MCP与向量数据库
2851 字约 10 分钟
AIAgentMCP向量数据库
2026-07-24
向量数据库是 AI 系统的「长期记忆」，MCP 是连接这段记忆的标准化接口。通过 MCP 接入向量数据库（Pinecone、Weaviate、Qdrant、Milvus、Chroma 等），Agent 可以存储、检索和管理向量化的知识，为 RAG 提供底层存储能力。
一、基本定义
MCP 向量数据库接入是指通过 MCP Server 将向量数据库的存储、检索和管理能力暴露给 AI 应用。核心目标：让 Agent 以统一协议操作不同类型的向量数据库，无需关心底层实现差异。
向量数据库（Vector Database）是专门存储和索引高维向量的数据库系统。与传统数据库通过精确匹配查询不同，向量数据库通过相似度计算（余弦相似度、欧氏距离、内积等）找到语义最相近的结果。
主流向量数据库对比：
| 数据库 | 部署方式 | 特色能力 | 适用场景 |
|---|---|---|---|
| Pinecone | 全托管 SaaS | 零运维、自动扩缩 | 快速上线、中小规模 |
| Weaviate | 自托管/托管 | 内置向量化模块、GraphQL | 多模态搜索 |
| Qdrant | 自托管/云 | Rust 高性能、过滤扩展 | 高吞吐低延迟 |
| Milvus | 自托管/云原生 | 分布式、GPU 加速 | 大规模生产环境 |
| Chroma | 嵌入式/本地 | 轻量、Python 原生 | 开发原型、本地实验 |
二、向量数据库在 AI 系统中的角色
在 AI Agent 架构中，向量数据库承担三个核心角色：
- 语义记忆层：将文档、对话、知识编码为向量，实现长期语义存储
- 检索引擎层：根据查询语义，快速召回最相关的知识片段
- 知识管理层：支持知识的增删改查和版本控制
MCP 作为连接层，将这三个角色以标准化能力暴露给 Agent：
三、核心操作与能力划分
Tool（可执行操作）
Tool 用于有副作用或需要参数的操作：
- 存储向量（upsert / insert）：将文本经嵌入模型编码后写入向量数据库，支持批量操作
- 相似度搜索（query / search）：输入查询向量或文本，返回 top_k 个最相似结果
- 创建/删除索引（create_index / delete_index）：管理向量索引的生命周期
- 更新向量（update）：修改已有向量的值或元数据
- 删除向量（delete）：按 ID 或过滤条件删除向量
Resource（可读取数据）
Resource 用于无副作用的被动读取：
- 索引状态（index status）：查看索引的向量数量、维度、存储大小等元信息
- 文档内容（document content）：按 ID 读取特定文档的原始内容和元数据
- 索引列表（index list）：列出可用的索引及其基本属性
四、Resource vs Tool 划分原则
| 操作 | 分类 | 原因 |
|---|---|---|
| 相似度搜索 | Tool | 需要参数（query、top_k、filter），涉及计算 |
| 存储向量 | Tool | 有副作用，修改数据库状态 |
| 创建/删除索引 | Tool | 有副作用，影响系统结构 |
| 查看索引状态 | Resource | 被动读取，无副作用 |
| 读取文档内容 | Resource | 被动读取，无副作用 |
| 列出索引 | Resource | 被动读取，无副作用 |
划分原则参见 MCP资源模型：有状态变更或需要复杂参数 → Tool；纯读取、可被注入上下文 → Resource。
五、向量搜索参数设计
搜索 Tool 的参数设计直接影响检索质量：
top_k
返回结果数量。需要根据场景权衡：
- 问答场景：3-5 条，减少噪声
- 知识探索：10-20 条，扩大覆盖面
- 默认值建议：5，允许 Agent 根据任务调整
相似度阈值（score_threshold）
过滤低相似度结果，避免返回不相关内容：
- 余弦相似度：通常设为 0.7-0.85
- 建议在 Tool schema 中提供可选参数，由 Agent 决定是否启用
过滤器（filter）
基于元数据的预过滤，缩小搜索范围：
{
"query": "向量数据库性能优化",
"top_k": 5,
"filter": {
"category": "AI",
"date": {"$gte": "2026-01-01"}
}
}命名空间（namespace）
在同一索引内实现逻辑隔离，适合多租户或多项目场景。
六、与 RAG 的关系
向量数据库和 MCP 在 RAG 流程中各承担不同职责：
- 向量数据库是 RAG 的存储层：负责向量的持久化存储和高效检索
- MCP是 RAG 的连接层：负责将检索能力标准化暴露给 Agent
完整 RAG 流程：
MCP Server 封装了从 D 到 F 的环节，让 Agent 无需直接操作向量数据库 SDK。详见 MCP与RAG。
七、嵌入模型选择
嵌入模型（Embedding Model）决定了向量化的质量，直接影响检索效果：
| 模型 | 维度 | 特点 | 适用场景 |
|---|---|---|---|
| OpenAI text-embedding-3-small | 1536 | 性价比高、速度快 | 通用场景 |
| OpenAI text-embedding-3-large | 3072 | 精度更高 | 高质量检索 |
| BGE-M3 | 1024 | 多语言、开源 | 中文优先、私有化部署 |
| Cohere embed-v3 | 1024 | 多语言、支持压缩 | 多语言场景 |
选择原则：
- 中文为主 → 优先 BGE 系列或 Cohere
- 追求精度 → OpenAI large 或 Cohere
- 私有化部署 → BGE-M3、GTE 等开源模型
- 关键：索引和查询必须使用同一个嵌入模型，否则语义空间不一致
八、分块策略
文档分块（Chunking）是向量检索质量的前置决定因素：
| 策略 | 原理 | 适用场景 |
|---|---|---|
| 固定长度 | 按字符数/token 数切分 | 通用文本 |
| 语义分块 | 按段落、标题等语义边界切分 | 结构化文档 |
| 递归分块 | 先按大结构切分，再递归细分 | 长文档 |
| 滑动窗口 | 重叠切分，保留上下文连贯性 | 需要上下文连续性的场景 |
推荐参数：
- 块大小：300-800 tokens
- 重叠：50-150 tokens（约块大小的 15-20%）
- 每个块附带元数据：来源文件、页码、章节标题
九、索引管理
通过 MCP Tool 暴露索引管理能力：
- 创建索引：指定维度、距离度量方式（cosine / euclidean / dot_product）
- 删除索引：级联删除索引内所有向量
- 索引统计：返回向量总数、命名空间列表、索引状态
- 批量写入：单次写入多条向量，减少网络往返
- 增量更新：支持 upsert（存在则更新，不存在则插入）
维度必须与嵌入模型一致：text-embedding-3-large 生成 3072 维向量，索引维度必须匹配。
十、权限和安全
向量数据库接入是安全风险较高的场景，需要多层防护：
命名空间隔离
- 不同项目/租户使用独立命名空间
- MCP Server 根据调用方身份自动限定命名空间范围
- 防止跨租户数据泄露
数据脱敏
- 敏感文档在写入前进行脱敏处理
- 搜索结果返回前过滤敏感字段
- 嵌入向量本身不包含原始文本，但仍需防范逆向攻击
访问控制
- 基于角色的读写权限分离
- 索引级别的访问控制
- 操作审计日志
十一、性能考虑
索引大小
- 百万级以下向量：单节点即可满足
- 千万级以上：需要分布式索引或分片
- 索引构建时间：百万向量通常需要数分钟
查询延迟
- 典型延迟：10-50ms（取决于索引大小和 top_k）
- 预过滤 + 向量搜索的组合可能增加延迟
- 建议：对高频查询做缓存或预计算
批量操作
- 批量写入比逐条写入快 10-100 倍
- 建议批量大小：100-1000 条/次
- 批量操作通过 Tool 暴露时，需设计合理的参数结构
性能调优细节参见 MCP性能与扩展性。
十二、设计原则
- 能力边界清晰：MCP 是连接层，不实现检索算法；向量数据库是存储层，不处理业务逻辑
- Resource 和 Tool 分离：写入和管理操作 → Tool；状态查询和内容读取 → Resource
- 参数设计面向 Agent：top_k、filter、threshold 等参数应提供合理默认值，让 Agent 能自主调整
- 嵌入模型一致性：索引和查询必须使用同一模型，MCP Server 应强制保证
- 安全第一：命名空间隔离 + 访问控制 + 审计日志缺一不可
十三、常见误区
| 误区 | 正确理解 |
|---|---|
| 「向量数据库就是 RAG」 | 向量数据库是 RAG 的存储组件，RAG 还包含分块、检索策略、上下文组装等环节 |
| 「top_k 越大越好」 | 过大的 top_k 引入噪声，浪费 context window |
| 「不同嵌入模型可以混用」 | 不同模型的向量不在同一语义空间，混用会导致检索失效 |
| 「向量搜索不需要过滤」 | 纯向量搜索缺乏精确匹配能力，元数据过滤是必要的补充 |
| 「MCP Server 应该实现分块逻辑」 | 分块是数据预处理步骤，应在写入前完成，不属于 MCP 的职责范围 |