mcp-server-qdrant: A Qdrant MCP server - MCP服务，MCP服务器，MCP教程

基本能力

产品定位

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

核心功能

1. 存储信息：将信息存储到 Qdrant 数据库中，支持附加元数据。
2. 检索信息：通过自然语言查询从 Qdrant 数据库中检索相关信息。
3. 语义搜索：利用嵌入模型（如 sentence-transformers/all-MiniLM-L6-v2）进行语义搜索。

适用场景

1. 代码片段管理：存储和检索代码片段及其自然语言描述。
2. 文档搜索：存储和检索文档内容，支持自然语言查询。
3. 知识库：构建语义记忆层，支持自然语言查询和检索。

工具列表

1. qdrant-store：
2. 功能：将信息存储到 Qdrant 数据库中。
3. 输入：information（字符串）、metadata（JSON）、collection_name（字符串，可选）。
4. 返回：确认消息。
5. qdrant-find：
6. 功能：从 Qdrant 数据库中检索相关信息。
7. 输入：query（字符串）、collection_name（字符串，可选）。
8. 返回：存储在 Qdrant 数据库中的信息。

常见问题解答

1. 如何配置服务器？：通过环境变量配置，如 QDRANT_URL、QDRANT_API_KEY、COLLECTION_NAME 等。
2. 支持哪些嵌入模型？：目前仅支持 FastEmbed 模型，如 sentence-transformers/all-MiniLM-L6-v2。
3. 如何与 Cursor/Windsurf 集成？：通过 SSE 传输协议配置，并自定义工具描述。

使用教程

使用依赖

1. 确保已安装 Qdrant 服务器或本地数据库。
2. 确保已安装 uvx 或 Docker。

安装教程

使用 uvx

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

使用 Docker

```bash

Build the container

docker build -t mcp-server-qdrant .

Run the container

docker run -p 8000:8000 \
-e QDRANT_URL="http://your-qdrant-server:6333" \
-e QDRANT_API_KEY="your-api-key" \
-e COLLECTION_NAME="your-collection" \
mcp-server-qdrant
```

使用 Smithery

bash
npx @smithery/cli install mcp-server-qdrant --client claude

调试方式

1. 开发模式：
   shell
COLLECTION_NAME=mcp-dev mcp dev src/mcp_server_qdrant/server.py
2. MCP 检查器：
   shell
QDRANT_URL=":memory:" COLLECTION_NAME="test" \
mcp dev src/mcp_server_qdrant/server.py
   打开浏览器访问 http://localhost:5173 使用检查器界面。