seekdb MCP Server

December 25, 2025 · View on GitHub

English | 简体中文

seekdb MCP Server

一个模型上下文协议 (MCP) 服务器，用于与 seekdb 数据库进行交互。该服务器允许 AI 助手通过受控接口执行向量操作、管理集合、执行 SQL 查询以及利用 AI 函数，使数据库探索和分析更加安全和结构化。

📋 目录

特性
可用工具
前提条件
安装
- 安装 uv
- 安装 seekdb mcp server
配置
快速开始
高级功能
- AI 记忆系统
示例
安全
许可证
贡献

✨ 特性

向量集合管理: 创建、列出、查询和管理向量集合
高级搜索: 全文搜索、向量相似性搜索和混合搜索
AI 函数: 集成 AI 模型进行嵌入、文本生成和重排序
AI 记忆系统: 为 AI 助手提供基于向量的持久化记忆
数据导入/导出: 导入 CSV 文件到 seekdb 并将数据导出为 CSV
SQL 操作: 在 seekdb 上执行 SQL 查询
多传输模式: 支持 stdio、SSE 和 Streamable HTTP 模式

🛠️ 可用工具

向量集合工具

工具	描述
`create_collection`	创建具有可配置维度和距离度量的新向量集合
`list_collections`	列出 seekdb 中的所有集合
`has_collection`	检查集合是否存在
`peek_collection`	预览集合中的文档
`add_data_to_collection`	添加具有自动生成嵌入的文档
`update_collection`	更新集合中的现有文档
`delete_documents`	按 ID 或过滤条件删除文档
`query_collection`	使用向量相似性搜索查询文档
`delete_collection`	删除集合及其所有数据

搜索工具

工具	描述
`full_text_search`	使用 MATCH...AGAINST 语法执行全文搜索
`hybrid_search`	结合全文搜索和向量搜索，使用 RRF 排序

AI 模型工具

工具	描述
`create_ai_model`	注册 AI 模型（嵌入、文本生成或重排序）
`create_ai_model_endpoint`	创建将模型连接到 API 服务的端点
`drop_ai_model`	移除已注册的 AI 模型
`drop_ai_model_endpoint`	移除 AI 模型端点
`ai_complete`	调用 LLM 进行文本生成
`ai_rerank`	使用 AI 模型按相关性重排文档
`get_registered_ai_models`	列出所有已注册的 AI 模型
`get_ai_model_endpoints`	列出所有 AI 模型端点

记忆工具

工具	描述
`seekdb_memory_query`	对存储的记忆进行语义搜索
`seekdb_memory_insert`	存储带有元数据的新记忆
`seekdb_memory_delete`	按 ID 删除记忆
`seekdb_memory_update`	更新现有记忆

数据导入/导出工具

工具	描述
`import_csv_file_to_seekdb`	将 CSV 数据导入为表或向量集合
`export_csv_file_from_seekdb`	将表或集合数据导出为 CSV

数据库工具

工具	描述
`execute_sql`	在 seekdb 上执行 SQL 查询
`get_current_time`	从 seekdb 数据库获取当前时间

📋 前提条件

seekdb 要求

seekdb 支持两种部署模式：

嵌入式模式: seekdb 作为库运行在你的应用程序内
- 支持的操作系统: Linux (glibc >= 2.28)
- 支持的 Python 版本: 3.11 到 3.13 (pyseekdb), CPython 3.8 到 3.14 (pylibseekdb)
- 支持的架构: x86_64, aarch64
- 部署方式: 使用 pyseekdb SDK 部署
客户端/服务器模式: 连接到已部署的 seekdb
- 使用 yum install 部署
- 在容器环境中部署
- 使用 OceanBase Desktop 部署（GUI 应用）

详细部署说明请参阅 seekdb 部署概述。

🚀 安装

安装 uv（推荐）

uv 是一个极快的 Python 包安装器和解析器。uvx 命令（包含在 uv 中）用于运行 Python 工具。

# 在 macOS 和 Linux 上
curl -LsSf https://astral.sh/uv/install.sh | sh

# 在 Windows 上
powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

# 或通过 pip 安装
pip install uv

安装完成后，重启终端或运行 source ~/.bashrc（或相应的配置文件）以确保 uvx 可用。

安装 seekdb mcp server

从 PyPI 安装：

pip install seekdb-mcp-server

或从源码安装：

git clone https://github.com/oceanbase/awesome-oceanbase-mcp.git
cd awesome-oceanbase-mcp/src/seekdb_mcp_server
pip install .

⚙️ 配置

seekdb MCP Server 支持两种部署模式：

嵌入式模式（默认）

无需配置。服务器启动时会自动初始化嵌入式 seekdb 数据库。此模式推荐用于本地开发和个人使用。

注意：嵌入式模式目前仅支持 Linux（glibc >= 2.28）。

服务器模式

要连接到已部署的 seekdb 服务器，请配置以下环境变量：

方式一：环境变量

SEEKDB_HOST=localhost      # 数据库主机
SEEKDB_PORT=2881           # 数据库端口（默认：2881）
SEEKDB_USER=your_username
SEEKDB_PASSWORD=your_password
SEEKDB_DATABASE=your_database

方式二：.env 文件

将 .env.template 复制为 .env 并填写相应值：

cp .env.template .env
# 编辑 .env 填写你的 seekdb 连接信息

注意：如果未设置 SEEKDB_USER，服务器将自动使用嵌入式模式。

🚀 快速开始

seekdb MCP Server 支持三种传输模式：

Stdio 模式

在你的 MCP 客户端配置文件中添加以下内容：

嵌入式模式（使用 uvx）：

{
  "mcpServers": {
    "seekdb": {
      "command": "uvx",
      "args": [
        "seekdb-mcp-server"
      ]
    }
  }
}

服务器模式（使用 uvx 配置 env）：

{
  "mcpServers": {
    "seekdb": {
      "command": "uvx",
      "args": [
        "seekdb-mcp-server"
      ],
      "env": {
        "SEEKDB_HOST": "your_host",
        "SEEKDB_PORT": "2881",
        "SEEKDB_USER": "your_username",
        "SEEKDB_PASSWORD": "your_password",
        "SEEKDB_DATABASE": "your_database"
      }
    }
  }
}

从源码运行：

{
  "mcpServers": {
    "seekdb": {
      "command": "uv",
      "args": [
        "--directory",
        "path/to/awesome-oceanbase-mcp/src/seekdb_mcp_server",
        "run",
        "seekdb-mcp-server"
      ]
    }
  }
}

SSE 模式

以 SSE 模式启动服务器：

步骤 1：在当前目录配置 .env 文件

# 创建 .env 文件，填写 seekdb 连接信息
cat > .env << EOF
SEEKDB_HOST=your_host
SEEKDB_PORT=2881
SEEKDB_USER=your_username
SEEKDB_PASSWORD=your_password
SEEKDB_DATABASE=your_database
EOF

步骤 2：加载环境变量

source .env

步骤 3：启动服务器

uvx seekdb-mcp-server --transport sse --port 6000

参数说明：

--transport: MCP 服务器传输类型（默认：stdio）
--host: 绑定的主机（默认：127.0.0.1，使用 0.0.0.0 以允许远程访问）
--port: 监听端口（默认：6000）

从源码启动：

uv --directory path/to/seekdb_mcp_server run seekdb-mcp-server --transport sse --port 6000

配置 URL： http://ip:port/sse

客户端配置示例

VSCode 扩展 Cline：

"sse-seekdb": {
  "autoApprove": [],
  "disabled": false,
  "timeout": 60,
  "type": "sse",
  "url": "http://127.0.0.1:6000/sse"
}

Cursor：

"sse-seekdb": {
  "autoApprove": [],
  "disabled": false,
  "timeout": 60,
  "type": "sse",
  "url": "http://127.0.0.1:6000/sse"
}

Cherry Studio：

MCP → General → Type: 从下拉菜单选择 "Server-Sent Events (sse)"
URL: http://127.0.0.1:6000/sse

Streamable HTTP

以 Streamable HTTP 模式启动服务器：

步骤 1：在当前目录配置 .env 文件

# 创建 .env 文件，填写 seekdb 连接信息
cat > .env << EOF
SEEKDB_HOST=your_host
SEEKDB_PORT=2881
SEEKDB_USER=your_username
SEEKDB_PASSWORD=your_password
SEEKDB_DATABASE=your_database
EOF

步骤 2：加载环境变量

source .env

步骤 3：启动服务器

uvx seekdb-mcp-server --transport streamable-http --port 6000

参数说明：

--transport: MCP 服务器传输类型（默认：stdio）
--host: 绑定的主机（默认：127.0.0.1，使用 0.0.0.0 以允许远程访问）
--port: 监听端口（默认：6000）

从源码启动：

uv --directory path/to/seekdb_mcp_server run seekdb-mcp-server --transport streamable-http --port 6000

配置 URL： http://ip:port/mcp

客户端配置示例

VSCode 扩展 Cline：

"streamable-seekdb": {
  "autoApprove": [],
  "disabled": false,
  "timeout": 60,
  "type": "streamableHttp",
  "url": "http://127.0.0.1:6000/mcp"
}

Cursor：

"streamable-seekdb": {
  "autoApprove": [],
  "disabled": false,
  "timeout": 60,
  "type": "streamableHttp",
  "url": "http://127.0.0.1:6000/mcp"
}

Cherry Studio：

MCP → General → Type: 从下拉菜单选择 "Streamable HTTP (streamableHttp)"
URL: http://127.0.0.1:6000/mcp

🔧 高级功能

🧠 AI 记忆系统

AI 记忆系统使你的 AI 助手能够基于 seekdb 的向量能力维护持久化的向量记忆。

记忆系统使你的 AI 能够在对话间保持连续的上下文，无需重复告知个人偏好和信息。四个智能工具协同工作，创造无缝记忆体验：

seekdb_memory_query - 语义搜索和检索相关记忆
seekdb_memory_insert - 自动捕获和存储重要对话内容
seekdb_memory_delete - 删除过时或不需要的记忆
seekdb_memory_update - 根据新信息演进和更新记忆

记忆系统特性

✅ 跨会话连续性 - 无需重复介绍自己
✅ 智能语义搜索 - 理解相关概念和上下文
✅ 个性化体验 - AI 真正"了解"你的偏好
✅ 自动捕获 - 重要信息无需手动保存
✅ 多语言支持 - 以任何语言存储和查询记忆

记忆分类

记忆系统按类别智能组织信息：

运动/健身: 足球、篮球、游泳、健身房、瑜伽、跑步等
食物/饮品: 咖啡、茶、披萨、寿司、素食偏好等
工作/职业: 职位、公司、技能、项目等
个人信息: 生日、家乡、家庭、语言、爱好等
技术: 编程语言、框架、数据库、工具等
娱乐: 电影、音乐、书籍、游戏、类型等

📚 示例

集合操作

用户: 创建一个名为 "document" 的集合

AI: 我已成功在 seekdb 中创建了名为 "document" 的集合，使用以下默认设置：

维度: 384（向量大小）
距离度量: L2（欧几里得距离）

用户: 向 document 中插入两句话：机器学习是人工智能的一个子集，向量数据库支持语义搜索

AI: 完成！我已将两句话插入到 "document" 集合中：

ID	文档
doc1	机器学习是人工智能的一个子集
doc2	向量数据库支持语义搜索

用户: 查询与机器学习相关的文档

AI: 以下是与 "机器学习" 相关的文档，按相关性排序：

排名	ID	文档	距离
1	doc1	机器学习是人工智能的一个子集	5.44
2	doc2	向量数据库支持语义搜索	7.83

用户: 将关于机器学习的文档更新为 "Python 是一种流行的编程语言。"

AI: 完成！我已更新该文档：

ID	更新前	更新后
doc1	机器学习是人工智能的一个子集	Python 是一种流行的编程语言。

用户: 删除关于向量数据库的文档

AI: 完成！我已删除关于向量数据库的文档：

ID	已删除的文档
doc2	向量数据库支持语义搜索

用户: 查询 document 中的所有文档

AI: 以下是 "document" 集合中的所有文档：

ID	文档	元数据
doc1	Python 是一种流行的编程语言。	{}

该集合当前包含 1 个文档。

用户: 删除 document 集合

AI: 完成！集合 "document" 及其所有数据已被永久删除。

搜索工具

用户: 创建一个集合 hybrid_search_test

AI: 完成！集合 hybrid_search_test 已成功创建：

维度: 384
距离度量: L2

用户: 插入以下文档：

"天气预报预测周末将是晴天。"
"珠穆朗玛峰是世界上最高的山峰。"
"日落时分海浪拍打着岩石海岸。"
"苹果是一种美味的红色水果，生长在果园的树上。"
"新款 iPhone 17 Pro 配备先进的相机系统和钛金属设计。"

AI: 完成！已成功向 hybrid_search_test 集合添加 5 个文档：

ID	文档
doc1	天气预报预测周末将是晴天。
doc2	珠穆朗玛峰是世界上最高的山峰。
doc3	日落时分海浪拍打着岩石海岸。
doc4	苹果是一种美味的红色水果，生长在果园的树上。
doc5	新款 iPhone 17 Pro 配备先进的相机系统和钛金属设计。

用户: 执行混合搜索，全文关键词 "apple"，语义搜索 "apple smartphone technology"

AI: 以下是结合全文关键词 "apple" 和语义查询 "apple smartphone technology" 的混合搜索结果：

排名	ID	文档
1	doc4	苹果是一种美味的红色水果，生长在果园的树上。
2	doc5	新款 iPhone 17 Pro 配备先进的相机系统和钛金属设计。
3	doc2	珠穆朗玛峰是世界上最高的山峰。
4	doc1	天气预报预测周末将是晴天。
5	doc3	日落时分海浪拍打着岩石海岸。

分析:

doc4 排名第一，因为与字面词 "Apple" 有很强的全文匹配
doc5 排名第二，因为它与 "smartphone technology"（智能手机技术）语义匹配（iPhone 是苹果的智能手机），尽管它没有明确包含 "apple" 这个词
其余文档相关性得分较低，因为它们与两种搜索条件都不太匹配

混合搜索成功地使用倒数排名融合 (RRF) 算法结合了关键词匹配 (BM25) 和语义相似性（向量搜索）来产生这些排序结果。

🔒 安全

此 MCP 服务器默认使用嵌入式 seekdb，在你的应用程序本地运行。

安全最佳实践

本地数据存储: 嵌入式 seekdb 在本地存储数据，确保数据隐私
网络安全: 使用 SSE 或 Streamable HTTP 模式时，确保采取适当的网络安全措施
文件权限: 确保数据目录有适当的文件权限

安全检查清单

✅ 嵌入式模式下数据保持本地
✅ 嵌入式模式无需凭证
✅ Stdio 模式：无网络端口暴露
✅ SSE/HTTP 模式：使用 --host 127.0.0.1 限制仅本地访问
✅ 适用标准文件系统安全

📄 许可证

Apache License - 查看 LICENSE 文件了解详情。

🤝 贡献

我们欢迎贡献！请按照以下步骤：

Fork 仓库

创建你的功能分支

git checkout -b feature/amazing-feature

提交你的修改

git commit -m 'Add some amazing feature'

推送到分支

git push origin feature/amazing-feature

创建 Pull Request