mcp-server-qdrant: A Qdrant MCP server

基本能力

产品定位

qdrant_mcp-server-qdrant 是一个基于 Qdrant 向量搜索引擎的 MCP 服务器，作为 Qdrant 数据库的语义记忆层。

核心功能

1. 存储记忆：将记忆存储在 Qdrant 数据库中。
2. 检索记忆：根据查询检索存储在 Qdrant 数据库中的记忆。

适用场景

1. AI 工作流中的语义记忆管理。
2. 聊天界面增强，提供上下文记忆支持。
3. 需要语义搜索和记忆存储的应用场景。

工具列表

1. qdrant-store-memory
2. 功能：将记忆存储在 Qdrant 数据库中。
3. 输入：information（字符串）：要存储的记忆。
4. 返回：确认消息。
5. qdrant-find-memories
6. 功能：从 Qdrant 数据库中检索记忆。
7. 输入：query（字符串）：检索记忆的查询。
8. 返回：存储在 Qdrant 数据库中的记忆，作为单独的消息返回。

常见问题解答

1. 如何更改嵌入模型：通过 --fastembed-model-name 参数指定不同的 FastEmbed 模型。
2. 本地模式使用：通过 --qdrant-local-path 参数指定本地数据库路径，但不建议在生产环境中使用。
3. 环境变量配置：支持通过环境变量配置服务器，如 QDRANT_URL、QDRANT_API_KEY 等。

使用教程

使用依赖

1. 确保已安装 uv。

安装教程

1. 使用 uv 安装 shell uv run mcp-server-qdrant \ --qdrant-url "http://localhost:6333" \ --qdrant-api-key "your_api_key" \ --collection-name "my_collection" \ --fastembed-model-name "sentence-transformers/all-MiniLM-L6-v2"
2. 通过 Smithery 安装 bash npx @smithery/cli install mcp-server-qdrant --client claude

调试方式

1. 配置 Claude Desktop 在 claude_desktop_config.json 的 mcpServers 部分添加以下配置： json { "qdrant": { "command": "uvx", "args": [ "mcp-server-qdrant", "--qdrant-url", "http://localhost:6333", "--qdrant-api-key", "your_api_key", "--collection-name", "your_collection_name" ] } }
2. 本地模式调试 json { "qdrant": { "command": "uvx", "args": [ "mcp-server-qdrant", "--qdrant-local-path", "/path/to/qdrant/database", "--collection-name", "your_collection_name" ] } }

许可证

该项目遵循 MIT 开源许可条款。