Qdrant MCP Server

Busca semântica de código usando o banco de dados vetorial Qdrant e embeddings da OpenAI.

GitHub
2
Experimente este MCPPatrocinado

Documentação

Qdrant MCP Server

Um servidor Model Context Protocol (MCP) que fornece recursos de busca semântica de código usando o banco de dados vetorial Qdrant e embeddings da OpenAI.

Recursos

  • 🔍 Busca Semântica de Código - Encontre código pelo significado, não apenas por palavras-chave
  • 🚀 Indexação Rápida - Indexação incremental eficiente de grandes bases de código
  • 🤖 Integração MCP - Funciona perfeitamente com Claude e outros clientes MCP
  • 📊 Monitoramento em Segundo Plano - Reindexação automática de arquivos alterados
  • 🎯 Filtragem Inteligente - Respeita .gitignore e padrões personalizados
  • 💾 Armazenamento Persistente - Embeddings armazenados no Qdrant para recuperação rápida

Instalação

Pré-requisitos

  • Node.js 18+
  • Python 3.8+
  • Docker (para Qdrant) ou conta Qdrant Cloud
  • Chave da API OpenAI

Início Rápido

# Install the package
npm install -g @kindash/qdrant-mcp-server

# Or with pip
pip install qdrant-mcp-server

# Set up environment variables
export OPENAI_API_KEY="your-api-key"
export QDRANT_URL="http://localhost:6333"  # or your Qdrant Cloud URL
export QDRANT_API_KEY="your-qdrant-api-key"  # if using Qdrant Cloud

# Start Qdrant (if using Docker)
docker run -p 6333:6333 qdrant/qdrant

# Index your codebase
qdrant-indexer /path/to/your/code

# Start the MCP server
qdrant-mcp

Configuração

Variáveis de Ambiente

Crie um arquivo .env na raiz do seu projeto:

# Required
OPENAI_API_KEY=sk-...

# Qdrant Configuration
QDRANT_URL=http://localhost:6333
QDRANT_API_KEY=  # Optional, for Qdrant Cloud
QDRANT_COLLECTION_NAME=codebase  # Default: codebase

# Indexing Configuration
MAX_FILE_SIZE=1048576  # Maximum file size to index (default: 1MB)
BATCH_SIZE=10  # Number of files to process in parallel
EMBEDDING_MODEL=text-embedding-3-small  # OpenAI embedding model

# File Patterns
INCLUDE_PATTERNS=**/*.{js,ts,jsx,tsx,py,java,go,rs,cpp,c,h}
EXCLUDE_PATTERNS=**/node_modules/**,**/.git/**,**/dist/**

Configuração MCP

Adicione à configuração do Claude Desktop (~/.claude/config.json):

{
  "mcpServers": {
    "qdrant-search": {
      "command": "qdrant-mcp",
      "args": ["--collection", "my-codebase"],
      "env": {
        "OPENAI_API_KEY": "sk-...",
        "QDRANT_URL": "http://localhost:6333"
      }
    }
  }
}

Uso

Interface de Linha de Comando

# Index entire codebase
qdrant-indexer /path/to/code

# Index with custom patterns
qdrant-indexer /path/to/code --include "*.py" --exclude "tests/*"

# Index specific files
qdrant-indexer file1.js file2.py file3.ts

# Start background indexer
qdrant-control start

# Check indexer status
qdrant-control status

# Stop background indexer
qdrant-control stop

No Claude

Após a configuração, você pode usar consultas em linguagem natural:

  • "Encontre todo o código de autenticação"
  • "Mostre-me arquivos que lidam com permissões de usuário"
  • "Qual código é semelhante à classe PaymentService?"
  • "Encontre todos os endpoints de API relacionados a usuários"
  • "Mostre-me padrões de tratamento de erros na base de código"

Uso Programático

from qdrant_mcp_server import QdrantIndexer, QdrantSearcher

# Initialize indexer
indexer = QdrantIndexer(
    openai_api_key="sk-...",
    qdrant_url="http://localhost:6333",
    collection_name="my-codebase"
)

# Index files
indexer.index_directory("/path/to/code")

# Search
searcher = QdrantSearcher(
    qdrant_url="http://localhost:6333",
    collection_name="my-codebase"
)

results = searcher.search("authentication logic", limit=10)
for result in results:
    print(f"{result.file_path}: {result.score}")

Arquitetura

┌─────────────────┐     ┌──────────────────┐     ┌─────────────────┐
│   Claude/MCP    │────▶│  MCP Server      │────▶│     Qdrant      │
│     Client      │     │  (Python)        │     │   Vector DB     │
└─────────────────┘     └──────────────────┘     └─────────────────┘
                               │                           ▲
                               ▼                           │
                        ┌──────────────────┐              │
                        │  OpenAI API      │              │
                        │  (Embeddings)    │──────────────┘
                        └──────────────────┘

Configuração Avançada

Processadores de Arquivo Personalizados

from qdrant_mcp_server import FileProcessor

class MyCustomProcessor(FileProcessor):
    def process(self, file_path: str, content: str) -> dict:
        # Custom processing logic
        return {
            "content": processed_content,
            "metadata": custom_metadata
        }

# Register processor
indexer.register_processor(".myext", MyCustomProcessor())

Modelos de Embedding

Suporte a múltiplos provedores de embedding:

# OpenAI (default)
indexer = QdrantIndexer(embedding_provider="openai")

# Cohere
indexer = QdrantIndexer(
    embedding_provider="cohere",
    cohere_api_key="..."
)

# Local models (upcoming)
indexer = QdrantIndexer(
    embedding_provider="local",
    model_path="/path/to/model"
)

Otimização de Desempenho

Processamento em Lote

# Process files in larger batches (reduces API calls)
qdrant-indexer /path/to/code --batch-size 50

# Limit concurrent requests
qdrant-indexer /path/to/code --max-concurrent 5

Indexação Incremental

# Only index changed files since last run
qdrant-indexer /path/to/code --incremental

# Force reindex of all files
qdrant-indexer /path/to/code --force

Estimativa de Custos

# Estimate indexing costs before running
qdrant-indexer /path/to/code --dry-run

# Output:
# Files to index: 1,234
# Estimated tokens: 2,456,789
# Estimated cost: $0.43

Monitoramento

Interface Web (Em Breve)

# Start monitoring dashboard
qdrant-mcp --web-ui --port 8080

Logs

# View indexer logs
tail -f ~/.qdrant-mcp/logs/indexer.log

# View search queries
tail -f ~/.qdrant-mcp/logs/queries.log

Métricas

  • Arquivos indexados
  • Tokens processados
  • Consultas de busca por minuto
  • Tempo médio de resposta
  • Taxa de acerto do cache

Solução de Problemas

Problemas Comuns

Erro "Connection refused"

  • Certifique-se de que o Qdrant está em execução: docker ps
  • Verifique se QDRANT_URL está correto
  • Verifique as configurações do firewall

Erro "Rate limit exceeded"

  • Reduza o tamanho do lote: --batch-size 5
  • Adicione um atraso entre as solicitações: --delay 1000
  • Use um nível diferente da OpenAI

Erro "Out of memory"

  • Processe menos arquivos de uma vez
  • Aumente a memória do Node.js: NODE_OPTIONS="--max-old-space-size=4096"
  • Use o modo de streaming para arquivos grandes

Modo de Depuração

# Enable verbose logging
qdrant-mcp --debug

# Test connectivity
qdrant-mcp --test-connection

# Validate configuration
qdrant-mcp --validate-config

Contribuindo

Aceitamos contribuições! Consulte CONTRIBUTING.md para obter diretrizes.

Configuração de Desenvolvimento

# Clone the repository
git clone https://github.com/kindash/qdrant-mcp-server
cd qdrant-mcp-server

# Install dependencies
npm install
pip install -e .

# Run tests
npm test
pytest

# Run linting
npm run lint
flake8 src/

Licença

Licença MIT - consulte LICENSE para obter detalhes.

Agradecimentos

Suporte