体验向量数据库 qdrant

作者:张富春(ahfuzhang)，转载时请注明作者和引用链接，谢谢！

• cnblogs博客
• zhihu
• Github
• 公众号:一本正经的瞎扯

---

背景

为了早点搞懂公司的百万行 C# 的祖传代码，我想在缺乏文档、缺乏帮手的情况下，先建立一个 企业知识库 来快速帮我理清头绪。

一开始，我是打算以 weaviate 来作为向量数据库，然后把已有的文档和代码信息都写入向量数据库中；

最后，配合本地的大模型来写提示词进行 AI 总结就行了。

第一期，我先整理了文档，并写入 weaviate。

并且打算也做一个拟人化的 AI 问答助手。

终于在上周，实现了这个问答助手。长这样：

(这个形象一看就给人一种聪明绝顶的感觉......)

实际使用者发现 AI 汇总功能执行得非常慢，且结果也差强人意。

通过思考过程发现，codex 使用了 BM25（Best Matching 25）来在 weaviate 中检索。这也难怪，我为了导入方便，直接把整个文档导入到了 weaviate，没有先为文档计算向量。

于是，我尝试使用了 qdrant 向量数据库。

直观的感受上，查询速度和查询结果都好了很多。

下面是我部署的细节：

Cooking 搞起

qdrant 服务器

docker 命令如下:

docker run -it --rm \
  --name qdrant \
  -p 6333:6333 \
  -p 6334:6334 \
  -v "/Users/ahfu/Downloads/temp/2026/qdrant_storage:/qdrant/storage" \
  -e QDRANT__SERVICE__API_KEY='my-secret-key' \
  qdrant/qdrant:v1.15.4

• 6333 是 http 端口
• 6334 是 grpc 端口
• QDRANT__SERVICE__API_KEY 来为服务器设置一个 api key

但是，这个服务器并不提供 MCP 的接口，为了方便文档导入 + AI 检索，还需要再部署 MCP 服务器。

mcp-server-qdrant

官方提供的 MCP 服务器没有提供镜像，需要自己 clone 仓库并自己进行 docker build.

仓库地址是：https://github.com/qdrant/mcp-server-qdrant

此外，还需要一个对中文友好的用于对文件计算向量值的工具。mcp-server-qdrant 内置了 FastEmbed 运行环境，可以在启动时下载 BAAI/bge-small-zh-v1.5 模型来做向量计算。

启动方法如下：

docker build -t mcp-server-qdrant .
docker run -it --rm \
  --name mcp-server-qdrant  \
  -p 8098:8080 \
  -e QDRANT_URL=http://host.docker.internal:8099 \
  -e QDRANT_API_KEY=my-super-secret-key \
  -e FASTMCP_SERVER_HOST="0.0.0.0" \
  -e FASTMCP_SERVER_PORT="8080" \
  -e EMBEDDING_MODEL="BAAI/bge-small-zh-v1.5" \
  -e QDRANT_READ_ONLY=false \
  -e QDRANT_CREATE_COLLECTION=true \
  mcp-server-qdrant \
    uvx mcp-server-qdrant --transport streamable-http

测试一下：

curl -i \
  -X POST \
  http://127.0.0.1:8098/mcp/ \
  -H 'Content-Type: application/json' \
  -H 'Accept: application/json, text/event-stream' \
  -d '{
    "jsonrpc": "2.0",
    "id": 1,
    "method": "initialize",
    "params": {
      "protocolVersion": "2025-06-18",
      "capabilities": {},
      "clientInfo": {
        "name": "curl",
        "version": "1.0"
      }
    }
  }'

但是， MCP 服务有两个问题：

1. MCP 服务不提供 API KEY 的校验，部署后直接通过 qdrant 的 key 访问到后端，直接就裸奔了；
2. 每次启动都要花时间去下载模型，提早打包在镜像内更好

因此，我 folk 了这个仓库，增加了上述功能。地址在：https://github.com/ahfuzhang/mcp-server-qdrant/tree/dev

也可以直接使用我构建好的镜像：https://hub.docker.com/repository/docker/ahfuzhang/mcp-server-qdrant/tags

增加 MCP API KEY 校验方法的启动方式为：

docker run -d --rm \
		--name mcp-server-qdrant  \
		-p 8098:8080 \
		-e QDRANT_URL=http://host.docker.internal:6333 \
		-e QDRANT_API_KEY=my-secret-key \
		-e FASTMCP_SERVER_HOST="0.0.0.0" \
		-e FASTMCP_SERVER_PORT="8080" \
		-e EMBEDDING_MODEL="BAAI/bge-small-zh-v1.5" \
		-e QDRANT_READ_ONLY=false \
		-e QDRANT_CREATE_COLLECTION=true \
		-e MCP_API_KEY="ahfu_mcp_key" \
		ahfuzhang/mcp-server-qdrant:v0.1.0 \
			mcp-server-qdrant --transport streamable-http

在 K8s 中部署

可以使用 sidecar 的方式，把 qdrant 和 mcp-server-qdrant 部署在一个 stateful set 之中：

apiVersion: v1
kind: Secret
metadata:
  name: qdrant-secrets
  namespace: our-team
type: Opaque
stringData:
  QDRANT_API_KEY: "my-secret-key"
  MCP_API_KEY: "ahfu_mcp_key"

----

apiVersion: apps/v1
kind: StatefulSet
metadata:
  name: qdrant-0
  labels:
    app: qdrant
  namespace: our-team
spec:
  serviceName: qdrant-headless
  replicas: 1
  podManagementPolicy: Parallel
  selector:
    matchLabels:
      app: qdrant
  template:
    metadata:
      labels:
        app: qdrant
    spec:
      containers:
        - name: qdrant
          image: qdrant/qdrant:v1.15.4
          imagePullPolicy: IfNotPresent
          ports:
            - name: http
              containerPort: 6333
            - name: grpc
              containerPort: 6334
          env:
            - name: QDRANT__SERVICE__API_KEY
              valueFrom:
                secretKeyRef:
                  name: qdrant-secrets
                  key: QDRANT_API_KEY
          readinessProbe:
            httpGet:
              path: /readyz
              port: 6333
            initialDelaySeconds: 10
            periodSeconds: 10
          livenessProbe:
            httpGet:
              path: /livez
              port: 6333
            initialDelaySeconds: 30
            periodSeconds: 20
          resources:
            limits:
              cpu: "8"
              memory: 8Gi
            requests:
              cpu: "8"
              memory: 8Gi
          volumeMounts:
            - name: qdrant-data
              mountPath: /qdrant/storage
        - name: mcp-server-qdrant
          image: ahfuzhang/mcp-server-qdrant:v0.1.0
          imagePullPolicy: IfNotPresent
          command:
            - mcp-server-qdrant
            - --transport
            - streamable-http
          ports:
            - name: mcp-http
              containerPort: 8080
          env:
            - name: QDRANT_URL
              value: "http://localhost:6333"
            - name: QDRANT_API_KEY
              valueFrom:
                secretKeyRef:
                  name: qdrant-secrets
                  key: QDRANT_API_KEY
            - name: MCP_API_KEY
              valueFrom:
                secretKeyRef:
                  name: qdrant-secrets
                  key: MCP_API_KEY
            - name: FASTMCP_SERVER_HOST
              value: "0.0.0.0"
            - name: FASTMCP_SERVER_PORT
              value: "8080"
            - name: EMBEDDING_MODEL
              value: "BAAI/bge-small-zh-v1.5"
            - name: QDRANT_READ_ONLY
              value: "false"
            - name: QDRANT_CREATE_COLLECTION
              value: "true"
          resources:
            limits:
              cpu: "2"
              memory: 2Gi
            requests:
              cpu: "1"
              memory: 1Gi
  volumeClaimTemplates:
    - metadata:
        name: qdrant-data
      spec:
        accessModes: ["ReadWriteOnce"]
        storageClassName: alicloud-disk
        resources:
          requests:
            storage: 20Gi
----
apiVersion: v1
kind: Service
metadata:
  name: qdrant-headless
  namespace: our-team
  labels:
    app: qdrant
spec:
  clusterIP: None
  publishNotReadyAddresses: true
  selector:
    app: qdrant
  ports:
    - name: http
      port: 6333
    - name: grpc
      port: 6334

----

apiVersion: v1
kind: Service
metadata:
  name: qdrant
  namespace: our-team
  labels:
    app: qdrant
spec:
  type: NodePort
  selector:
    app: qdrant
  ports:
    - name: mcp-http
      protocol: TCP
      port: 8080
      targetPort: 8080
      nodePort: 30313

配置到 codex

在 $CODEX_HOME 的 config.toml 中增加:

[mcp_servers.qdrant]
url = "http://10.105.xx.xx:30313/mcp"
bearer_token_env_var = "MCP_API_KEY"

然后 shell 中增加:

export MCP_API_KEY=ahfu_mcp_key

提示词中指明需要使用向量数据库：

回答下面的问题时，必须优先查询 MCP 中的企业知识库。

 步骤：
 1. 查看可用 collection。
 2. 找到包含企业文档/代码知识的 collection。
 3. 使用 qdrant_qdrant-find 搜索相关内容。(支持向量搜索)
 4. 如果第一次结果不足，修改关键词再次搜索。
 5. 基于检索到的内容回答。
 6. 告诉我答案依据了哪些文件/path/document。
 7. 如果查不到就返回查不到，不要做猜测

 问题：

 /GetUserInfo 这条接口，有哪些请求参数?

实在是太爽了，如果自己亲手去找，不知道要找多久！

总结

本文简单的尝试了一下 qdrant 数据库，初步的感觉是好于 weaviate 数据库的，只是部署和使用上比 weaviate 稍麻烦一些。

• 导入到 qdrant 中的文档，先经过 MCP 服务器内的 BAAI/bge-small-zh-v1.5 模型来为中文文本计算向量值
• 支持向量值的搜索，其速度和质量比 BM25（Best Matching 25） 算法更好。

Have Fun.

😃