pickfit

瀏覽MCP 伺服器

mcp-server-qdrant

MCP 伺服器,在 Qdrant 向量搜尋引擎中儲存與擷取記憶,作為語意記憶層。

已在 Linux 上測試有已知漏洞

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 2.7.0 FastMCP 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

Linux x86_64

  1. 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-qdrant
Claude 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
    怎麼使用
    1. 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>。
    2. 呼叫 qdrant-store 工具,傳入 information 文字與選填的 metadata。
    已測試
  • 依語意找出已儲存的資訊
    怎麼使用
    1. 用 qdrant-store 工具儲存一些資訊。
    2. 呼叫 qdrant-find 工具,以日常語言撰寫 query,例如 <your question>。
    已測試
  • 為 coding agent 依語意搜尋程式碼片段
    怎麼使用
    1. 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。
    2. 呼叫 qdrant-store,在 information 放描述、在 metadata 放程式碼,例如 {"code": "<your code>"}。
    3. 呼叫 qdrant-find,以 query 描述需要的程式碼。
    已測試

pickfit 測到哪一步

Linux x86_64

  1. 可以安裝
  2. 可以連線
  3. 3 項功能中 3 項可用
  4. 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

怎麼看工具卡

縫線
pickfit 親自安裝過這款工具,縫線下方的內容都來自那次測試。沒測過的工具,一律沒有縫線。
已在你的作業系統上驗證
安裝步驟在你選的系統上跑過。「只在 Linux 上執行過」表示還沒在你的系統上跑過。
macOS、Linux 和 Windows在哪裡測過
綠色系統標記:pickfit 在該系統跑過安裝步驟。灰色:README 說支援,但 pickfit 還沒試過。
測試進行到哪一步
能安裝並啟動、主要功能可用、服務有回應、能產生模型輸出。視窗代表桌面應用程式已開啟;插頭代表 MCP 用戶端用過它。標記在測試結果旁邊:展開「為什麼適合、我們怎麼知道」,或在「pickfit 怎麼測的」裡。
視覺檢查
pickfit 看過應用程式的截圖。綠色:畫面正常。黃色加數字:有看起來不對的地方,點開就能看到。灰色虛線:還沒檢查。
已知漏洞
它安裝的套件有沒有已知的高風險或嚴重漏洞(OSV.dev)。綠色:沒有已知漏洞。紅色加數字:有幾個,點開看清單,安裝前先看過。灰色虛線:沒有檢查,不代表安全。
關於這次測試
測試日期,以及測到的版本。
理由的來源
每個推薦理由都依據簡介裡的一個欄位。展開理由就能看到欄位和值。
寶藏
品質高、少有人知。
品質與知名度
兩個分數,滿分都是 100。品質:pickfit 試裝、試用的結果,以及安裝文件和維護狀況。知名度:看星數、下載量和 Hacker News。
已檢查的功能
README 宣傳的主要功能裡,實測通過幾項(綠色)、失敗幾項(紅色)。灰色是沒檢查的,工具卡會說明原因。
未驗證
Fitz 依一般知識提到的知名工具。沒有測試紀錄、沒有步驟、沒有分數。