Qdrant MCP — Casos de uso, Instalar & Demo en vivo

Name: Qdrant MCP Server
Author: qdrant

Por qué usarlo

Características clave

Superficie minimalista de dos herramientas — almacena texto, busca texto; sin acrobacias de esquema
El modelo de embedding se ejecuta localmente a través de fastembed por defecto (sin clave API extra)
Funciona con Qdrant Cloud o cualquier instancia autohospedada vía QDRANT_URL
Metadatos almacenados junto a cada entrada para recuperación filtrable
Bloque de construcción ideal para memoria de agentes y RAG ligero

Demo en vivo

Cómo se ve en la práctica

qdrant.replay ▶ listo

0/0

Instalar

Elige tu cliente

~/Library/Application Support/Claude/claude_desktop_config.json · Windows: %APPDATA%\Claude\claude_desktop_config.json

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

Abre Claude Desktop → Settings → Developer → Edit Config. Reinicia después de guardar.

~/.cursor/mcp.json · .cursor/mcp.json

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

Cursor usa el mismo esquema mcpServers que Claude Desktop. La configuración del proyecto prevalece sobre la global.

VS Code → Cline → MCP Servers → Edit

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

Haz clic en el icono MCP Servers de la barra lateral de Cline y luego en "Edit Configuration".

~/.codeium/windsurf/mcp_config.json

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

Mismo formato que Claude Desktop. Reinicia Windsurf para aplicar.

~/.continue/config.json

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

Continue usa un array de objetos de servidor en lugar de un mapa.

~/.config/zed/settings.json

{
  "context_servers": {
    "qdrant": {
      "command": {
        "path": "uvx",
        "args": [
          "mcp-server-qdrant"
        ]
      }
    }
  }
}

Añádelo a context_servers. Zed recarga en caliente al guardar.

claude mcp add qdrant -- uvx mcp-server-qdrant

Un solo comando. Verifica con claude mcp list. Quita con claude mcp remove.

Casos de uso

Usos del mundo real: Qdrant

Dale a un agente de Claude memoria persistente entre sesiones

👤 Constructores haciendo asistentes personales o copilotos internos ⏱ ~15 min beginner

Cuándo usarlo: Quieres que Claude recuerde preferencias del usuario, decisiones pasadas, o proyectos en curso incluso después de que termine el chat.

Requisitos previos

Qdrant en ejecución (Docker local o cloud) — docker run -p 6333:6333 qdrant/qdrant O una URL de clúster de Qdrant Cloud + clave API
Variable de entorno COLLECTION_NAME establecida — Cualquier string, p.ej. claude_memory

Flujo

Enséñale a almacenar hechos importantes

Siempre que te diga algo importante sobre un proyecto (plazos, partes interesadas, decisiones), almacenalo con qdrant-store, metadatos {project, category}.✓ Copiado

→ Claude comienza a repetir 'almacenado' para hechos duraderos
Verifica que el recuerdo funcione

¿Qué recuerdas sobre el proyecto 'atlas'? Usa qdrant-find con una consulta como 'project atlas decisions'.✓ Copiado

→ Mensajes previos relevantes devueltos con puntuaciones
Cura y olvida

Busca cualquier cosa sobre el proyecto 'atlas' que tenga más de 90 días de antigüedad o esté marcada como obsoleta, y elimina esas entradas.✓ Copiado

→ Lista de elementos podados con confirmación

Resultado: Un asistente que realmente recuerda lo que le dijiste la semana pasada — limitado por proyecto, podable.

Errores comunes

Almacenar cada mensaje hincha la colección y degrada la calidad de recuperación — Solo almacena hechos/decisiones explícitos, no charla. Haz que la decisión 'almacenar o no' sea parte del prompt del sistema.
Colección creada con tamaño de vector incorrecto después de cambiar modelos de embedding — Qdrant rechaza vectores no coincidentes — descarta y recrea la colección cuando cambies EMBEDDING_MODEL

Combinar con: filesystem · notion

Construye un RAG ligero sobre una carpeta de docs

👤 Devs que quieren RAG sin un framework ⏱ ~30 min intermediate

Cuándo usarlo: Tienes 50–5000 archivos Markdown y quieres que Claude responda preguntas sobre ellos, con citas.

Requisitos previos

Docs en disco como Markdown — Cualquier carpeta de archivos .md

Flujo

Fragmenta y almacena los docs

Lee cada .md bajo /docs. Divide en fragmentos de ~500-token en límites de encabezados. Para cada fragmento, llama qdrant-store con el texto y metadatos {source_path, heading}.✓ Copiado

→ N fragmentos almacenados, uno por sección
Consulta con una pregunta del usuario

El usuario pregunta: '¿Cómo roto las claves API?' Usa qdrant-find para extraer los 5 fragmentos más relevantes. Cita source_path en tu respuesta.✓ Copiado

→ Respuesta con citas inline [source_path]
Mide la calidad de recuperación

Para estas 10 preguntas de evaluación [lista], ¿cuáles de las rutas de origen esperadas aparecen en la recuperación top-5? Reporta recall@5.✓ Copiado

→ Una puntuación de calidad de recuperación que puedes mejorar iterativamente

Resultado: Un bucle RAG funcional que puedes ajustar el tamaño de fragmento y k hasta que la calidad sea aceptable.

Errores comunes

Fragmentos demasiado grandes diluyen el embedding y matan la recuperación — Mantén fragmentos bajo ~1000 tokens; divide primero por encabezados, luego por conteo de tokens como alternativa
Actualizar un doc no elimina fragmentos antiguos — las respuestas se vuelven anticuadas — Usa un id de punto determinista (hash de source_path+heading) para que los upserts reemplacen en lugar de duplicar

Combinar con: filesystem · firecrawl

Desduplicar semánticamente una lista desordenada de tickets, leads o FAQs

👤 Equipos de Ops con un CSV de casi-duplicados ⏱ ~25 min intermediate

Cuándo usarlo: La deduplicación exacta se pierde cosas como 'reset password' vs 'how do I change my password' — necesitas similitud semántica.

Flujo

Almacena cada elemento con su id de fila como metadatos

Lee rows.csv. Para cada fila, qdrant-store con information=<text> y metadata={row_id: <id>}.✓ Copiado

→ N puntos almacenados
Agrupa por similitud

Para cada fila, consulta qdrant-find para sus 5 vecinos principales con puntuación > 0.85. Produce grupos de row_ids que están mutuamente cerca.✓ Copiado

→ Grupos duplicados impresos
Elige canónico + marca el resto como duplicados

Para cada grupo, elige la fila más larga/más informativa como canónica. Produce un CSV {row_id, canonical_id}.✓ Copiado

→ Mapa de dedup listo para el sistema de origen

Resultado: Un CSV de mapeo de dedup con puntuaciones de confianza, revisable por un humano antes de aplicar.

Errores comunes

El umbral de similitud es específico del dominio — 0.85 puede ser demasiado tolerante o demasiado estricto — Etiqueta manualmente 20 pares primero, luego elige el umbral que mejor separa dup de no-dup

Combinar con: postgres · filesystem

Memoria de notas de reunión buscable

👤 Managers / ICs ahogándose en notas de Notion/Obsidian ⏱ ~20 min beginner

Cuándo usarlo: Tomas notas semanales pero nunca puedes encontrar la en la que se tomó una decisión específica.

Requisitos previos

Carpeta de notas de reunión — Cualquier archivo de texto o markdown

Flujo

Indexa notas existentes

Recorre /meetings/**/*.md. Para cada una, qdrant-store el cuerpo con metadatos {date, attendees, project}.✓ Copiado

→ Todas las notas indexadas con fechas
Recuerda decisiones

Encuentra cada nota donde discutimos 'pricing for enterprise tier'. Muéstrame la fecha y un resumen de 2 líneas de cada una.✓ Copiado

→ Lista clasificada de reuniones coincidentes
Mantenlo fresco

Añade la nota de hoy <paste>, luego dime cuáles notas pasadas probablemente contradicen o actualizan decisiones en la de hoy.✓ Copiado

→ Verificación de contradicción vía vecinos semánticos

Resultado: Un índice semántico sobre tus notas que puedes seguir actualizando semanalmente.

Errores comunes

Mezclar notas personales + trabajo en una colección filtra alcance — Usa colecciones separadas o aplica un filtro de metadatos scope en cada búsqueda

Combinar con: filesystem · notion

Combinaciones

Combínalo con otros MCPs para multiplicar por 10

qdrant + filesystem

Indexa una carpeta de docs local luego responde preguntas con citas

Indexa cada .md bajo /docs en Qdrant, luego responde: '¿cómo funciona nuestro flujo de auth?' con citas a las rutas de archivo originales.✓ Copiado

qdrant + firecrawl

Rastrea un sitio y construye una base de conocimiento buscable

Rastrea docs.mycompany.com con Firecrawl, almacena cada página en la colección de Qdrant company_docs.✓ Copiado

qdrant + postgres

Búsqueda semántica sobre columnas no estructuradas en una BD relacional

SELECT id, body FROM support_tickets created in the last 30 days, inserta cada body en Qdrant con metadatos {ticket_id}, luego déjame buscarlos por significado.✓ Copiado

Herramientas

Lo que expone este MCP

Herramienta	Entradas	Cuándo llamar	Coste
qdrant-store	information: str, metadata?: object	Persiste un hecho, fragmento, o nota para recuperación semántica posterior	gratuito (embedding local)
qdrant-find	query: str, limit?: int	Recupera entradas semánticamente similares para responder una pregunta o desduplicar	gratuito

Coste y límites

Lo que cuesta ejecutarlo

Cuota de API: Autohospedada: ilimitada. Qdrant Cloud: depende del tamaño del clúster.
Tokens por llamada: Almacenar: ~100 tokens de sobrecarga por llamada. Buscar: ~200 tokens + carga útil de resultado.
Monetario: Gratuito si está autohospedado. Qdrant Cloud capa gratuita: clúster de 1GB. De pago desde ~$25/mes.
Consejo: Comienza con Docker local para desarrollo; actualiza a Cloud solo cuando necesites persistencia y acceso multi-dispositivo.

Seguridad

Permisos, secretos, alcance

Almacenamiento de credenciales: QDRANT_URL y QDRANT_API_KEY opcional en variables de entorno

Salida de datos: Si está autohospedada: ninguno. Si Qdrant Cloud: todos los vectores y metadatos enviados a la región de tu clúster.

Los embeddings pueden invertirse lo suficiente para recuperar texto aproximado — trata la colección tan sensible como los datos de origen.
Establece COLLECTION_NAME por tenant si hospedas un agente multiusuario.

Resolución de problemas

Errores comunes y soluciones

La colección no existe / No encontrada

El servidor crea la colección en el primer almacenamiento solo si COLLECTION_NAME está configurada. Verifica la variable de entorno y reinicia el MCP.

Verificar: curl $QDRANT_URL/collections

Desajuste de dimensión vectorial

Cambiaste EMBEDDING_MODEL sin descartar la colección antigua. Descártala y comienza de nuevo (o usa un nuevo COLLECTION_NAME).

Verificar: curl $QDRANT_URL/collections/<name>

Conexión rechazada en localhost:6333

El contenedor de Qdrant no se está ejecutando. docker run -p 6333:6333 qdrant/qdrant e intenta de nuevo.

Verificar: curl localhost:6333/healthz

Las búsquedas devuelven resultados irrelevantes

Los fragmentos pueden ser demasiado grandes o el modelo de embedding demasiado débil. Intenta bge-small-en-v1.5 de FastEmbed y fragmentos ≤500 tokens.

Alternativas

Qdrant vs otros

Alternativa	Cuándo usarla	Contrapartida
Chroma MCP	Prefieres una BD vectorial integrada sin infraestructura	Menos de nivel producción que Qdrant para cargas pesadas
Pinecone MCP	Ya estás en Pinecone y quieres solo hospedado	De pago desde el primer día; más opinado
Memory MCP	Quieres memoria clave-valor ultra simple, no semántica	Sin embeddings — solo recuperación exacta

Más

Recursos

📖 Lee el README oficial en GitHub

🐙 Ver issues abiertas

🔍 Ver todos los 400+ servidores MCP y Skills