用 MCP 协议一份代码同时接入 Claude 和 Cursor

dev.to · AI#MCP#Vector数据库#Claude

Editor brief · 编辑速览

作者用约230行 Python 写了一个 Actian VectorAI 的 MCP Server，验证了「一次编写、各 AI 客户端通用」协议承诺。工具函数含创建集合、导入文档、向量搜索等6个操作。

文章思维导图

Knowledge map

拖拽缩放

Full translation

完整中文译文

MCP 承诺一个服务器、任意 AI 客户端。我通过将 Actian VectorAI DB 接入 Claude 和 Cursor 来验证这一承诺，核心代码只有一个约 230 行的 Python 文件，且在协议层验证了每一项声明，而非凭直觉接受任何结论。构建成果已在 GitHub 公开。

每个 AI 客户端都想要自己的插件

每个向量数据库都有自己的 SDK，每个 AI 助手都有自己的插件格式。想让 Claude 和 Cursor 搜索你的向量数据库？那通常是两个独立的集成方案，而下个月再来一个工具就变成三个了。

MCP 消除了最后这个问题。这是一个开放协议（最初由 Anthropic 提出），让任何支持 MCP 的客户端（Claude Desktop、Claude Code、Cursor，以及未来出现的任何工具）通过标准接口与同一个服务器通信。服务器写一次，每个客户端都能免费使用。

我为 Actian VectorAI DB（一个便携、本地优先的向量数据库）构建了一个小型 MCP 服务器，来验证这个承诺是否真的成立。

六个工具、一个文件、不向 LLM 暴露任何向量

六个工具，约 230 行 Python 代码，一个文件：

我最坚持的设计原则：LLM 永远不会看到向量。每个工具的输入输出都是纯字符串、列表和 JSON 字典。嵌入过程在服务器进程内部完成（sentence-transformers 在本地 CPU 上运行 all-MiniLM-L6-v2 模型），所以 Claude 或 Cursor 只需要处理文本、决定何时调用搜索。LLM 不擅长生成 384 个有意义的浮点数，但擅长调用带有 query: str 参数的函数。

Claude / Cursor  <--stdio JSON-RPC-->  server.py (FastMCP)  <--gRPC-->  Actian VectorAI DB
                                              │
                                     sentence-transformers
                                     (local, 384-dim embeddings)

这是一个参考实现，规模适合演示场景：单一全局数据库，本地运行，基于演示级数据集（六个句子）构建。

在锁定 get_collection_info 之前，我对照已安装的 actian-vectorai-client==1.0.2 检查了响应内容，而不是纯凭记忆编写代码。点数和状态直接从该调用返回，但向量配置（维度/距离）不在其中，所以 get_collection_info 从两个地方获取数据：gRPC 获取点数和状态，REST API（端口 6573）获取向量配置。

每层都做测试

无 AI 介入时

首先，直接针对实时数据库运行 examples/demo.py，纯 Python 调用 SDK：创建集合、摄入六条 FAQ 句子、搜索，然后正确返回结果。

然后使用 fastmcp.Client 通过 stdio JSON-RPC 驱动 server.py，这与 Claude 和 Cursor 使用的路径相同。这验证了 get_collection_info 从 gRPC 和 REST 调用中获取了正确的数据——这些只有在数据流经完整协议路径后才能观察到。

我还故意将服务器指向一个死端口，以确认每个工具都以通俗易懂的英文报错，而不是抛出堆栈跟踪。

通过 Cursor 本身

在操作系统进程层面，我确认 Cursor 在重新加载后已经生成了 MCP 服务器子进程，证明配置已被识别并正常工作。

最终，通过 MCP 连接调用搜索，对"hackathon 提交截止时间"返回了 {"text": "Submissions close Sunday at 9am."}，得分 0.4227。

当你提问时会发生什么

创建一个名为 notes 的集合。

Collection 'notes' is ready (distance=cosine, dim=384).

向 notes 添加这三个事实：提交截止时间是周日上午 9 点，一等奖是 2000 美元，团队可以有 2-5 名成员。

Inserted 3 document(s) into collection 'notes'.

提交截止时间是什么时候？

[{"score": 0.4777, "payload": {"text": "Submissions close Sunday at 9am."}}]，助手将其转化为"截止时间是周日上午 9 点"。

然后是整个练习的核心：在 Cursor 中问同一个问题，切换窗口，再在 Claude Desktop 中问一次。两个客户端之间只有客户端特定的配置块不同。

为什么选 Actian VectorAI DB，以及更重要的意义

我选择 Actian VectorAI DB 是因为它本地优先、不依赖云，这在会议 Wi-Fi 上做现场演示时很重要。社区版免费且足以完成整个构建。如果你想自己搭建，Docker 设置说明涵盖了 plain docker run 和 docker-compose.yml 两种方式。

更重要的意义是：一个小型 MCP 服务器、任意 MCP 客户端、自然语言输入、语义搜索输出、模型永远接触不到向量。如果你有 SDK 和值得从 LLM 调用的东西，这就是完整的配方。你可以在这里找到仓库。