mcp-server-qdrant

概述

这是 Qdrant 的官方 MCP 服务器实现，Qdrant 是一个向量搜索引擎。它提供工具来存储和检索语义记忆，充当 AI 应用的记忆层。该服务器支持远程和本地 Qdrant 实例，具有灵活的配置选项，包括嵌入模型和搜索限制。

试试问 AI

装完之后，这里有 5 个你可以让 AI 做的事：

• qdrant-storeinformation: string, metadata?: JSON, collection_name?: string

  Store information in the Qdrant database with optional metadata

  试试:Store information about React hooks试试:Save this code snippet with metadata试试:Store document about machine learning best practices
• qdrant-findquery: string, collection_name?: string

  Retrieve relevant information from the Qdrant database

  试试:Find information about React hooks试试:Search for code snippets related to authentication试试:Look up documents about machine learning best practices

可对比工具

安装

QDRANT_URL="http://localhost:6333" \
COLLECTION_NAME="my-collection" \
EMBEDDING_MODEL="sentence-transformers/all-MiniLM-L6-v2" \
uvx mcp-server-qdrant

docker build -t mcp-server-qdrant .
docker run -p 8000:8000 \
  -e FASTMCP_SERVER_HOST="0.0.0.0" \
  -e QDRANT_URL="http://your-qdrant-server:6333" \
  -e QDRANT_API_KEY="your-api-key" \
  -e COLLECTION_NAME="your-collection" \
  mcp-server-qdrant

{
  "qdrant": {
    "command": "uvx",
    "args": ["mcp-server-qdrant"],
    "env": {
      "QDRANT_URL": "https://xyz-example.eu-central.aws.cloud.qdrant.io:6333",
      "QDRANT_API_KEY": "your_api_key",
      "COLLECTION_NAME": "your-collection-name",
      "EMBEDDING_MODEL": "sentence-transformers/all-MiniLM-L6-v2"
    }
  }
}

FAQ

支持哪些嵌入模型？

目前仅支持 FastEmbed 模型，默认使用 'sentence-transformers/all-MiniLM-L6-v2'。

我可以将其与本地 Qdrant 一起使用吗？

是的，您可以使用 QDRANT_LOCAL_PATH 环境变量而不是 QDRANT_URL 来指定本地数据库路径。

mcp-server-qdrant 对比