de en es ja ko ru zh

qdrant-mcp-ollama

Name: qdrant-mcp-ollama
Author: michal7kw

by michal7kw

Overview Schema Related Servers Score Discussions

Python

Hybrid

qdrant-mcp-ollama

一个用于 Qdrant 向量数据库的 Model Context Protocol (MCP) 服务器，使用 Ollama 提供 GPU 加速的嵌入 功能。

为什么不用官方的 mcp-server-qdrant？

官方 Qdrant MCP 服务器使用 FastEmbed 进行嵌入，但它存在以下问题：

仅依赖 CPU 运行 — 在处理大型代码库时速度较慢，无法充分利用现代 GPU
使用小模型（all-MiniLM-L6-v2，384 维）— 嵌入质量较低
本地模式下存在单进程锁 — 同一时间只能有一个 MCP 客户端访问数据库

本服务器可以解决以上三个问题：

	官方 `mcp-server-qdrant`	`qdrant-mcp-ollama`
嵌入引擎	FastEmbed（CPU）	Ollama（GPU）
默认模型	all-MiniLM-L6-v2（384 维，80MB）	bge-m3（1024 维，1.2GB）
并发访问	否（本地模式）	是（Qdrant 服务器）
模型灵活性	仅 FastEmbed 模型	任意 Ollama 嵌入模型

Related MCP server: Claude Context MCP

架构

┌──────────────┐     ┌────────────────────┐     ┌─────────────┐
│  MCP Client   │────>│  qdrant-mcp-ollama │────>│   Ollama    │
│ (Claude Code, │     │    (server.py)      │     │  (GPU)      │
│  Kilo Code,   │<────│                    │     └─────────────┘
│  Cursor, etc) │     └────────┬───────────┘
└──────────────┘              │
                              v
                   ┌────────────────────┐
                   │   Qdrant Server    │
                   │  (Docker, :6333)   │
                   │  Storage: local    │
                   │  disk / cloud      │
                   └────────────────────┘

前置要求

Ollama — 已安装并正在运行，且已拉取嵌入模型
Docker — 用于运行 Qdrant 服务器
uv — Python 包管理器（推荐）或 pip

快速开始

1. 在 Ollama 中拉取嵌入模型

ollama pull bge-m3

2. 启动 Qdrant 服务器

docker run -d --name qdrant-server \
  -p 6333:6333 -p 6334:6334 \
  -v qdrant-storage:/qdrant/storage \
  --restart unless-stopped \
  qdrant/qdrant:latest

3. 运行 MCP 服务器

# No install needed — uv downloads dependencies on-the-fly:
QDRANT_URL="http://localhost:6333" \
EMBEDDING_MODEL="bge-m3" \
uv run --with fastmcp --with qdrant-client --with httpx python server.py

4. 嵌入一个代码库

uv run --with qdrant-client --with httpx python embed_codebase.py \
  /path/to/your/project my-project --preset python

5. 在 MCP 客户端中搜索

配置完成后（详情见下文），向你的 AI 助手提问：

“搜索代码库中的认证逻辑”

它将使用 qdrant_find 工具返回语义相关的代码片段。

设置 Qdrant 服务器

方案 A：Docker（推荐）

将数据存储在指定驱动器上（例如 Windows 下的 E:）：

# Create storage directories
mkdir -p E:/qdrant-storage E:/qdrant-snapshots

# Start Qdrant with persistent storage
docker run -d --name qdrant-server \
  -p 6333:6333 -p 6334:6334 \
  -v E:/qdrant-storage:/qdrant/storage \
  -v E:/qdrant-snapshots:/qdrant/snapshots \
  --restart unless-stopped \
  qdrant/qdrant:latest

在 Linux/macOS 上：

docker run -d --name qdrant-server \
  -p 6333:6333 -p 6334:6334 \
  -v ~/qdrant-storage:/qdrant/storage \
  --restart unless-stopped \
  qdrant/qdrant:latest

--restart unless-stopped 标志可确保 Qdrant 随 Docker Desktop 自动启动。

验证它是否正在运行：

docker ps --filter name=qdrant-server
# Or open http://localhost:6333/dashboard in your browser

方案 B：Qdrant Cloud

在 cloud.qdrant.io 注册，获取你的 URL 和 API 密钥。然后设置：

QDRANT_URL="https://your-cluster.cloud.qdrant.io:6333"
QDRANT_API_KEY="your-api-key"

注意： QDRANT_API_KEY 环境变量会自动传递给 Qdrant 客户端。

嵌入代码库

embed_codebase.py 脚本会扫描一个目录，将源文件分块，并通过 Ollama 将它们批量嵌入 Qdrant。

基本用法

uv run --with qdrant-client --with httpx python embed_codebase.py <directory> <collection-name>

使用扩展名预设

# Python project
python embed_codebase.py ./my-api api-backend --preset python

# Full-stack web project
python embed_codebase.py ./my-app frontend --preset web

# R / bioinformatics project
python embed_codebase.py ./analysis bio-analysis --preset r

# Everything
python embed_codebase.py ./mono-repo all-code --preset all

自定义扩展名

python embed_codebase.py ./project my-collection --extensions .py .sql .sh .yaml

可用预设

预设	扩展名
`python`	`.py` `.pyi`
`javascript`	`.js` `.jsx` `.mjs` `.cjs`
`typescript`	`.ts` `.tsx`
`web`	`.js` `.jsx` `.ts` `.tsx` `.vue` `.svelte` `.html` `.css` `.scss`
`r`	`.R` `.r` `.Rmd` `.rmd`
`java`	`.java`
`csharp`	`.cs`
`go`	`.go`
`rust`	`.rs`
`cpp`	`.cpp` `.hpp` `.cc` `.hh` `.c` `.h`
`all`	所有常见源码扩展名

如果没有提供 --preset 或 --extensions，脚本会自动检测文件类型。

所有选项

usage: embed_codebase.py <directory> <collection> [options]

positional arguments:
  directory              Path to the codebase directory
  collection             Qdrant collection name

options:
  --extensions EXT [EXT ...]  File extensions to include (e.g. .py .ts)
  --preset PRESET             Use a preset group of extensions
  --model MODEL               Ollama embedding model (default: bge-m3)
  --qdrant-url URL            Qdrant server URL (default: http://localhost:6333)
  --ollama-url URL            Ollama server URL (default: http://localhost:11434)
  --chunk-size N              Max lines per chunk (default: 80)
  --chunk-overlap N           Overlap lines between chunks (default: 10)
  --batch-size N              Upload batch size for Qdrant (default: 500)
  --append                    Append to existing collection instead of replacing

追加模式

默认情况下，重新运行脚本会替换现有集合。使用 --append 可向现有集合追加数据：

# First embed
python embed_codebase.py ./src main-code --preset typescript

# Add more files later
python embed_codebase.py ./docs main-code --extensions .md --append

多代码库用法

为每个代码库使用独立的集合，以保持搜索范围聚焦和相关：

# Project A
python embed_codebase.py ~/projects/api-server api-server --preset python

# Project B
python embed_codebase.py ~/projects/web-app web-app --preset web

# Project C
python embed_codebase.py ~/projects/data-pipeline data-pipeline --preset python

配置 MCP 服务器时：

不设置 COLLECTION_NAME：必须在每次查询时指定集合名称。这适合一个 MCP 服务器服务于多个项目的情况。
设置 COLLECTION_NAME：将自动使用默认集合。如果 MCP 客户端支持项目级配置，请为每个项目单独设置。

配置 Claude Code

添加 MCP 服务器

claude mcp add qdrant -s user \
  -e QDRANT_URL="http://localhost:6333" \
  -e OLLAMA_URL="http://localhost:11434" \
  -e EMBEDDING_MODEL="bge-m3" \
  -- uv run --with fastmcp --with qdrant-client --with httpx \
     python /path/to/qdrant-mcp-ollama/server.py

将 /path/to/qdrant-mcp-ollama/ 替换为你克隆此仓库的实际路径。

使用默认集合

如果你主要在一个项目上工作：

claude mcp add qdrant -s user \
  -e QDRANT_URL="http://localhost:6333" \
  -e OLLAMA_URL="http://localhost:11434" \
  -e EMBEDDING_MODEL="bge-m3" \
  -e COLLECTION_NAME="my-project" \
  -- uv run --with fastmcp --with qdrant-client --with httpx \
     python /path/to/qdrant-mcp-ollama/server.py

验证

claude mcp list
# Should show: qdrant: ... ✓ Connected

claude mcp get qdrant
# Shows full configuration details

在 Claude Code 中使用

配置完成后，Claude Code 可以使用以下工具：

qdrant_store — 存储信息：“在 Qdrant 中存储此认证模式”
qdrant_find — 搜索：“查找与数据库迁移有关的代码”

对于多代码库设置（无默认集合），请指定集合名称：

“在 api-server 集合中搜索限流逻辑”

配置 Kilo Code（VS Code 扩展）

Kilo Code 是一个内置 MCP 支持的 VS Code 扩展。

方案 1：手动配置 MCP

在 VS Code 中打开 Kilo Code 设置
导航到 MCP 服务器配置
添加新服务器：

字段名称	值
Name	`qdrant`
Command	`uv`
Arguments	`run --with fastmcp --with qdrant-client --with httpx python /path/to/server.py`

设置环境变量：

变量变量	值
`QDRANT_URL`	`http://localhost:6333`
`OLLAMA_URL`	`http://localhost:11434`
`EMBEDDING_MODEL`	`bge-m3`
`COLLECTION_NAME`	你的项目的集合名称（例如 `my-project`）

方案 2：VS Code settings.json

添加到你的 VS Code settings.json 中（Ctrl+Shift+P > Preferences: Open User Settings (JSON)）：

{
  "kilocode.mcpServers": {
    "qdrant": {
      "command": "uv",
      "args": [
        "run", "--with", "fastmcp", "--with", "qdrant-client", "--with", "httpx",
        "python", "/path/to/qdrant-mcp-ollama/server.py"
      ],
      "env": {
        "QDRANT_URL": "http://localhost:6333",
        "OLLAMA_URL": "http://localhost:11434",
        "EMBEDDING_MODEL": "bge-m3",
        "COLLECTION_NAME": "my-project"
      }
    }
  }
}

按项目配置 Kilo Code

对于多代码库设置，请在项目范围（而非全局）内配置 Kilo Code，并为项目指定 COLLECTION_NAME。这样每个工作区只会搜索自己的代码库。

配置其他 MCP 客户端

Cursor / Windsurf

为了支持远程客户端，请使用 SSE 传输方式运行服务器：

QDRANT_URL="http://localhost:6333" \
OLLAMA_URL="http://localhost:11434" \
EMBEDDING_MODEL="bge-m3" \
FASTMCP_PORT=8000 \
uv run --with fastmcp --with qdrant-client --with httpx \
  python server.py --transport sse

然后在 Cursor/Windsurf 的 MCP 设置中连接：http://localhost:8000/sse

通用 MCP 客户端（stdio）

默认传输方式为 stdio。任何支持 stdio 的 MCP 客户端都可以通过运行以下命令来使用本服务器：

uv run --with fastmcp --with qdrant-client --with httpx python server.py

配置参考

MCP 服务器环境变量

字段字段	描述	默认值
`QDRANT_URL`	Qdrant 服务器 URL	`http://localhost:6333`
`QDRANT_API_KEY`	Qdrant Cloud 的 API 密钥	None
`OLLAMA_URL`	Ollama 服务器 URL	`http://localhost:11434`
`EMBEDDING_MODEL`	Ollama 嵌入模型名称	`bge-m3`
`COLLECTION_NAME`	默认集合（为空时必须在每次调用中指定）	(空)

选择嵌入模型

以下所有模型均可通过 ollama pull <model> 获取：

模型	维度	大小	速度	质量	适用场景
`bge-m3`	1024	1.2 GB	中等	高	通用、多语言
`nomic-embed-text`	768	274 MB	快	良好	轻量、面向英文
`mxbai-embed-large`	1024	670 MB	中等	高	英文、高质量
`snowflake-arctic-embed2`	1024	1.2 GB	中等	非常高	英文、最佳质量
`all-minilm`	384	46 MB	极快	一般	资源占用最小

建议： 从 bge-m3 开始。它能很好地处理代码，支持多语言内容（任意语言的注释），并且兼顾质量与速度。

重要： 用于索引集合的嵌入模型必须与用于查询的模型匹配。如果你使用不同的模型重新嵌入，请删除并重新创建集合。

GPU 利用率

更大的模型会占用更多 GPU 资源。如果你的 GPU 利用率不高：

从 nomic-embed-text（274 MB）切换到 bge-m3（1.2 GB）或更大的模型
嵌入脚本会将所有文本一次性发送到单个批次中，以最大化 GPU 利用率
对于单个查询（通过 qdrant_find），GPU 峰值是短暂且正常的 — 嵌入单个查询只需要毫秒级的时间

查看 GPU 使用情况：nvidia-smi（NVIDIA）或 rocm-smi（AMD）

MCP 工具

`qdrant_store`

在 Qdrant 数据库中存储信息。

参数	类型	必填	描述
`information`	string	是	用于存储和可搜索的文本
`collection_name`	string	如果没有默认集合	Target collection
`metadata`	dict	否	可选元数据

`qdrant_find`

使用语义相似度搜索相关信息。

参数	类型	必填	描述
`query`	string	是	自然语言搜索查询
`collection_name`	string	如果没有默认集合	要搜索的集合
`top_k`	int	否	返回的最大结果数（默认值：5）

故障排除

“Connection closed” / MCP 服务器无法启动

Ollama 是否正在运行？ 使用 ollama list 检查。如有需要，运行 ollama serve 启动它。
是否已拉取嵌入模型？ 运行 ollama pull bge-m3。
Qdrant 是否正在运行？ 使用 docker ps --filter name=qdrant-server 检查。

“Collection does not exist”

集合由嵌入脚本创建，或在首次调用 qdrant_store 时创建。可以这样做：

先运行 embed_codebase.py 为你的代码库建立索引
或通过 qdrant_store 存储内容，以自动创建集合

维度不匹配错误

这种情况发生在集合创建的嵌入模型与你查询所用模型不一致时。解决方法：

删除集合：访问 http://localhost:6333/dashboard
使用正确的模型重新嵌入
确保 MCP 服务器配置中的 EMBEDDING_MODEL 与你用于嵌入的模型一致

“存储文件夹已被另一个实例访问”

该错误来自官方 mcp-server-qdrant 使用本地模式（QDRANT_LOCAL_PATH）时的情况。本项目通过 URL 连接 Qdrant 服务器来避免此问题。请确保你没有同时运行两个指向同一本地路径的服务器。

嵌入速度慢 / GPU 利用率低

使用更大的模型：bge-m3（1.2 GB）而不是 nomic-embed-text（274 MB）
嵌入脚本会一次将所有文本放在一个批次中发送——如果你有成千上万个分块，这样可以最大化 GPU 使用
对于非常大的代码库（10,000 个以上文件），建议按目录拆分为多次运行

许可证

Apache License 2.0 — 参见 LICENSE。

Install Server

license - permissive license

quality

maintenance

How are these scores calculated?

Maintenance

–Maintainers

–Response time

–Release cycle

–Releases (12mo)

Commit activity

Resources

GitHub Repository

Need Help?

Related Servers

Unclaimed servers have limited discoverability.

Looking for Admin?

If you are the server author, to access and configure the admin panel.

Tools

Related MCP Servers

Qdrant MCP Server
Vector Databases Code Analysis
steiner385
A
license
Not graded
quality
D
maintenance
Enables semantic code search across codebases using Qdrant vector database and OpenAI embeddings, allowing users to find code by meaning rather than just keywords through natural language queries.
Updated a year ago (2025-06-30 00:34 UTC)
2
MIT
Claude Context MCP
RAG Systems Vector Databases Code Analysis
sahinrasit
F
license
Not graded
quality
D
maintenance
Enables AI assistants to index and search codebases using semantic search powered by multiple embedding providers (OpenAI, VoyageAI, Gemini, Ollama) and vector database storage.
Updated a year ago (2025-09-26 10:56 UTC)
Arda Vector Database MCPofficial
Vector Databases Search Code Analysis
ardaglobal
F
license
Not graded
quality
D
maintenance
Enables semantic code search across multi-language codebases using natural language queries, integrated with Qdrant vector database for fast, cached retrieval.
Updated 7 months ago (2026-01-14 00:14 UTC)
1
qdrant-codebase-mcp
Vector Databases Code Analysis
theepicsaxguy
A
license
Not graded
quality
F
maintenance
Indexes codebases into Qdrant for semantic search, enabling AI assistants to find relevant code by meaning without re-exploring the repo.
Updated 3 days ago (2026-08-21 17:58 UTC)
MIT

View all related MCP servers

Related MCP Connectors

Hint-Services-obsidian-github-mcp
Connect AI assistants to your GitHub-hosted Obsidian vault to seamlessly access, search, and analy…
Ragora
Search your knowledge bases from any AI assistant using hybrid RAG.
Maguyva
Code intelligence for coding agents: semantic, AST, graph, and full-text search. 279+ languages.

View all MCP Connectors

Latest Blog Posts

Who's Calling? MCP Hosts Are an Identity Blind Spot (And the Spec Knows It)
By Om-Shree-0709 on July 25, 2026.
mcp
Agent Identity
OAuth 2.1
Your AI Chatbot Just Exposed Your CEO's Salary to an Intern
By Om-Shree-0709 on July 2, 2026.
Agent Identity
MCP Security
OAuth Delegation
Why MCP Servers Need Execution Sandboxing (And Why Your Current Stack Isn't Enough)
By Om-Shree-0709 on June 30, 2026.
Agentic Ai
Prompt Injection
WebAssembly

MCP directory API

We provide all the information about MCP servers via our MCP API.

curl -X GET 'https://glama.ai/api/mcp/v1/servers/michal7kw/qdrant-mcp-ollama'

If you have feedback or need assistance with the MCP directory API, please join our Discord server

qdrant-mcp-ollama

为什么不用官方的 mcp-server-qdrant？

架构

前置要求

快速开始

1. 在 Ollama 中拉取嵌入模型

2. 启动 Qdrant 服务器

3. 运行 MCP 服务器

4. 嵌入一个代码库

5. 在 MCP 客户端中搜索

设置 Qdrant 服务器

方案 A：Docker（推荐）

方案 B：Qdrant Cloud

嵌入代码库

基本用法

使用扩展名预设

自定义扩展名

可用预设

所有选项

追加模式

多代码库用法

配置 Claude Code

添加 MCP 服务器

使用默认集合

验证

在 Claude Code 中使用

配置 Kilo Code（VS Code 扩展）

方案 1：手动配置 MCP

方案 2：VS Code settings.json

按项目配置 Kilo Code

配置其他 MCP 客户端

Cursor / Windsurf

通用 MCP 客户端（stdio）

配置参考

MCP 服务器环境变量

选择嵌入模型

GPU 利用率

MCP 工具

qdrant_store

qdrant_find

故障排除

“Connection closed” / MCP 服务器无法启动

“Collection does not exist”

维度不匹配错误

“存储文件夹已被另一个实例访问”

嵌入速度慢 / GPU 利用率低

许可证

Maintenance

Resources

Looking for Admin?

Tools

Related MCP Servers

Qdrant MCP Server

Claude Context MCP

Arda Vector Database MCPofficial

qdrant-codebase-mcp

Related MCP Connectors

Latest Blog Posts

MCP directory API

`qdrant_store`

`qdrant_find`