 .env 文件或运行 Docker 容器时将 QDRANT_VERIFY_SSL=False。这会禁用 SSL 证书验证。
📚 详细文档
该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：批量将多个文本转换为嵌入并存储
向量工具
search_vectors：在集合中搜索相似向量upsert_vectors：将向量上传到集合filter_search：使用元数据过滤器进行搜索
点工具
get_points：从集合中按 ID 获取点delete_points：从集合中按 ID 删除点count_points：计算集合中的点数