项目简介

Vectorizer 是一个用 Rust 编写的高性能向量数据库和搜索引擎，专为语义搜索、文档索引和 AI 应用设计。它通过实现 Model Context Protocol (MCP)，可以作为大型语言模型 (LLM) 的后端，提供标准化的上下文信息和功能。Vectorizer 不仅提供核心向量数据库功能，还支持文档自动转换、图关系发现、Qdrant API 兼容性，并提供桌面 GUI 和 Web 控制台。

主要功能点

MCP 集成: 作为 MCP 服务器，提供 20 个工具供 LLM 调用，例如 'list_collections'（列出数据集合）、'insert_text'（插入文本并自动生成向量）、'search'（执行向量搜索）、'get_file_content'（获取文件内容）等。
高性能向量搜索: 支持余弦、欧几里得、点积等多种距离度量，通过 AVX2 SIMD 和 Metal GPU 加速实现极速搜索。
文档处理: 自动转换和索引 PDF、DOCX、XLSX、PPTX、HTML、XML 和图像等多种文档格式。
图关系: 自动发现数据之间的图关系，并支持图遍历、路径查找，可通过可视化界面进行管理。
Qdrant 兼容: 完全兼容 Qdrant 1.14.x API，并提供数据迁移工具。
存储优化: 采用内存映射存储（MMap）和产品量化（PQ）技术，实现高效存储和内存利用。
易于部署: 支持 Linux/macOS 安装脚本、Windows PowerShell 安装脚本和 Docker 部署。
用户界面: 提供现代化的 React + TypeScript Web 控制台和 Electron 桌面应用，用于可视化管理和操作。

安装步骤

Vectorizer 可以通过安装脚本或 Docker 快速部署。

方式一：使用安装脚本 (Linux/macOS) 运行以下命令来安装 Vectorizer CLI 并将其配置为系统服务：

curl -fsSL https://raw.githubusercontent.com/hivellm/vectorizer/main/scripts/install.sh | bash

安装后，可以通过 'vectorizer --help' 访问 CLI，并使用 'sudo systemctl status vectorizer' 查看服务状态。

方式二：使用 Docker (推荐) 通过 Docker Hub 运行 Vectorizer：

docker run -d \
  --name vectorizer \
  -p 15002:15002 \
  -v $(pwd)/vectorizer-data:/vectorizer/data \
  --restart unless-stopped \
  hivehub/vectorizer:latest

这将在端口 '15002' 启动 Vectorizer 服务器，并将数据持久化到本地目录 'vectorizer-data'。

MCP 服务器配置

Vectorizer 作为 MCP 服务器运行在 'http://localhost:15002/mcp' 地址。MCP 客户端（例如 Cursor IDE）可以通过以下 JSON 配置连接到 Vectorizer：

{
  "mcpServers": {
    "vectorizer": {
      "url": "http://localhost:15002/mcp",
      "type": "streamablehttp"
    }
  }
}

'vectorizer': 这是您为该 MCP 服务器指定的名称。
'url': MCP 服务器的访问地址。默认情况下，Vectorizer 会在 '15002' 端口启动，MCP 接口路径为 '/mcp'。
'type': 传输协议类型，'streamablehttp' 表示通过 HTTP 流式传输进行通信。

基本使用方法

一旦 Vectorizer 服务器启动并运行，您可以通过其 REST API、MCP 接口或 Web 控制台进行操作。

访问 Web 控制台: 在浏览器中打开 'http://localhost:15002/dashboard/' 来访问 Vectorizer 的可视化管理界面。
通过 MCP 客户端: 配置您的 LLM 客户端（如 Cursor IDE）以上述 MCP 服务器配置连接 Vectorizer。之后，LLM 即可调用 Vectorizer 提供的 20 个工具，例如：
- 创建集合: 'create_collection("my_docs", dimension=384, metric="cosine")'
- 插入文本: 'insert_text("my_docs", "人工智能是未来的关键技术。")'
- 搜索: 'search("my_docs", query="AI 的未来发展", limit=5)'
- 获取文件内容: 'get_file_content("path/to/my/document.pdf")'
- 发现图关系: 'discover_edges("my_docs", similarity_threshold=0.8)'

REST API 访问: 您也可以直接通过 'http://localhost:15002' 访问其 RESTful API，例如获取集合列表：

curl http://localhost:15002/collections

关键词

项目简介

主要功能点

安装步骤

MCP 服务器配置

基本使用方法

信息