Zilliz Mcp Server

Zilliz-MCP-Server

1. Zilliz-MCP-Server 概述

模型上下文协议（MCP）是一种标准化框架，可让 AI 应用安全地实时连接到外部数据源和工具。它充当 AI 模型与各种系统之间的通用接口，使 AI 助手能够获取最新信息，并执行文本生成之外的操作。

Zilliz MCP Server 让 AI Agent 能够无缝地与 Milvus（一种广受欢迎的开源向量数据库）以及 Zilliz Cloud（Milvus 的全托管版本）进行交互。通过此集成，AI 助手可以在对话中直接创建集合、插入向量数据并执行语义搜索，无需手动管理数据库。Zilliz MCP Server 可与 Cursor、Claude、Windsurf 等热门 AI 编码工具及其他兼容 MCP 的编辑器无缝集成，让开发者能够直接在开发工作流中构建向量搜索功能。

2. 演示

演示 1：通过简单的自然语言提示词创建免费的 Milvus 集群

无需浏览 Web 界面或经历复杂的设置流程，你可以通过 Zilliz MCP Server，直接从 Claude、Cursor 或其他兼容 MCP 的 AI 编码助手中启动一个免费且功能齐全的向量数据库集群。

Zilliz MCP 服务会自动：

• 使用 Zilliz Cloud 配置免费的 Milvus 集群
• 处理身份验证和配置
• 返回可立即使用的连接详情

无需离开 AI 聊天界面，也无需手动设置基础设施。只需用自然语言提问，几秒钟内即可获得可用的向量数据库。这适用于任何启用了 MCP 的环境，包括上方展示的 Claude Web 界面。

演示 2：无需离开聊天界面即可监控集群性能

启动集群后，你可以通过自然语言直接查看其状态并生成可视化内容：

Zilliz MCP 服务会：

• 获取实时集群指标和集合详情
• 获取性能数据（CPU 计算、容量使用情况）
• 按需生成可视化内容
• 全程无需编写查询或访问监控仪表板

这展示了如何通过对话的方式监控和分析向量数据库基础设施，让集群管理变得像用日常语言提问一样简单。

演示 3：直接在聊天中执行语义搜索

使用自然语言搜索向量集合，无需编写任何代码：

Zilliz MCP 服务会：

• 在指定集合中执行语义搜索
• 返回相关结果及相似度分数
• 全程通过对话界面完成，无需调用 SDK 或使用查询语法

这展示了向量搜索如何变得像描述你要查找的内容一样简单。非常适合测试搜索查询、探索数据，或在不离开开发环境的情况下构建搜索功能。

3. 要求

• Python：3.10 或更高版本。
• uv：一款快速的 Python 软件包安装器和依赖解析器。如果尚未安装，可在 OSX 上运行 brew install uv，或直接运行 curl -LsSf https://astral.sh/uv/install.sh | sh。
• Zilliz Cloud 账号： 如果你还没有使用过 Zilliz Cloud，可免费注册。如果已有账号，可在此处登录。
• Zilliz Cloud API 密钥：你需要 API 密钥才能与 Zilliz Cloud 交互。请按照此处的说明获取密钥：管理 API 密钥。

4. 使用方法

你可以通过两种方式启动服务：

如果你刚开始接触 MCP 和 Zilliz，我们建议按照分步用户指南操作，该指南将引导你完成整个设置流程。

4.1. 标准输入/输出（StdIO）

当 Agent 和 MCP 服务运行在同一台机器上，且你希望 Agent 直接管理服务的生命周期时，此方法非常有用。Agent 通过标准输入和输出流与服务通信。

按如下方式配置 Agent 的 MCP JSON 文件：

{
  "mcpServers": {
    "zilliz-mcp-server": {
      "command": "uvx",
      "args": ["zilliz-mcp-server"],
      "env": {
          "ZILLIZ_CLOUD_TOKEN": "your-token-here"
      }
    }
  }
}

注意：请务必将 /path/to/your/zilliz-mcp-server 替换为项目目录的实际绝对路径。

4.2. 可流式传输的 HTTP

此方法会将服务作为独立的 HTTP 服务运行，适用于开发以及能够通过 HTTP 通信的 Agent。

首先，克隆或下载项目仓库。

git clone https://github.com/zilliztech/zilliz-mcp-server.git
cd zilliz-mcp-server

接下来，根据示例创建 .env 文件，并填写你的 Zilliz Cloud API 密钥。

cp example.env .env

现在，打开 .env 并添加你的 API 密钥：

ZILLIZ_API_KEY="your_api_key_here"

这将启动 MCP 服务，使其作为独立的 HTTP 服务运行。

uv run src/zilliz_mcp_server/server.py --transport streamable-http

启动服务后，你可以配置 MCP 客户端与其连接。如果服务运行正常，可用工具将显示在客户端的工具列表中（例如 Cursor 或 Claude 中）。

然后，你可以使用如下配置来设置 Agent 或 MCP 客户端与其连接：

{
  "mcpServers": {
    "zilliz-mcp-server": {
      "url": "http://localhost:8000/mcp",
      "transport": "streamable-http",
      "description": "Zilliz Cloud and Milvus MCP Server"
    }
  }
}

5. 可用工具

该服务为你的 AI Agent 提供两类工具。

Zilliz 控制平面工具

这些工具用于管理你的 Zilliz Cloud 资源。

工具名称	描述
list_projects	列出 Zilliz Cloud 帐户中的所有项目。
list_clusters	列出项目中的所有集群。
create_free_cluster	创建新的免费版 Milvus 集群。
describe_cluster	获取特定集群的详细信息。
suspend_cluster	暂停运行中的集群以节省成本。
resume_cluster	恢复已暂停的集群。
query_cluster_metrics	查询集群的各项性能指标。

Milvus 数据平面工具

这些工具用于与 Milvus 集群中的数据交互。

工具名称	描述
list_databases	列出特定集群中的所有数据库。
list_collections	列出数据库中的所有集合。
create_collection	使用指定的架构创建新集合。
describe_collection	获取集合的详细信息，包括其架构。
insert_entities	将实体（包含向量的数据记录）插入集合。
delete_entities	根据 ID 或筛选表达式从集合中删除实体。
search	在集合中执行向量相似度搜索。
query	根据标量筛选表达式查询实体。
hybrid_search	执行结合向量相似度和标量筛选的混合搜索。