Qdrant MCP：把向量数据库当成智能体的语义记忆
Qdrant 官方 MCP。只有存和找两个工具，文本自动用 FastEmbed 向量化，可接本地文件或 Qdrant 服务，适合做记忆和代码片段检索。
项目与安装文档
查看项目https://github.com/qdrant/mcp-server-qdrant
想让智能体记住项目约定、常用代码片段，按意思而不是关键词找回来，就需要一个向量库。Qdrant MCP 是 Qdrant 官方的服务，把向量数据库收窄成两个动作：存一段信息，按语义找回相关信息。向量化在服务内部用 FastEmbed 完成，不用另外调嵌入接口。截至 2026-10-06 约 1,500 star。
能做什么
- 存：
qdrant-store写入一段文字和可选的 JSON 元数据，集合不存在时自动创建；若设置了COLLECTION_NAME默认值，两个工具都不再要求每次显式传入集合名。 - 找：
qdrant-find按语义检索，返回条数由QDRANT_SEARCH_LIMIT控制，默认 10 条，结果以独立消息形式返回，方便模型逐条引用。 - 改写工具描述：
TOOL_STORE_DESCRIPTION、TOOL_FIND_DESCRIPTION可以重写两个工具的说明，README 示例把它改造成 Cursor 里的代码片段库，让模型知道该把代码存进metadata.code字段。 - 本地或远程：
QDRANT_LOCAL_PATH用本地文件，QDRANT_URL连自建或 Qdrant Cloud；支持 stdio、SSE 和 streamable-http 三种传输，SSE 模式默认监听 8000 端口，可用FASTMCP_SERVER_PORT改掉。 - 多种装法：除了
uvx直接跑，还提供官方 Dockerfile、Smithery 一键安装和 VS Code 的一键安装徽章；开发调试可用fastmcp dev src/mcp_server_qdrant/server.py打开 MCP Inspector 查看每次调用的输入输出。
适合谁
- 想给 Claude 或 Cursor 加一个跨会话、按语义检索的记忆层的个人开发者，不想为此单独起一套检索服务。
- 已经在用 Qdrant 做 RAG、想让智能体直接读写同一个集合的团队，省去中间再包一层 API。
接入方式
需要 uv。用本地文件模式时不必部署 Qdrant 服务：
{
"qdrant": {
"command": "uvx",
"args": ["mcp-server-qdrant"],
"env": {
"QDRANT_LOCAL_PATH": "/path/to/qdrant/database",
"COLLECTION_NAME": "your-collection-name",
"EMBEDDING_MODEL": "sentence-transformers/all-MiniLM-L6-v2"
}
}
}
连 Qdrant Cloud 或自建服务时，把 QDRANT_URL 和 QDRANT_API_KEY 换成对应值即可，不用改其他参数。
编辑点评
向量数据库的 MCP 不少，选它是因为官方维护、接口极简，本地文件模式几分钟就能试起来，不用先部署 Qdrant 服务，也不用单独申请嵌入模型的 API Key。也正因为简单，它不是完整的 Qdrant 管理工具：没有删除、过滤条件或集合管理，嵌入模型目前只支持 FastEmbed 一家，默认模型对中文效果一般，存中文资料前最好把 EMBEDDING_MODEL 换成多语言模型。如果需要的是结构化 SQL 查询而不是语义记忆，MCP Toolbox for Databases 更合适；如果连接已有 RAG 流水线里的其他文档库，也要先确认那边的向量维度和这里的嵌入模型一致。需要只读时设 QDRANT_READ_ONLY=true 关掉写入工具，公开部署时记得把 FASTMCP_SERVER_HOST 留在默认的 127.0.0.1，除非确实要对外监听。许可证为 Apache-2.0。