Skip to main content
Glama
Qdrant Retrieve MCP Server

Qdrant Retrieve MCP Server

Qdrant 检索 MCP 服务器

使用 Qdrant 矢量数据库进行语义搜索的 MCP 服务器。

特征

  • 跨多个集合的语义搜索

  • 多查询支持

  • 可配置结果计数

  • 收集来源追踪

注意:服务器连接到由 URL 指定的 Qdrant 实例。

注 2 :第一次检索可能会比较慢,因为 MCP 服务器需要下载所需的嵌入模型。

Related MCP server: Qdrant MCP Server

API

工具

  • qdrant_retrieve

    • 根据多个查询从多个 Qdrant 向量存储集合中检索语义相似的文档

    • 输入:

      • collectionNames (string[]):要搜索的 Qdrant 集合的名称

      • topK (数字):要检索的最相似文档的数量(默认值:3)

      • query (string[]):要搜索的查询文本数组

    • 返回:

      • results :检索到的文档数组,其中包含:

        • query :产生此结果的查询

        • collectionName :此结果来自的集合名称

        • text :文档文本内容

        • score :0 到 1 之间的相似度分数

与 Claude Desktop 一起使用

将其添加到您的claude_desktop_config.json中:

{
  "mcpServers": {
    "qdrant": {
      "command": "npx",
      "args": ["-y", "@gergelyszerovay/mcp-server-qdrant-retrive"],
      "env": {
        "QDRANT_API_KEY": "your_api_key_here"
      }
    }
  }
}

命令行选项

MCP server for semantic search with Qdrant vector database.

Options
  --enableHttpTransport      Enable HTTP transport [default: false]
  --enableStdioTransport     Enable stdio transport [default: true]
  --enableRestServer         Enable REST API server [default: false]
  --mcpHttpPort=<port>       Port for MCP HTTP server [default: 3001]
  --restHttpPort=<port>      Port for REST HTTP server [default: 3002]
  --qdrantUrl=<url>          URL for Qdrant vector database [default: http://localhost:6333]
  --embeddingModelType=<type> Type of embedding model to use [default: Xenova/all-MiniLM-L6-v2]
  --help                     Show this help message

Environment Variables
  QDRANT_API_KEY            API key for authenticated Qdrant instances (optional)

Examples
  $ mcp-qdrant --enableHttpTransport
  $ mcp-qdrant --mcpHttpPort=3005 --restHttpPort=3006
  $ mcp-qdrant --qdrantUrl=http://qdrant.example.com:6333
  $ mcp-qdrant --embeddingModelType=Xenova/all-MiniLM-L6-v2

Related MCP Connectors

Related MCP Servers

  • A
    license
    Not graded
    quality
    C
    maintenance
    Enables semantic search and document management using a local Qdrant vector database with OpenAI embeddings. Supports natural language queries, metadata filtering, and collection management for AI-powered document retrieval.
    70 npm
    36
    MIT