🔷
Qdrant
벡터 데이터베이스 데이터베이스 및 스토리지설치 명령어
npx clawhub@latest install qdrant
설치 안내
1
환경 확인
Node.js 22 이상과 OpenClaw가 설치되어 있는지 확인하세요. 터미널에서 openclaw --version을 실행하여 확인할 수 있습니다.
2
설치 실행
위의 설치 명령어를 터미널에서 실행하세요. ClawHub가 자동으로 Qdrant을(를) ~/.openclaw/skills/ 디렉토리에 다운로드하고 설치합니다.
3
설치 확인
openclaw skills list를 실행하여 설치된 스킬 목록을 확인하고, Qdrant이(가) 목록에 표시되는지 확인하세요.
4
매개변수 설정 (선택사항)
아래 소개의 설정 안내에 따라 ~/.config/openclaw/openclaw.json5에 스킬 설정 항목을 추가하세요.
수동 설치 방법: Skill 폴더를
~/.openclaw/skills/ 또는 프로젝트의 skills/ 디렉토리에 복사하세요. 폴더에 SKILL.md 파일이 포함되어 있어야 합니다.
벡터 유사도 검색
컬렉션 생성 및 인덱스 관리
Payload 필터링 및 하이브리드 검색
상세 소개
Qdrant MCP 서버는 Qdrant 벡터 데이터베이스에 대한 완전한 관리 능력을 제공하며, 컬렉션 생성, 벡터 삽입, 시맨틱 검색 등의 조작을 지원하여 RAG 및 추천 시스템 구축에 이상적입니다.
핵심 기능
- 컬렉션 관리: 벡터 컬렉션 생성, 삭제, 설정. 벡터 차원, 거리 측정 방식(코사인/유클리드/내적), HNSW 인덱스 파라미터 설정
- 벡터 조작(upsert_points): 벡터 포인트 삽입 또는 업데이트, Payload 메타데이터 첨부 지원
- 시맨틱 검색(search_points): 벡터 유사도 기반 최근접 이웃 검색, Payload 필터 조건 지원
- 하이브리드 검색: 벡터 유사도와 Payload 필터링을 결합한 정밀 검색
- 스크롤 탐색(scroll_points): 컬렉션 내 모든 포인트를 페이지 단위로 탐색
설정 방법
{
"mcpServers": {
"qdrant": {
"command": "npx",
"args": ["-y", "@qdrant/mcp-server"],
"env": {
"QDRANT_URL": "http://localhost:6333",
"QDRANT_API_KEY": "your-api-key" // 클라우드 버전에 필요
}
}
}
}
사용 시나리오
- RAG 지식 베이스: 문서 임베딩을 저장하여 시맨틱 검색 증강 생성 구현
- 유사 검색: 상품 추천, 이미지 검색, 문서 중복 제거
- 채팅 메모리: 대화 이력 벡터를 저장하여 장기 기억 구현
- 이상 탐지: 벡터 거리를 통한 이상 데이터 포인트 식별