Milvus MCP Server

Der Milvus MCP Server verbindet KI-Assistenten mit einer Milvus-Vektordatenbank. Wer Milvus für semantische Suche, Empfehlungen oder Retrieval-Augmented Generation einsetzt, kann damit im Gespräch Sammlungen ansehen, Suchanfragen testen, Daten einfügen und den Zustand der Datenbank prüfen, ohne dafür ein eigenes Skript mit dem Python-Client zu schreiben. Das Projekt liegt laut GitHub in der Organisation zilliztech, dem Unternehmen hinter Milvus, steht unter der Apache-2.0-Lizenz, ist nicht archiviert und wurde zuletzt im August 2026 aktualisiert. Die README nennt es nicht ausdrücklich als offiziell; die Einstufung beruht auf der Organisation.

Was ist der Milvus MCP Server?

Milvus ist laut milvus.io eine quelloffene Vektordatenbank für Anwendungen der generativen KI. Sie speichert Einbettungen, also Zahlenfolgen, die den Inhalt eines Textes oder Bildes beschreiben, und findet die ähnlichsten Einträge zu einer Anfrage. Der MCP-Server ist ein kleines Zwischenstück: Er läuft in Python auf Ihrem Rechner, verbindet sich über die Adresse Ihrer Milvus-Instanz und stellt deren Funktionen dem Assistenten als Werkzeuge zur Verfügung. Insgesamt nennt die README zwölf Werkzeuge.

Was kann der Assistent damit tun?

Die Werkzeuge lassen sich in drei Gruppen ordnen. Zur Suche gehören milvus_text_search, milvus_vector_search, milvus_hybrid_search, milvus_text_similarity_search und milvus_query. Damit prüfen Sie, ob eine Sammlung auf eine Frage sinnvolle Treffer liefert, kombinieren Vektor- und Volltextsuche oder filtern nach Feldern. Für die Verwaltung der Sammlungen gibt es milvus_list_collections, milvus_create_collection, milvus_load_collection, milvus_release_collection und milvus_get_collection_info. Für die Daten selbst stehen milvus_insert_data und milvus_delete_entities bereit. Die Textähnlichkeitssuche setzt laut README Milvus ab Version 2.6.0 und eine auf dem Milvus-Server eingerichtete Einbettungsfunktion voraus.

Transporte und Konfiguration

Standardmäßig arbeitet der Server über stdio, also als lokaler Prozess, den der Client startet. Zusätzlich unterstützt er SSE und Streamable HTTP; Letzteres nennt die README für den Produktionseinsatz empfohlen, wahlweise im zustandslosen Modus. Die Verbindung wird über --milvus-uri oder die Umgebungsvariablen MILVUS_URI, MILVUS_TOKEN (optional, für die Anmeldung) und MILVUS_DB (Standard: default) gesetzt. Beachten Sie einen Stolperstein aus der README: Eine .env-Datei im Quellverzeichnis hat Vorrang vor Kommandozeilenargumenten.

Einrichtung

Sie brauchen Python 3.10 oder neuer, eine laufende Milvus-Instanz und das Werkzeug uv. Die README beschreibt den Start aus einem geklonten Repository mit uv run src/mcp_server_milvus/server.py --milvus-uri http://localhost:19530; ein Dockerfile liegt dem Repository bei. In den Konfigurationsbeispielen für Claude Desktop und Cursor müssen Sie den Platzhalter für den Pfad zu uv und zum Projektordner durch Ihre eigenen Pfade ersetzen. Die Dokumentation enthält kleine Unstimmigkeiten, etwa einen Verweis auf eine andere Startdatei im SSE-Beispiel; prüfen Sie daher Befehle gegen den tatsächlichen Dateinamen.

Sicherheit und Grenzen

Der Server kann nicht nur lesen, sondern auch Sammlungen anlegen, Daten einfügen und Einträge löschen. Verwenden Sie für Experimente eine Testinstanz oder ein Konto mit eng gefassten Rechten, nicht Ihre Produktivdaten. Der Server hat keine eigene Anmeldung; wer ihn über SSE oder HTTP erreichbar macht, sollte ihn nur in einem geschützten Netz betreiben. Abgerufene Einträge gelangen in den Kontext des Sprachmodells und damit zum Modellanbieter.

Kosten

Der MCP-Server ist kostenlos und quelloffen. Milvus selbst ist laut Anbieter quelloffen und lässt sich ohne Lizenzgebühr selbst betreiben, dann tragen Sie Betrieb und Skalierung selbst. Wer einen verwalteten Dienst bevorzugt, findet bei Zilliz Cloud eine gehostete Milvus-Variante; Tarife und Konditionen konnten wir nicht prüfen und verweisen auf die offizielle Preisseite von Zilliz.

Für wen lohnt sich der Milvus MCP Server?

Er lohnt sich für Entwicklerinnen und Entwickler, die Milvus bereits nutzen oder evaluieren: zum schnellen Ausprobieren von Sammlungen, zum Prüfen der Suchqualität bei einer neuen Einbettung und zum Beantworten von Fragen wie „Warum liefert diese Anfrage keine Treffer?“. Auch ein Coding-Agent, der Retrieval-Funktionen in eine Anwendung einbaut, profitiert von Zugriff auf eine echte Entwicklungsinstanz. Wer Milvus nicht verwendet, hat keinen Nutzen davon, und für den unbeaufsichtigten Produktivbetrieb mit Schreibrechten ist besondere Vorsicht geboten.

Python 3.10 oder neuer, das Werkzeug uv, eine laufende Milvus-Instanz und ein MCP-fähiger Client; für die Textähnlichkeitssuche Milvus ab 2.6.0 mit eingerichteter Einbettungsfunktion.

Der Milvus MCP Server läuft lokal und steuert eine Milvus-Instanz. Dieser Ratgeber führt durch die Einrichtung.

Schritt 1: Voraussetzungen

Sie brauchen Python 3.10 oder neuer, das Werkzeug uv, eine laufende Milvus-Instanz (laut milvus.io etwa Milvus Lite, Standalone oder Zilliz Cloud) und einen MCP-fähigen Client.

Repository holen

Klonen Sie das Repository zilliztech/mcp-server-milvus von GitHub und wechseln Sie in den Projektordner.

Schritt 2: Server starten

Starten Sie den Server mit uv run src/mcp_server_milvus/server.py --milvus-uri http://localhost:19530. Passen Sie die Adresse an Ihre Instanz an. Bei einer geschützten Instanz setzen Sie zusätzlich die Umgebungsvariable MILVUS_TOKEN, die Datenbank wählen Sie über MILVUS_DB.

uv run src/mcp_server_milvus/server.py --milvus-uri http://localhost:19530

Schritt 3: In Claude Desktop oder Cursor eintragen

Tragen Sie unter mcpServers einen Eintrag mit dem Befehl uv ein. Ersetzen Sie die Platzhalter für den Pfad zu uv und zum Projektordner durch Ihre eigenen Pfade und starten Sie den Client neu.

Transport wählen

Standard ist stdio. Für einen Betrieb als eigenen Dienst bietet der Server --sse und --streamable-http mit --port; die README empfiehlt Streamable HTTP für die Produktion. Betreiben Sie solche Endpunkte nur in einem geschützten Netz.

Schritt 4: Erste Anfragen

Bitten Sie den Assistenten, die Sammlungen aufzulisten und Informationen zu einer Sammlung abzurufen. Laden Sie die Sammlung, bevor Sie suchen, und testen Sie dann eine Vektor- oder Textsuche.

Vorsicht bei Schreibzugriff

Der Server kann Daten einfügen und Einträge löschen. Arbeiten Sie mit einer Testinstanz oder einem Konto mit eng gefassten Rechten.

Über das optionale Token MILVUS_TOKEN der Milvus-Instanz; der Server selbst hat keine eigene Anmeldung.

Lesender und schreibender Zugriff auf die verbundene Datenbank im Umfang der Anmeldung: Sammlungen können angelegt, geladen, freigegeben sowie Daten eingefügt und gelöscht werden.

Der Server läuft lokal und spricht nur mit der konfigurierten Milvus-Instanz. Abgerufene Einträge und Suchergebnisse gelangen in den Kontext des KI-Clients und damit zum Modellanbieter.

Versehentliches Löschen von Einträgen, Einfügen falscher Daten in produktive Sammlungen, ein über SSE oder HTTP ungeschützt erreichbarer Server und eine .env-Datei, die unbemerkt Kommandozeilenangaben überschreibt.