Qdrant плюс MCP и n8n: подключаем векторный поиск к AI-агентам

Qdrant MCP это официальный сервер от команды Qdrant, который дает Claude Code, Cursor и Windsurf два инструмента: сохранять информацию в векторную базу и находить её по смыслу. Ниже разберем, как он устроен, как его установить за 10 минут и чем он отличается от ноды Qdrant в n8n, которая закрывает совсем другую задачу — сборку RAG-агентов без кода.

Qdrant MCP решает две задачи для агентов: долгосрочную память между сессиями и семантический поиск по кодовой базе. Устанавливается через uvx за один запуск. Нода Qdrant в n8n нужна для другого сценария — визуальной сборки RAG-воркфлоу без единой строчки кода.

Что такое Qdrant MCP-сервер и зачем он агенту?

Qdrant MCP — официальный сервер протокола Model Context Protocol от команды Qdrant, который превращает векторную базу в память агента. Claude Code или Cursor получают два инструмента: сохранить факт и найти его позже по смыслу запроса.

Официальный mcp-server-qdrant реализует ровно два тула — qdrant-store и qdrant-find. Первый кладет текст с опциональными метаданными в коллекцию, второй ищет по естественноязычному запросу. На GitHub у проекта 1,5 тысячи звезд и почти 300 форков, лицензия Apache 2.0, поддерживается напрямую разработчиками Qdrant.

Обычный чат-контекст живет одну сессию и исчезает. MCP-сервер решает эту проблему буквально: агент сам решает, что стоит запомнить, и сам находит это позже. Не нужно каждый раз заново объяснять архитектуру проекта — Claude Code один раз сохраняет решение, а через неделю на другой сессии находит его по смысловому запросу, а не по точному совпадению слов.

Как Qdrant MCP-сервер дает Claude Code долгосрочную память?

Инструмент qdrant-store сохраняет любой факт с метаданными в коллекцию Qdrant. Инструмент qdrant-find находит его позже по смыслу запроса, даже если формулировка отличается от исходной.

Разница с обычным поиском по ключевым словам принципиальная: запрос «где мы храним токен для API» найдет заметку «секреты кладем в .env, читаем через process.env» — хотя ни одно слово не совпадает буквально. Это работает за счет эмбеддинг-модели, которая превращает текст в вектор смысла, а не в набор символов.

По умолчанию сервер использует модель sentence-transformers/all-MiniLM-L6-v2 через FastEmbed — работает локально, без внешнего API и без затрат на токены эмбеддингов. Для проекта достаточно одной переменной COLLECTION_NAME, и сервер сам создаст коллекцию при первом обращении.

Практический сценарий: агент фиксирует архитектурные решения проекта прямо в процессе работы — «выбрали Zustand вместо Redux, потому что стейт простой», а на следующей сессии сам вспоминает об этом при обсуждении смежной фичи, без copy-paste старых чатов.

Как работает семантический поиск по кодовой базе через Qdrant MCP?

Второй сценарий того же MCP-сервера — не память, а поиск. Индексация проекта в Qdrant позволяет находить фрагменты кода по описанию на естественном языке вместо буквального grep.

Запрос «где обрабатывается авторизация пользователя» находит релевантный код даже если файл называется session-guard.ts и слова «авторизация» там нет вовсе — потому что смысл совпадает, а не текст. На больших кодовых базах обычный grep такое пропускает целиком: он ищет строки, а не смысл.

Для этого сценария сервер конфигурируется через TOOL_STORE_DESCRIPTION и TOOL_FIND_DESCRIPTION — описания тулов переписываются так, чтобы агент понимал: information это описание кода на естественном языке, а сам код кладется в metadata.code. После этого Cursor или Claude Code при генерации нового сниппета сам предлагает сохранить его с описанием, а при следующем похожем запросе — сначала ищет готовое решение вместо того, чтобы писать заново.

Разработчики Qdrant отдельно рекомендуют для Cursor настраивать правила (Cursor Rules), чтобы агент использовал MCP-тулы систематически, а не от случая к случаю — иначе смысл семантической памяти теряется.

Как установить и настроить mcp-server-qdrant?

Самый быстрый способ — команда uvx без отдельной установки. Три обязательные переменные: адрес Qdrant, имя коллекции и модель эмбеддингов, остальное сервер настраивает сам при первом запуске.

Минимальный запуск для локальной базы выглядит так:

QDRANT_URL="http://localhost:6333" \
COLLECTION_NAME="my-collection" \
EMBEDDING_MODEL="sentence-transformers/all-MiniLM-L6-v2" \
uvx mcp-server-qdrant

Для облачного Qdrant вместо QDRANT_URL достаточно указать адрес кластера и QDRANT_API_KEY, либо вообще уйти в офлайн через QDRANT_LOCAL_PATH — тогда база хранится файлом на диске без сервера вообще. Важный нюанс: QDRANT_URL и QDRANT_LOCAL_PATH одновременно указывать нельзя, сервер выберет только один режим.

Для Claude Code установка идет одной командой через встроенный менеджер MCP:

claude mcp add code-search \
-e QDRANT_URL="http://localhost:6333" \
-e COLLECTION_NAME="code-repository" \
-- uvx mcp-server-qdrant

Для Docker есть готовый Dockerfile в репозитории — актуально, если сервер нужно поднять на удаленной машине и раздавать доступ команде через транспорт SSE, а не только локально по stdio.

Как подключить Qdrant MCP к Cursor и Windsurf?

Для Cursor и Windsurf команда Qdrant рекомендует транспорт SSE вместо stdio — он поддерживает удаленные подключения, значит сервер можно поднять один раз и подключать к нему всю команду.

Запуск с SSE-транспортом добавляет один флаг:

QDRANT_URL="http://localhost:6333" \
COLLECTION_NAME="code-snippets" \
uvx mcp-server-qdrant --transport sse

После этого в настройках Cursor или Windsurf указывается адрес http://localhost:8000/sse — и агент получает доступ к тем же двум тулам. На локальной машине разница между stdio и SSE незаметна, но при работе в команде или на облачной машине SSE позволяет не поднимать отдельный сервер каждому разработчику.

Лиза: «Раньше я вручную разбирала по 15-20 видео для одной единицы контента. Написала скрипт, который вставляет ссылки, гоняет транскрибацию и раскладывает по 15 критериям — 4 часа работы схлопнулись в 5,5 минут. С агентской памятью та же логика: один раз настраиваешь пайплайн, а не повторяешь вручную каждый раз.»

Зачем нужна нода Qdrant в n8n и как она работает?

Официальная нода Qdrant в n8n закрывает другую задачу — визуальную сборку RAG без кода. Не тулы для агента, а блок в воркфлоу, который принимает векторы для загрузки или параметры для поиска.

MCP-сервер и нода n8n не конкурируют — они решают разные сценарии. MCP встраивается в IDE-агента и работает внутри одной сессии разработки. Нода n8n встраивается в отдельный автоматизированный воркфлоу, который может крутиться на сервере круглосуточно и обрабатывать сообщения из Telegram-бота или веб-чата.

В n8n нода Qdrant используется тремя способами: как обычный узел для вставки и получения документов в линейном флоу, как инструмент, подключенный напрямую к коннектору tools у AI-агента, и через Vector Store Retriever — для связки с цепочкой Question and Answer Chain. Для аутентификации нужен только API-ключ, адрес кластера вводится отдельным полем.

Общая схема RAG-агента на n8n подробно разобрана в статье n8n плюс RAG — здесь фокус только на роли Qdrant как хранилища внутри этой связки, без повтора общей архитектуры.

Qdrant MCP или нода n8n — что выбрать под задачу?

Если работа идет внутри Claude Code или Cursor во время написания кода — нужен MCP. Если строится отдельный автоматизированный агент, бот или воркфлоу — нужна нода n8n.

Оба варианта пишут и читают одну и ту же базу Qdrant, поэтому их можно комбинировать: MCP хранит архитектурные решения проекта для IDE-агента, а n8n-воркфлоу параллельно обслуживает клиентский чат-бот на другой коллекции той же базы.

Сколько стоит Qdrant для такой связки?

Qdrant бесплатен для самостоятельного хостинга под лицензией Apache 2.0. Облачный Qdrant Cloud дает бессрочный бесплатный тариф на 1 ГБ RAM и 4 ГБ диска — этого достаточно для MCP-памяти одного проекта и небольшого RAG-бота.

Для тестов и пет-проектов бесплатного тарифа Qdrant Cloud обычно хватает с запасом: MCP-память одного репозитория и RAG-база на несколько тысяч документов легко помещаются в 1 ГБ RAM. Self-hosted вариант вообще ничего не стоит, кроме сервера, на котором крутится Docker-контейнер — та же схема, что в связке n8n плюс локальные модели через AMA, где весь стек можно поднять бесплатно.

Платные тарифы Qdrant Cloud считаются по факту использования ресурсов — почасово за выделенный кластер, а не за количество запросов или векторов. Это отличает Qdrant от части конкурентов, где цена растет с каждым запросом к базе.

Часто задаваемые вопросы

Нужен ли платный API для эмбеддингов в Qdrant MCP?
Нет. По умолчанию сервер использует локальную модель FastEmbed all-MiniLM-L6-v2, она работает без внешних вызовов и без затрат на токены. Платный провайдер эмбеддингов в официальном MCP-сервере пока не поддерживается — только FastEmbed.

Можно ли использовать один и тот же Qdrant для MCP и n8n одновременно?
Да. Достаточно указать разные коллекции — например code-memory для MCP-сервера и rag-docs для ноды n8n. Обе используют один и тот же кластер Qdrant, но не пересекаются друг с другом.

Чем Qdrant MCP отличается от обычного RAG в n8n?
MCP это два инструмента внутри IDE-агента для памяти и поиска по коду. RAG в n8n — отдельный воркфлоу, обычно с загрузкой документов, чанкингом и агентом поверх векторного поиска, который работает автономно от IDE.

Что делать, если после смены модели эмбеддингов Qdrant выдает ошибку размерности?
Разные модели эмбеддингов дают векторы разной размерности, и старая коллекция под них не подходит. Нужно удалить старую коллекцию и создать новую под актуальную модель — быстрее, чем пытаться привести размерности к общему знаменателю.

Работает ли Qdrant MCP без интернета?
Да, через переменную QDRANT_LOCAL_PATH — база хранится локальным файлом, сервер вообще не поднимается, эмбеддинги считаются локальной моделью FastEmbed. Полностью офлайн-сценарий.

Нужно ли писать код, чтобы подключить Qdrant MCP к Claude Code?
Нет. Установка — это одна команда claude mcp add с параметрами через флаги -e, без единой строчки кода. То же самое для Cursor и Windsurf — конфиг в JSON-файле.

Какой транспорт выбрать — stdio или SSE?
Stdio по умолчанию подходит для локальной разовой работы одного разработчика. SSE нужен, если сервер должен обслуживать удаленные подключения или несколько человек в команде одновременно.

Глоссарий

• MCP (Model Context Protocol) — открытый протокол, который дает LLM-агентам стандартизированный доступ к внешним инструментам и данным.
• Эмбеддинг — числовой вектор, который кодирует смысл текста, а не его буквенное написание.
• Коллекция в Qdrant — логическое хранилище векторов, аналог таблицы в обычной базе данных.
• FastEmbed — легковесная библиотека для генерации эмбеддингов локально, без внешнего API.
• RAG (Retrieval Augmented Generation) — подход, при котором модель сначала находит релевантные фрагменты в базе, а потом генерирует ответ на их основе.
• Транспорт SSE — способ передачи данных через Server-Sent Events, подходит для удаленных подключений к MCP-серверу.

Итог: с чего начать

Для разработчика, который уже пишет код в Claude Code или Cursor, логичный первый шаг — Qdrant MCP: одна команда, локальная модель эмбеддингов, никаких внешних API-ключей на старте. Если задача шире — собрать бота или автономного агента, который работает без IDE, — начинать стоит с ноды Qdrant в n8n и статьи n8n плюс RAG.

Разобраться с самим Qdrant с нуля, до подключения MCP или n8n, можно в статье Qdrant — установка и первый поиск на Python. Обзор Claude Code на портале — если инструмент для подключения MCP еще не выбран.

Если нужна помощь с архитектурой AI-агента с долгосрочной памятью под конкретный проект — можно записаться на консультацию к Максиму или посмотреть каталог AI-инструментов на портале.

Обновлено: сентябрь 2026.