Milvus MCP Server

Dieses Programm ist ein Milvus-Vektordatenbank-Zugangsdienst, der für große Sprachmodelle entwickelt wurde und dem Model Context Protocol (MCP) entspricht. Es kann als externes Vektordatenbank-Interaktionstool für große Sprachmodelle (wie Antigravity) dienen.

Unterstützt Milvus 2.6 Vektordatenbanken und verfügt über einen integrierten OpenAI-kompatiblen Embedding-Dienst (z. B. Tongyi Qianwen text-embedding-v4), sodass große Sprachmodelle direkt mit natürlicher Sprache semantische Suchen durchführen können.

💡 Funktions-Highlights

1. Vektorsuche: Unterstützt semantische Suche für Texteingaben (automatische Einbettung) sowie die Suche mit Rohvektoren.

2. Integrierte Einbettung: Integrierter OpenAI-kompatibler Endpunkt; vom Sprachmodell übergebener Text wird automatisch in Vektoren umgewandelt, ohne dass ein externer Embedding-Dienst erforderlich ist.

3. Collection-Lebenszyklusverwaltung: Erstellen, Anzeigen und Löschen von Collections; beim Erstellen werden automatisch Indizes erstellt und die Collection geladen.

4. Daten lesen/schreiben: Unterstützt das Einfügen von Vektordaten und das bedingte Löschen.

5. Verwaltung mehrerer Verbindungen: Über eine JSON-Konfigurationsdatei können mehrere benannte Verbindungen definiert werden, sodass eine MCP-Server-Instanz mehrere Milvus-Instanzen bedienen kann.

6. Sicherheitsdesign: drop_collection und delete_entities sind als eigenständige Tools in MCP-Clients separat aktivierbar/deaktivierbar; drop_collection erfordert zusätzlich den Parameter confirmDrop=true als doppelte Absicherung.

7. Hybride Suche: Unterstützt kombinierte Abfragen aus Vektorähnlichkeitssuche + skalarer Filterung.

Related MCP server: MCP Server MySQL

⚙️ Systemanforderungen

1. Node.js-Umgebung: Erfordert Node.js in der Version v18 oder höher.

2. Milvus-Instanz: Erfordert eine zugängliche Milvus 2.6-Dienstinstanz.

3. Embedding-API: Erfordert einen OpenAI-kompatiblen Embedding-Dienstendpunkt (z. B. die Bailian-Plattform von Tongyi Qianwen).

4. Abhängigkeiten: Auf dem Ausführungsrechner muss npm install --omit=dev ausgeführt werden, um die Abhängigkeiten zu installieren.

🛠 Installation und Build

1. Build aus dem Quellcode

npm install
npm run build

Die Build-Artefakte werden im Verzeichnis ./dist gespeichert.

2. Globale lokale Installation

npm link

Nach Abschluss der Ausführung kann der Dienst systemweit über den globalen Befehl milvus-mcp-server schnell aufgerufen werden.

📝 Konfigurationsdatei

Verwenden Sie eine JSON-Datei, um Milvus-Verbindungen und den Embedding-Dienst zu konfigurieren.

Beispiel für eine Konfigurationsdatei

{
  "connections": [
    {
      "name": "my-milvus",
      "address": "localhost:19530",
      "username": "root",
      "password": "Milvus",
      "database": "default",
      "description": "本地开发 Milvus 实例，存储文档和图片的向量索引"
    }
  ],
  "embedding": {
    "baseUrl": "https://dashscope.aliyuncs.com/compatible-mode/v1",
    "apiKey": "sk-your-api-key",
    "model": "text-embedding-v4",
    "dimensions": 1024
  }
}

Erläuterung der Verbindungsfelder

Erläuterung der Embedding-Felder

🚀 Start und Verwendung

milvus-mcp-server --config <path-to-config.json>

Parameterliste:

• -c, --config <path>: Pfad zur Konfigurationsdatei (erforderlich).

🧠 Beispiel für die MCP-Client-Konfiguration

Am Beispiel eines regulären MCP-Clients (wie Antigravity):

{
  "mcpServers": {
    "MilvusMCP": {
      "command": "node",
      "args": [
        "绝对路径/milvus_mcp_server/dist/index.js",
        "--config", "绝对路径/milvus-config.json"
      ]
    }
  }
}

🧰 Vom Modell aufrufbare Tools (Tools)

1. list_milvus_connections

• Beschreibung: Listet alle konfigurierten Milvus-Verbindungsinformationen auf (maskiert, ohne Passwörter).

• Parameter: Keine.

2. list_collections

• Beschreibung: Listet alle Collections unter einer angegebenen Verbindung auf.

• Parameter:

  • connectionName (String): Ziel-Verbindungsname.

3. describe_collection

• Beschreibung: Ruft detaillierte Schema-Informationen der Collection ab, einschließlich Felddefinitionen, Indizes und Zeilenanzahl.

• Parameter:

  • connectionName (String): Ziel-Verbindungsname.

  • collectionName (String): Name der Collection.

4. create_collection

• Beschreibung: Erstellt eine neue Collection. Erstellt automatisch einen AUTOINDEX für das Vektorfeld und lädt die Collection, damit sie sofort durchsuchbar ist.

• Parameter:

  • connectionName (String): Ziel-Verbindungsname.

  • collectionName (String): Name der neuen Collection.

  • description (String, optional): Beschreibung der Collection.

  • fields (Array): Array mit Felddefinitionen; jedes Element enthält name, dataType, isPrimaryKey?, autoId?, dimension?, maxLength?, description?.

5. drop_collection

• Beschreibung: Löscht eine Collection und alle ihre Daten dauerhaft. Dies ist ein irreversibler Vorgang.

• Parameter:

  • connectionName (String): Ziel-Verbindungsname.

  • collectionName (String): Name der zu löschenden Collection.

  • confirmDrop (Boolean): Muss auf true gesetzt werden, um das Löschen auszuführen. Sicherheitsmechanismus zur doppelten Bestätigung.

• Schaltersteuerung: Dieses Tool kann im MCP-Client separat aktiviert oder deaktiviert werden.

6. insert_vectors

• Beschreibung: Fügt Daten in eine Collection ein. Jeder Datensatz ist ein JSON-Objekt, das die Feldwerte enthält (einschließlich des Vektorfelds).

• Parameter:

  • connectionName (String): Ziel-Verbindungsname.

  • collectionName (String): Name der Ziel-Collection.

  • data (Array): Daten-Array.

7. delete_entities

• Beschreibung: Löscht Entitäten basierend auf einem Filterausdruck.

• Parameter:

  • connectionName (String): Ziel-Verbindungsname.

  • collectionName (String): Name der Ziel-Collection.

  • filter (String): Milvus-Filterausdruck, z. B. 'id in [1, 2, 3]'.

• Schaltersteuerung: Dieses Tool kann im MCP-Client separat aktiviert oder deaktiviert werden.

8. vector_search

• Beschreibung: Vektorähnlichkeitssuche. Unterstützt die Übergabe von Text (automatischer Aufruf des Embedding-Dienstes zur Vektorumwandlung) oder Rohvektoren.

• Parameter:

  • connectionName (String): Ziel-Verbindungsname.

  • collectionName (String): Name der Ziel-Collection.

  • text (String, optional): Suchtext, alternativ zu vector.

  • vector (Number[], optional): Roh-Suchvektor, alternativ zu text.

  • topK (Number, optional): Anzahl der zurückgegebenen Ergebnisse, Standard ist 10.

  • filter (String, optional): Skalarer Filterausdruck.

  • outputFields (String[], optional): Liste der zurückzugebenden Felder.

9. query_entities

• Beschreibung: Fragt Entitäten basierend auf skalaren Bedingungen ab, ohne Vektorsuche.

• Parameter:

  • connectionName (String): Ziel-Verbindungsname.

  • collectionName (String): Name der Ziel-Collection.

  • filter (String): Milvus-Filterausdruck.

  • outputFields (String[], optional): Liste der zurückzugebenden Felder.

  • limit (Number, optional): Maximale Anzahl der zurückgegebenen Ergebnisse, Standard ist 100.

10. hybrid_search

• Beschreibung: Kombinierte Abfrage aus Vektorsuche + skalarer Filterung. Der Unterschied zu vector_search besteht darin, dass filter ein Pflichtparameter ist.

• Parameter:

  • connectionName (String): Ziel-Verbindungsname.

  • collectionName (String): Name der Ziel-Collection.

  • text (String, optional): Suchtext, alternativ zu vector.

  • vector (Number[], optional): Roh-Suchvektor, alternativ zu text.

  • filter (String): Erforderlich, skalarer Filterausdruck.

  • topK (Number, optional): Anzahl der zurückgegebenen Ergebnisse, Standard ist 10.

  • outputFields (String[], optional): Liste der zurückzugebenden Felder.