使用
安裝前先知道:有已知漏洞
pickfit 在安裝時會一併裝上的套件裡找到 5 個已知的高風險或嚴重漏洞(OSV.dev,2026年11月16日),安裝前請先考慮。
pypi:fastmcp 2.7.0FastMCP OpenAPI Provider 有 SSRF 與路徑穿越漏洞 (GHSA-vv7q-7jx5-f767,嚴重,3.2.0 已修正)
再看 4 個
pypi:fastmcp 2.7.0— GHSA-5h2m-4q8j-pqpj(高風險),2.14.2 已修正pypi:fastmcp 2.7.0— GHSA-c2jp-c369-7pvx(高風險),2.13.0 已修正pypi:fastmcp 2.7.0— GHSA-rcfx-77hg-w2wv(高風險),2.14.0 已修正pypi:fastmcp 2.7.0— GHSA-rww4-4w9c-7733(高風險),3.2.0 已修正
Linux x86_64
uv tool install mcp-server-qdrant,並預先下載預設 FastEmbed 模型,讓伺服器可離線運作
uv tool install mcp-server-qdrant && ~/.local/share/uv/tools/mcp-server-qdrant/bin/python -c "from fastembed import TextEmbedding; m=TextEmbedding('sentence-transformers/all-MiniLM-L6-v2'); print(len(list(m.embed(['hi']))[0]))"
加進你的 agent
claude mcp add mcp-server-qdrant -- mcp-server-qdrantClaude Desktop、Cursor 等用戶端用的 JSON
{
"mcpServers": {
"mcp-server-qdrant": {
"command": "mcp-server-qdrant",
"args": []
}
}
}在 MCP 用戶端加入 mcp-server-qdrant 伺服器,並在環境中設定 QDRANT_LOCAL_PATH(或 Qdrant URL)與 COLLECTION_NAME,用戶端就會列出 qdrant-store 與 qdrant-find 工
它能做什麼
- 將資訊存入 Qdrant collection已測試
怎麼使用
- 從 MCP 用戶端啟動
mcp-server-qdrant,並在環境中設定 QDRANT_LOCAL_PATH=<folder> 與 COLLECTION_NAME=<collection>。 - 呼叫 qdrant-store 工具,傳入
information文字與選填的metadata。
- 從 MCP 用戶端啟動
- 依語意找出已儲存的資訊已測試
怎麼使用
- 用 qdrant-store 工具儲存一些資訊。
- 呼叫 qdrant-find 工具,以日常語言撰寫
query,例如 <your question>。
- 為 coding agent 依語意搜尋程式碼片段已測試
怎麼使用
- 以 COLLECTION_NAME=<collection> 啟動
mcp-server-qdrant,並設定 TOOL_STORE_DESCRIPTION 與 TOOL_FIND_DESCRIPTION,描述程式碼片段的儲存與搜尋。 - 呼叫 qdrant-store,在
information放描述、在metadata放程式碼,例如 {"code": "<your code>"}。 - 呼叫 qdrant-find,以
query描述需要的程式碼。
- 以 COLLECTION_NAME=<collection> 啟動
pickfit 測到哪一步
Linux x86_64
- 可以安裝
- 可以連線
- 3 項功能中 3 項可用
- 可離線使用
適合用來
- 儲存程式碼片段以供日後擷取
- 以語意搜尋程式碼範例
pickfit 怎麼測的
每次測試都從乾淨的機器開始,照上面的步驟執行。 pickfit 怎麼驗證
Linux x86_64
MCP 用戶端成功呼叫工具
- 從頭重跑
- 可離線使用
- 檢查於 2026年11月15日
- 版本 0.8.1
MCP 用戶端透過 stdio 連線,列出 2 個工具,呼叫 qdrant-store 也回傳了結果。
測試機器遇到的差異
- README: Examples use QDRANT_URL=http://localhost:6333 (a running Qdrant server)
測試中: 此處沒有執行 Qdrant 伺服器,因此改用 QDRANT_LOCAL_PATH=/tmp/qdrant-db(README 記載的內嵌本機模式) - README: uvx mcp-server-qdrant needs no specific installation
測試中: 伺服器首次使用時會從 Hugging Face 下載 FastEmbed 模型 sentence-transformers/all-MiniLM-L6-v2。為了離線運作,已在安裝步驟預先下載模型。 - README: Code search example uses --transport sse for Cursor/Windsurf
測試中: 透過 stdio 以自訂工具描述測試相同的 store/find