pgvector-mcp-server 1.0.0

Model Context Protocol server for PostgreSQL vector database management with pgvector extension

pgvector MCP Server

一个基于 Model Context Protocol (MCP) 的 PostgreSQL 向量数据库管理服务器，专为现代AI应用设计。

功能特性

• MCP 兼容: 完全基于 Model Context Protocol，与AI助手无缝集成
• 集合管理: 创建、列出、重命名和删除向量集合
• 向量操作: 添加向量、搜索相似内容、批量文档处理
• 智能编码: 自动检测文件编码，特别优化Windows中文文件兼容性
• 嵌入服务: 集成阿里云DashScope text-embedding-v4模型
• 现代包管理: 基于uv包管理器，快速安装和依赖管理
• 原子操作: 数据库事务保证集合重命名等操作的原子性
• 跨平台支持: Windows、macOS、Linux全平台兼容

快速开始

1. 使用 uv 安装 (推荐)

# 使用uv从PyPI安装 (推荐)
uv add pgvector-mcp-server

# 或者使用pip安装
pip install pgvector-mcp-server

2. 设置数据库

# 连接PostgreSQL并启用pgvector扩展
psql postgres -c "CREATE EXTENSION IF NOT EXISTS vector;"

# 创建专用数据库（可选）
createdb mcp_vectors

3. 配置MCP客户端

在你的MCP客户端配置文件中添加以下配置 (例如 Claude Desktop):

{
  "mcpServers": {
    "pgvector": {
      "command": "python",
      "args": ["-m", "pgvector_mcp_server"],
      "env": {
        "DATABASE_URL": "postgresql://username:password@localhost:5432/mcp_vectors",
        "DASHSCOPE_API_KEY": "your_dashscope_api_key_here"
      }
    }
  }
}

4. 验证安装

使用MCP客户端调用 status 工具验证连接:

{
  "tool": "status",
  "parameters": {}
}

预期响应:

{
  "success": true,
  "database": {
    "connected": true,
    "pgvector_installed": true
  },
  "embedding_service": {
    "available": true,
    "provider": "DashScope"
  }
}

MCP 工具参考

pgvector MCP Server 提供以下10个工具供MCP客户端调用:

1. 系统状态检查

{
  "tool": "status",
  "parameters": {}
}

2. 集合管理

创建集合

{
  "tool": "create_collection",
  "parameters": {
    "name": "my_documents",
    "description": "我的文档集合",
    "dimension": 1024
  }
}

列出所有集合

{
  "tool": "list_collections",
  "parameters": {
    "include_documents": true
  }
}

查看集合详情

{
  "tool": "show_collection",
  "parameters": {
    "name": "my_documents",
    "include_stats": true
  }
}

重命名集合 (新功能)

{
  "tool": "rename_collection",
  "parameters": {
    "old_name": "my_documents",
    "new_name": "document_library"
  }
}

删除集合

{
  "tool": "delete_collection",
  "parameters": {
    "name": "my_documents",
    "confirm": true
  }
}

3. 向量操作

添加文本向量

{
  "tool": "add_text",
  "parameters": {
    "collection_name": "my_documents",
    "text": "这是一个示例文档内容",
    "metadata": {
      "source": "manual",
      "type": "document",
      "category": "技术文档"
    }
  }
}

搜索相似内容

{
  "tool": "search_collection",
  "parameters": {
    "collection_name": "my_documents",
    "query": "机器学习相关内容",
    "limit": 5,
    "search_strategy": "smart",
    "min_similarity": 0.7
  }
}

添加文档文件

{
  "tool": "add_document",
  "parameters": {
    "collection_name": "my_documents",
    "file_path": "/path/to/document.pdf",
    "metadata": {
      "category": "manual",
      "language": "zh"
    }
  }
}

删除向量

{
  "tool": "delete_vectors",
  "parameters": {
    "collection_name": "my_documents",
    "file_path": "/path/to/old_document.pdf",
    "confirm": true
  }
}

使用示例

基础工作流程

通过MCP客户端依次调用以下工具：

// 1. 检查系统状态
{
  "tool": "status",
  "parameters": {}
}

// 2. 创建文档集合
{
  "tool": "create_collection",
  "parameters": {
    "name": "documents",
    "description": "文档知识库"
  }
}

// 3. 添加文档内容
{
  "tool": "add_text",
  "parameters": {
    "collection_name": "documents",
    "text": "机器学习是人工智能的重要分支",
    "metadata": {"type": "knowledge"}
  }
}

// 4. 搜索相关内容
{
  "tool": "search_collection",
  "parameters": {
    "collection_name": "documents",
    "query": "深度学习",
    "limit": 3
  }
}

// 5. 查看集合统计
{
  "tool": "show_collection",
  "parameters": {
    "name": "documents",
    "include_stats": true
  }
}

文档处理示例

// 处理PDF文档
{
  "tool": "add_document",
  "parameters": {
    "collection_name": "tech_docs",
    "file_path": "/Users/username/documents/manual.pdf",
    "metadata": {
      "category": "technical",
      "language": "zh",
      "source": "official_docs"
    }
  }
}

// 搜索文档内容
{
  "tool": "search_collection",
  "parameters": {
    "collection_name": "tech_docs",
    "query": "API配置方法",
    "search_strategy": "smart",
    "metadata_filters": {
      "category": "technical"
    }
  }
}

集合重命名和管理示例

// 重命名集合（新功能）
{
  "tool": "rename_collection",
  "parameters": {
    "old_name": "temp_docs",
    "new_name": "permanent_docs"
  }
}

// 列出所有集合
{
  "tool": "list_collections",
  "parameters": {
    "include_documents": true
  }
}

// 删除不需要的向量
{
  "tool": "delete_vectors",
  "parameters": {
    "collection_name": "permanent_docs",
    "file_path": "/old/path/outdated.pdf",
    "confirm": true
  }
}

特性说明

Windows编码兼容性

• 自动编码检测: 支持GBK、GB2312、UTF-8等编码格式
• 中文文件处理: 优化Windows环境下的中文文件名和内容处理
• 编码转换: 自动转换为UTF-8进行统一处理

搜索策略

• smart: SQL + 语义搜索智能组合（推荐）
• sql_only: 仅使用传统SQL文本搜索
• semantic_only: 仅使用向量相似度搜索

原子操作保证

• 集合重命名: 使用数据库事务确保操作原子性
• 批量插入: 向量数据批量处理时保证一致性
• 错误恢复: 操作失败时自动回滚，确保数据完整性

性能优化

• 向量索引: 使用pgvector的ivfflat索引优化搜索性能
• 批量处理: 支持文档分块和批量向量生成
• 连接池: SQLAlchemy连接池提高数据库访问效率
• 响应时间: 文档处理目标响应时间<2秒

系统要求

• Python: 3.10+ (使用现代Python特性)
• PostgreSQL: 12+ 并启用pgvector扩展
• pgvector: 0.4.0+ 版本
• MCP客户端: 支持MCP协议的AI助手 (如Claude Desktop)
• 包管理: uv (推荐) 或 pip
• 阿里云API: DashScope API密钥用于文本嵌入

开发和部署

uv项目开发

# 克隆项目
git clone <repository_url>
cd pgvector-mcp-server

# 使用uv安装依赖
uv sync

# 运行测试
uv run pytest

# 构建包
uv build

# 发布到PyPI
uv publish

环境变量配置

# 必需配置
DATABASE_URL=postgresql://username:password@localhost:5432/database
DASHSCOPE_API_KEY=your_api_key_here

# 可选配置
DEBUG=false  # 调试模式

故障排除

常见问题:

• 数据库连接失败: 检查DATABASE_URL格式和PostgreSQL服务状态
• pgvector扩展未找到: 在PostgreSQL中执行 CREATE EXTENSION vector;
• API密钥错误: 验证DASHSCOPE_API_KEY是否正确配置
• 集合重命名失败: 检查新名称是否已存在

完整文档

• 快速开始指南
• API工具参考
• 数据模型设计