MCP Vectorizer

MCP搜索检索

提供方 BrindhaASubramanian

搜索检索 stdio · 本地进程 无需鉴权 社区 / 第三方
查看接入方式

MCP Vectorizer是一个生产就绪的系统,通过连接MCP服务器,使用OpenAI嵌入向量化客户数据并存储在ChromaDB中,提供语义搜索能力。

一句话选型结论

按资料字段整理

MCP Vectorizer 属于搜索检索类 MCP 服务器,stdio · 本地进程,无需鉴权,有可直接执行的安装命令。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类搜索检索 传输方式stdio · 本地进程 鉴权无需鉴权 部署方式本地部署
GitHub 星标 0 仓库热度,无公开仓库时显示未标注
工具数 未标注 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

搜索检索
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量未标注暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

适用场景

语义搜索JavaScript本地部署向量数据库客户数据分析RESTAPI生产就绪

安装与配置

stdio · 本地进程 无需鉴权
客户端在本机拉起子进程,数据不出本机
docker run -p 8001:8000 chromadb/chroma

这条命令只是入口,具体启动参数请按官方文档补齐,不要直接照搬到别的服务器。

  1. 1
    准备运行环境

    stdio 服务在本地起进程,需要先装好 Docker,再按安装命令拉取依赖。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后随便调一个只读工具,确认能返回结果,再接入正式流程。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
联网搜索取证

让模型查最新资料并给出出处。

资料聚合

把一个主题的网页、文档集中抓回来整理。

情报与竞品检索

按关键词持续检索行业动态和竞品信息。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 有现成的安装命令,不用自己找入口,照着跑就能起服务。
  • 资料标注无需鉴权,装好就能连。

先想清楚的地方

  • stdio 方式要求本地装好运行时(如 Node.js),换机器要重新装一遍。
  • 资料没标注工具数量,实际能力要装好后确认。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在搜索检索场景里让模型直接调用外部能力的人。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 完全不想在本地装环境的人。
  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
MCP Vectorizer当前 未标注 stdio · 本地进程 本地部署 有 2026-05-17
Brave Search 433812ff 2 未标注 未标注 无 2026-05-17
Sequentialthinking 1 SSE · 服务端推送 远程部署 有 2026-05-18
Baidu Netdisk 未标注 未标注 未标注 无 2026-05-17
ragflow 未标注 stdio · 本地进程 本地部署 有 2026-04-11
mindsdb (430e18) 未标注 未标注 未标注 有 2026-05-17

服务器档案

搜索检索
字段来自项目仓库与公开索引,中文说明由本站标注
提供方BrindhaASubramanian上游标注的维护方 BrindhaASubramanian
分类搜索检索本站按上游分类展示
连接方式stdio · 本地进程客户端在本机拉起子进程,数据不出本机
鉴权方式无需鉴权远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时未标注 · Docker本地安装时用到的包标识与运行时
部署类型本地部署上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

4.3 KB
来自项目仓库与上游目录的原文,未做删改

MCP矢量器

一个连接到MCP(模型上下文协议)服务器的生产就绪系统,使用OpenAI嵌入对客户数据进行矢量化,并将其存储在ChromaDB中以实现语义搜索功能。

🚀 特性

  • MCP集成:连接到MCP服务器以获取客户数据
  • 智能矢量化:使用OpenAI嵌入来创建语义表示
  • 矢量存储器:将嵌入内容存储在ChromaDB中,以实现快速相似性搜索
  • REST API:提供用于搜索和检索客户的HTTP端点
  • 元数据:保留客户属性以供过滤和分析
  • 生产就绪:包括错误处理、日志记录和配置管理

🏗️ 建筑```

MCP Server → MCP Client → Embedding Service → Vector Storage → REST API
↓ ↓ ↓ ↓ ↓
Customer Data → Descriptions → Embeddings → ChromaDB → Search Results


## 📋 先决条件

- Node.js 16+
- Docker(用于ChromaDB)
- OpenAI API密钥
- 正在运行MCP服务器

## 🔧 安装

1. **克隆存储库**```bash
git clone
cd mcp-vectorizer
  1. 安装依赖项```bash
    npm install

1. **设置环境变量**```bash
cp .env.example .env
# Edit .env with your configuration
  1. 启动ChromaDB```bash
    docker run -p 8001:8000 chromadb/chroma

## ⚙️ 配置

创建一个 `.env` 包含以下变量的文件:```env
# OpenAI Configuration
OPENAI_API_KEY=your_openai_api_key_here

# ChromaDB Configuration
CHROMA_HOST=localhost
CHROMA_PORT=8001
CHROMA_COLLECTION_NAME=mcp_customers

# MCP Server Configuration
MCP_SERVER_URL=http://localhost:8080/mcp
MCP_TENANT_ID=development

# API Configuration
API_PORT=3000

🚀 用法

1.处理客户数据```bash

Process customers from your MCP server

npm run vectorize

Or use the main vectorizer class

node src/examples/process-customers.js


### 2.启动API服务器```bash
npm start

3.寻找客户```bash

Search via API

curl -X POST http://localhost:3000/search \
-H "Content-Type: application/json" \
-d '{"query": "high-value wine club member", "limit": 5}'

Get customer by ID

curl http://localhost:3000/customers/customer-id-here


## 📊 API终点

### 健康检查```
GET /health

搜索客户```

POST /search
Content-Type: application/json

{
"query": "customer description or search terms",
"limit": 10,
"filters": {
"isActiveClubMember": true
}
}


### 按ID获取客户```
GET /customers/:id

🧪 测试```bash

Run with mock data

npm run test:mock

Run integration tests

npm test


## 🏗️ 项目结构```
mcp-vectorizer/
├── src/
│   ├── api/           # REST API endpoints
│   ├── mcp/           # MCP client and communication
│   ├── vectorizer/    # Embedding generation
│   ├── storage/       # ChromaDB integration
│   └── examples/      # Usage examples
├── config/            # Configuration files
├── docs/             # Documentation
└── package.json

🔄 发展

添加新数据源

  1. 扩展 MCPClient 类在 src/mcp/client.js
  2. 更新中的转换函数 src/vectorizer/transformer.js
  3. 在存储层中添加新的元数据字段

自定义嵌入

修改 src/vectorizer/embedding.js 致:

  • 使用不同的嵌入模型
  • 自定义文本预处理
  • 添加特定于域的转换

🚨 故障排除

常见问题

  1. ChromaDB连接失败
  • 确保Docker正在运行
  • 检查端口8001是否可用
  • 验证.env中的CHROMA_HOST和CHROMA_PORT
  1. OpenAI API错误
  • 验证OPENAI_API_KEY是否有效
  • 检查费率限制和配额
  • 确保有足够的API信用
  1. MCP服务器连接问题
  • 验证MCP_SERVER_URL是否正确
  • 检查MCP服务器是否正在运行
  • 验证租户ID是否存在

📈 扩展

对于生产部署:

  1. 数据库:使用具有适当存储的持久ChromaDB
  2. API:部署在负载平衡器后面
  3. 处理:对大型数据集实施批处理
  4. 监控:添加指标和日志记录
  5. 安全:实施身份验证和速率限制

🤝 贡献

  1. 分叉存储库
  2. 创建要素分支
  3. 进行更改
  4. 添加测试
  5. 提交拉取请求

📄 许可证

MIT许可证-有关详细信息,请参阅许可证文件

🆘 支持

如有疑问或问题:

  • 在存储库中创建问题
  • 检查故障排除部分
  • 查看中的示例 src/examples/

常见问题

7 问
答案由本站依据条目字段整理,不引用上游原文
MCP Vectorizer 怎么安装?

在客户端按下面的安装命令接入:docker run -p 8001:8000 chromadb/chroma。装完在客户端配置里引用同一个包或端点。

MCP Vectorizer 怎么在客户端里配置?

它的传输方式未标注,在客户端 MCP 配置里按官方文档填写启动命令和参数,保存后重启客户端生效。

MCP Vectorizer 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

MCP Vectorizer 需要 API Key 吗?

资料标注为无需认证,装好就能连;如果实际调用时报鉴权错误,按官方文档补上凭据。

MCP Vectorizer 能提供哪些能力?

资料显示能力标签包括 搜索、JavaScript、生产就绪、向量数据库。具体工具清单以官方文档为准。

MCP Vectorizer 需要什么运行环境?

运行时为 Docker;属于本地进程,需要在本机装好运行环境。

MCP Vectorizer 是本地还是远程?

它是本地进程(stdio),由客户端在本机拉起。传输方式为stdio · 本地进程。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。