AI导哈

Milvus向量数据库MCP服务器

一个为Milvus向量数据库提供MCP协议支持的服务器，实现LLM应用与向量数据库的无缝集成，适用于AI增强开发环境和自定义工作流。

  • by stephen37
  • Python
  • 本地部署
  • 8 星标
  • 更新于
在 GitHub 查看 stephen37/mcp-server-milvus

使用说明

Milvus的MCP服务器

模型上下文协议（MCP）是一种开放协议，可实现LLM应用程序与外部数据源和工具之间的无缝集成。无论您是在构建基于AI的IDE、增强聊天界面，还是创建自定义AI工作流程，MCP都提供了一种标准化的方式将LLM与所需的上下文连接起来。

此存储库包含一个MCP服务器，可访问 米尔维斯 矢量数据库功能。

先决条件

在使用此MCP服务器之前，请确保您已：

  • Python 3.10或更高版本
  • 跑步 米尔维斯 实例（本地或远程）
  • 紫外线 已安装（建议用于运行服务器）

用法

建议使用此MCP服务器的方式是直接使用 uv 无需安装。这就是Claude Desktop和Cursor在下面的示例中使用它的配置方式。

如果要克隆存储库：

git clone https://github.com/stephen37/mcp-server-milvus.git
cd mcp-server-milvus

然后，您可以直接运行服务器：

uv run src/mcp_server_milvus/server.py --milvus-uri http://localhost:19530

支持的应用程序

此MCP服务器可以与支持模型上下文协议的各种LLM应用程序一起使用：

  • 克劳德桌面：克劳德的Anthropic桌面应用程序
  • 光标：AI驱动的代码编辑器，在其Composer功能中支持MCP
  • 自定义MCP客户端：任何实现MCP客户端规范的应用程序

使用Claude Desktop

  1. 从以下位置安装Claude Desktophttps://claude.ai/download

  2. 打开您的Claude Desktop配置：

    • macOS： ~/Library/Application Support/Claude/claude_desktop_config.json

  3. 添加以下配置：

{
  "mcpServers": {
    "milvus": {
      "command": "/PATH/TO/uv",
      "args": [
        "--directory",
        "/path/to/mcp-server-milvus/src/mcp_server_milvus",
        "run",
        "server.py",
        "--milvus-uri",
        "http://localhost:19530"
      ]
    }
  }
}
  1. 重新启动克劳德桌面

使用游标

Cursor还支持MCP 通过Composer中的Agent功能使用工具。您可以通过两种方式将Milvus MCP服务器添加到Cursor：

选项1：使用光标设置UI

  1. 首选 Cursor Settings > Features > MCP

  2. 点击 + Add New MCP Server 按钮

  3. 填写表格：

    • 类型：选择 stdio （因为您正在运行命令）
    • 名字: milvus
    • 命令: /PATH/TO/uv --directory /path/to/mcp-server-milvus/src/mcp_server_milvus run server.py --milvus-uri http://127.0.0.1:19530

    ⚠️ 注：使用 127.0.0.1 而不是 localhost 以避免潜在的DNS解析问题。

选项2：使用项目特定配置（推荐）

创建一个 .cursor/mcp.json 项目根目录中的文件：

  1. 创建 .cursor 项目根目录中的目录：

    mkdir -p /path/to/your/project/.cursor

  2. 创建一个 mcp.json 包含以下内容的文件：

    {
  "mcpServers": {
    "milvus": {
      "command": "/PATH/TO/uv",
      "args": [
        "--directory",
        "/path/to/mcp-server-milvus/src/mcp_server_milvus",
        "run",
        "server.py",
        "--milvus-uri",
        "http://127.0.0.1:19530"
      ]
    }
  }
}

  3. 重新启动光标或重新加载窗口

添加服务器后，您可能需要按MCP设置中的刷新按钮来填充工具列表。Composer Agent将在与您的查询相关时自动使用Milvus工具。

验证集成

要验证Cursor是否已成功与Milvus MCP服务器集成：

  1. 打开光标设置>功能>MCP
  2. 检查“Milvus”是否出现在MCP服务器列表中
  3. 验证是否列出了工具（例如，milvus_list_collections、milvus_vector_search等）
  4. 如果服务器已启用但显示错误，请检查下面的故障排除部分

可用工具

服务器提供以下工具：

搜索和查询操作

  • milvus-text-search：使用全文搜索搜索文档

    • 参数：
      • collection_name：要搜索的集合名称
      • query_text：要搜索的文本
      • limit：最大结果（默认值：5）
      • output_fields：要包含在结果中的字段
      • drop_ratio：要忽略的低频项比例（0.0-1.0）

  • milvus-vector-search：对集合执行向量相似性搜索

    • 参数：
      • collection_name：要搜索的集合名称
      • vector：查询向量
      • vector_field：包含要搜索的向量的字段（默认值：“vector”）
      • limit：最大结果（默认值：5）
      • output_fields：要包含在结果中的字段
      • metric_type：距离度量（COSINE、L2、IP）（默认值：“COSINE”）
      • filter_expr：可选筛选器表达式

  • milvus-hybrid-search：执行结合向量相似性和属性过滤的混合搜索

    • 参数：
      • collection_name：要搜索的集合名称
      • vector：查询向量
      • vector_field：包含要搜索的向量的字段（默认值：“vector”）
      • filter_expr：元数据的筛选表达式
      • limit：最大结果（默认值：5）
      • output_fields：要包含在结果中的字段
      • metric_type：距离度量（COSINE、L2、IP）（默认值：“COSINE”）

  • milvus-multi-vector-search：使用多个查询向量执行向量相似性搜索

    • 参数：
      • collection_name：要搜索的集合名称
      • vectors：查询向量列表
      • vector_field：包含要搜索的向量的字段（默认值：“vector”）
      • limit：每次查询的最大结果数（默认值：5）
      • output_fields：要包含在结果中的字段
      • metric_type：距离度量（COSINE、L2、IP）（默认值：“COSINE”）
      • filter_expr：可选筛选器表达式

  • milvus-query：使用筛选表达式查询集合

    • 参数：
      • collection_name：要查询的集合名称
      • filter_expr：筛选表达式（例如“年龄>20”）
      • output_fields：要包含在结果中的字段
      • limit：最大结果（默认值：10）

  • milvus-count：统计集合中的实体

    • 参数：
      • collection_name：收藏名称
      • filter_expr：可选筛选器表达式

收集管理

  • milvus-list-collections：列出数据库中的所有集合

  • milvus-collection-info：获取收藏的详细信息

    • 参数：
      • collection_name：收藏名称

  • milvus-get-collection-stats：获取集合的统计信息

    • 参数：
      • collection_name：收藏名称

  • milvus-create-collection：使用指定的架构创建新集合

    • 参数：
      • collection_name：新收藏的名称
      • schema：集合架构定义
      • index_params：可选索引参数

  • milvus-load-collection：将集合加载到内存中以进行搜索和查询

    • 参数：
      • collection_name：要加载的集合名称
      • replica_number：副本数量（默认值：1）

  • milvus-release-collection：从内存中释放集合

    • 参数：
      • collection_name：要发布的集合名称

  • milvus-get-query-segment-info：获取有关查询段的信息

    • 参数：
      • collection_name：收藏名称

  • milvus-get-collection-loading-progress：获取集合的加载进度

    • 参数：
      • collection_name：收藏名称

数据操作

  • milvus-insert-data：将数据插入集合

    • 参数：
      • collection_name：收藏名称
      • data：字典将字段名映射到值列表

  • milvus-bulk-insert：批量插入数据以获得更好的性能

    • 参数：
      • collection_name：收藏名称
      • data：字典将字段名映射到值列表
      • batch_size：每批记录数（默认值：1000）

  • milvus-upsert-data：将数据插入集合（如果存在，则插入或更新）

    • 参数：
      • collection_name：收藏名称
      • data：字典将字段名映射到值列表

  • milvus-delete-entities：根据筛选表达式从集合中删除实体

    • 参数：
      • collection_name：收藏名称
      • filter_expr：筛选表达式以选择要删除的实体

  • milvus-create-dynamic-field：向现有集合添加动态字段

    • 参数：
      • collection_name：收藏名称
      • field_name：新字段的名称
      • data_type：字段的数据类型
      • description：可选描述

索引管理

  • milvus-create-index：在向量字段上创建索引

    • 参数：
      • collection_name：收藏名称
      • field_name：要索引的字段
      • index_type：索引类型（IVF_FLAT、HNSW等）（默认值：“IVF_FLAT”）
      • metric_type：距离度量（COSINE、L2、IP）（默认值：“COSINE”）
      • params：附加索引参数

  • milvus-get-index-info：获取集合中索引的信息

    • 参数：
      • collection_name：收藏名称
      • field_name：用于获取索引信息的可选特定字段

环境变量

  • MILVUS_URI：Milvus服务器URI（可以设置为代替--Milvus-URI）
  • MILVUS_TOKEN：可选身份验证令牌
  • MILVUS_DB：数据库名称（默认为“默认”）

发展

要直接运行服务器，请执行以下操作：

uv run server.py --milvus-uri http://localhost:19530

例子

使用克劳德桌面

示例1：列出集合

What are the collections I have in my Milvus DB?

然后，Claude将使用MCP在我们的Milvus数据库中检查此信息。

I'll check what collections are available in your Milvus database.

> View result from milvus-list-collections from milvus (local)

Here are the collections in your Milvus database:

1. rag_demo
2. test
3. chat_messages
4. text_collection
5. image_collection
6. customized_setup
7. streaming_rag_demo

示例2：搜索文档

Find documents in my text_collection that mention "machine learning"

Claude将使用Milvus的全文搜索功能来查找相关文档：

I'll search for documents about machine learning in your text_collection.

> View result from milvus-text-search from milvus (local)

Here are the documents I found that mention machine learning:
[Results will appear here based on your actual data]

使用光标

示例：创建集合

在Cursor的Composer中，您可以问：

Create a new collection called 'articles' in Milvus with fields for title (string), content (string), and a vector field (128 dimensions)

Cursor将使用MCP服务器执行此操作：

I'll create a new collection called 'articles' with the specified fields.

> View result from milvus-create-collection from milvus (local)

Collection 'articles' has been created successfully with the following schema:
- title: string
- content: string
- vector: float vector[128]

故障排除

常见问题

连接错误

如果您看到诸如“连接到Milvus服务器失败”之类的错误：

  1. 验证您的Milvus实例是否正在运行： docker ps （如果使用Docker）
  2. 检查配置中的URI是否正确
  3. 确保没有防火墙规则阻止连接
  4. 尝试使用 127.0.0.1 而不是 localhost 在URI中

身份验证问题

如果您看到身份验证错误：

  1. 验证您的 MILVUS_TOKEN 是正确的
  2. 检查您的Milvus实例是否需要身份验证
  3. 确保您对尝试执行的操作具有正确的权限

未找到工具

如果MCP工具未出现在克劳德桌面或光标中：

  1. 重新启动应用程序
  2. 检查服务器日志是否有任何错误
  3. 验证MCP服务器是否正常运行
  4. 按下MCP设置中的刷新按钮（光标）

获取帮助

如果您继续遇到问题：

  1. 检查 GitHub问题 对于类似的问题
  2. 加入 Zilliz社区不和 支持
  3. 提交一个新问题，其中包含有关您问题的详细信息

相关 MCP