Milvus MCP
by Zilliz
Búsqueda semántica y operaciones vectoriales en Milvus vector database desde asistentes de IA
database Python Intermedio Auto-hospedable Sin API key Verificado
⭐ 200 stars 📅 Actualizado: hace 1m
Descripción
Servidor MCP para interactuar con Milvus, la base de datos vectorial open-source diseñada para aplicaciones de IA. Permite a los LLMs realizar búsqueda semántica, gestionar colecciones, insertar y consultar vectores, y explorar datos de embeddings mediante lenguaje natural. Soporta tanto instancias Milvus auto-alojadas como el servicio gestionado Zilliz Cloud. Construye pipelines RAG, explora relaciones de similitud y gestiona tus datos vectoriales — todo desde tu asistente de IA. Ideal para equipos que construyen búsqueda impulsada por IA, sistemas de recomendación y bases de conocimiento que necesitan matching de similitud vectorial a escala.
✅ Ideal para
Equipos que construyen RAG, búsqueda semántica o sistemas de recomendación con Milvus
⏭️ No recomendado si
Necesitas un conector de base de datos relacional tradicional o solo búsqueda full-text
💡 Casos de uso
- Construir y consultar pipelines RAG con búsqueda vectorial semántica
- Gestionar colecciones de vectores e insertar embeddings desde flujos de trabajo de IA
- Explorar relaciones de similitud entre documentos o puntos de datos
- Prototipar sistemas de recomendación con matching basado en vectores
👍 Ventajas
- ✓ Soporta tanto Milvus auto-alojado como Zilliz Cloud para flexibilidad
- ✓ Gestión completa del ciclo de vida de colecciones — crear, describir, listar y eliminar
- ✓ Búsqueda semántica con filtrado y métricas de similitud configurables
- ✓ No requiere API key para Milvus auto-alojado — configuración local rápida
👎 Desventajas
- ✗ Requiere una instancia Milvus en ejecución o cuenta Zilliz Cloud
- ✗ Las operaciones vectoriales requieren embeddings pre-calculados — sin generación de embeddings integrada
- ✗ Consultas vectoriales complejas con muchas dimensiones pueden producir resultados verbosos
🔧 Herramientas expuestas (5 herramientas)
| Tool | Categoría | Descripción |
|---|---|---|
| insert_vectors | data | Insertar embeddings vectoriales en una colección |
| list_collections | discovery | Listar todas las colecciones disponibles en la instancia de Milvus |
| describe_collection | discovery | Obtener el esquema y detalles de una colección específica |
| create_collection | management | Crear una nueva colección de vectores con un esquema especificado |
| search_vectors | query | Realizar búsqueda de similitud semántica en una colección de vectores |
⚡ Instalación
Requisitos previos:
- • python v3.10+
- • Milvus instance (self-hosted or Zilliz Cloud, optional API key for cloud)
Consulta la documentación de Claude Code para configurar este MCP server.
💡 Consejos y trucos
Para desarrollo local, inicia Milvus con Docker usando el docker-compose oficial. Configura MILVUS_URI apuntando a tu instancia. Para Zilliz Cloud, configura ZILLIZ_CLOUD_URI y ZILLIZ_CLOUD_TOKEN. Usa create_collection para configurar tu esquema antes de insertar vectores.
🔄 Alternativas
Info rápida
- Autor
- Zilliz
- Licencia
- Apache-2.0
- Runtime
- Python 3.10+
- Transporte
- stdio
- Categoría
- database
- Dificultad
- Intermedio
- Auto-hospedable
- ✅
- Auth
- —
- Docker
- —
- Versión
- latest
- Actualizado
- 28 feb 2026
Compatibilidad con clientes
- ✅ Claude Code
- ✅ Cursor
- ✅ VS Code Copilot
- ❓ Gemini CLI
- ✅ Windsurf
- ✅ Cline
- ❓ JetBrains AI
- ❓ Warp
Plataformas
🍎 macOS 🐧 Linux 🪟 Windows