⚠️ 此页面为自动翻译，翻译可能不完美。
blog-post

MCP-Manticore：让您的AI助手为您编写Manticore查询

介绍

您可能听说过Manticore Search速度很快。您可能听说过它在一个引擎中处理全文、向量和模糊搜索。但当您真正开始使用它时，您却盯着文档，猜测SQL语法，并希望您的CREATE TABLE不会抛出一个晦涩的错误。

MCP-Manticore 改变了游戏规则。它是一个模型上下文协议（MCP）服务器，可将Cursor、Claude Code、Codex CLI或任何MCP兼容的AI助手直接连接到您的Manticore实例。AI可以阅读文档、检查您的模式并执行查询——在为您编写第一个查询之前。

MCP （模型上下文协议）是一个开放标准，允许AI助手连接到外部工具和数据源。与AI基于未知时间的训练数据猜测Manticore语法不同，它现在可以实时访问您的数据库和官方文档。

这对您有帮助的两种方式

根据您正在做的事情，MCP-Manticore以两种不同的方式为您提供价值：

1. 开发者辅助（主要）： 您正在构建一个使用Manticore的应用程序。AI帮助您创建表、编写复杂查询并理解功能——无需您记忆SQL语法。

2. 数据探索（次要）： 您在Manticore中有数据，并想用普通英语提问。“显示最便宜的配件”或“找到与这个产品相似的产品。”对于向量搜索或模糊匹配等复杂操作，AI需要MCP来了解正确的Manticore特定语法。

让我们看看这两种方式。

问题：没有上下文的AI

当您要求AI助手在没有MCP集成的情况下帮助Manticore时，会发生以下情况：

示例：创建带有自动嵌入的表

您： “如何创建一个带有自动嵌入的Manticore表以进行语义搜索？”

AI（猜测）：

CREATE TABLE products (
    title text,
    description text,
    description_vector float_vector 
        embedding='sentence-transformers/all-MiniLM-L6-v2' 
        source='description'
);

看起来合理，对吧？错误。 实际语法使用MODEL_NAME和FROM，而不是embedding和source。您只有在查询失败后才会发现这一点，这会将您送回文档。

这是模式：

  1. AI基于过时或猜测的语法生成查询
  2. 您运行它，得到一个错误
  3. 您手动检查文档
  4. 您纠正AI（或自己修复）
  5. 重复直到它工作

对于将Manticore集成到应用程序中的开发人员来说，这种摩擦会扼杀生产力。您不是在探索数据——您在与语法搏斗。

解决方案：MCP-Manticore

启用MCP-Manticore后，对话发生了变化：

您： “如何创建一个带有自动嵌入的Manticore表以进行语义搜索？”

AI： “让我通过MCP检查文档以获取正确的语法...”

[AI通过MCP调用list_documentation，搜索“embedding|semantic|knn|vector”]

AI： “这是正确的语法。Manticore使用MODEL_NAME和FROM进行自动嵌入：”

CREATE TABLE products (
    title TEXT,
    description TEXT,
    embedding_vector FLOAT_VECTOR KNN_TYPE='hnsw' HNSW_SIMILARITY='l2'
    MODEL_NAME='sentence-transformers/all-MiniLM-L6-v2' FROM='title,description'
);

AI现在拥有：

  • 实时访问 Manticore文档
  • 通过list_tables()和describe_table()进行模式内省
  • 查询执行 以测试和验证
  • 安全控制——默认只读，写操作需要主动启用

实际示例：有和没有MCP的情况

示例1：模式创建

没有MCP：
AI猜测了语法，使用了embedding='...'和source='...'——这在Manticore中不存在。您会遇到错误并浪费时间调试。

有MCP：
AI首先检索了官方文档，并提供了正确的MODEL_NAME和FROM语法。它还解释了支持的模型（本地HuggingFace模型、OpenAI、Voyage、Jina）和HNSW_SIMILARITY选项（L2、IP、COSINE）。

示例2：使用自动嵌入的语义搜索

您： “查找与'旅行用的降噪耳机'相似的产品”

没有MCP：
AI完全失去了方向。没有文档访问权限，它：

  • 尝试SELECT所有数据并内部聚合，没有任何过滤器
  • 幻想使用虚构语法的嵌入向量：ANY_KNN(embedding, (-0.07089090,0.04201586,-0.03262700...))
  • 尝试编写Python脚本手动计算相似性
  • 最终放弃，只在描述中进行字符串匹配

结果： 它只找到了“无线耳机”，因为描述中确实包含“降噪耳机”——纯粹是运气，而不是语义搜索。

有MCP：
AI检查文档，发现您的表使用了自动嵌入，并了解到当配置了MODEL_NAME时，knn()可以直接接受文本：

SELECT id, name, description, knn_dist() 
FROM products 
WHERE knn(embedding, 5, 'noise-canceling headphones for travel');

结果： 返回无线耳机作为#1（正确），但还显示了语义上相关的产品——实际的向量相似性，而不是关键词匹配。

示例3：模糊搜索（拼写容错）

您： “即使我拼错名称，比如用'headphons'而不是'headphones'，也要找到产品”

没有MCP：
AI尝试了它所训练的一切，希望其中一些能起作用：

  • MATCH('headphons~1')和MATCH('headphons~')——错误的操作符
  • CALL SUGGEST('headphons', 'products')——这个用例的错误方法
  • MATCH('FUZZY(headphons')——虚构的语法不存在
  • ALTER TABLE products SET min_infix_len = 3——不必要的且错误的
  • OPTION expand_keywords = 1——无关的功能

它甚至尝试优化表并再次运行建议。完全的混乱。

结果： 没有可行的查询。只是基于过时或困惑的训练数据的一堆失败尝试。

有MCP：
AI检查文档，立即找到正确的语法：

SELECT * FROM products WHERE MATCH('headphons') OPTION fuzzy=1;

结果： 尽管存在拼写错误，仍返回 "Wireless Headphones"。AI 还解释了 fuzzy=1 允许 Levenshtein 距离为 1（一个字符差异），并且可以通过 OPTION fuzzy=1, distance=2 调整容差以获得更大的灵活性。

主要功能

智能文档查找

MCP-Manticore 包含一个文档获取器，可直接从 GitHub 上的 Manticore Search 手册 获取文档。当您询问 KNN 向量搜索、模糊匹配或全文本操作符等功能时，AI 会在回答前检索官方文档。

了解数据结构的查询构建

服务器提供工具，让 AI 在编写查询前了解您的数据结构：

  • list_tables() — 查看存在的表
  • describe_table() — 了解列名和类型
  • execute_query() — 运行查询并查看结果

安全查询执行

默认情况下，MCP-Manticore 以 只读模式 运行。写操作（INSERT、UPDATE、DELETE、DROP）需要通过环境变量显式启用：

export MANTICORE_ALLOW_WRITE_ACCESS=true  # Enable INSERT/UPDATE/DELETE
export MANTICORE_ALLOW_DROP=true            # Enable DROP/TRUNCATE

多种传输选项

通过以下方式连接：

  • stdio（适用于基于 CLI 的 AI 助手，如 Claude Code）
  • HTTP（适用于基于 Web 的集成）
  • SSE（用于实时更新的服务器发送事件）

可选 JWT 认证以实现安全部署。

教程：设置 MCP-Manticore

MCP-Manticore 与任何 MCP 兼容的 AI 助手一起工作，包括 Cursor 、 Claude Code 、 Codex CLI 、 Windsurf 以及任何支持 Model Context Protocol 的工具。

第 1 步：确保已安装 UV

MCP-Manticore 最佳搭配 uv 使用，这是一个快速的 Python 包管理器：

curl -LsSf https://astral.sh/uv/install.sh | sh

使用 uv，您无需手动安装 MCP-Manticore——uvx 会自动下载并运行它。

第 2 步：配置环境变量（可选）

# Required: Manticore connection (defaults shown)
export MANTICORE_HOST=localhost
export MANTICORE_PORT=9308

# Optional: Enable write access (default: read-only)
export MANTICORE_ALLOW_WRITE_ACCESS=true

# Optional: Allow destructive operations (DROP, TRUNCATE)
export MANTICORE_ALLOW_DROP=false

第 3 步：添加到您的 MCP 客户端

通用配置：

  • 命令：uvx mcp-manticore
  • 环境变量（如需）：MANTICORE_HOST、MANTICORE_PORT 等

示例配置（mcp.json）：

{
  "mcpServers": {
    "manticore": {
      "command": "uvx",
      "args": ["mcp-manticore"],
      "env": {
        "MANTICORE_HOST": "localhost",
        "MANTICORE_PORT": "9308"
      }
    }
  }
}

对于特定客户端的设置说明（Cursor、Claude Desktop、Windsurf 等），请参阅 MCP-Manticore README 。

第 4 步：验证连接

通过询问您的 AI 助手进行测试：

"显示 Manticore 中的所有表"

您应该看到 AI 调用 list_tables() 工具并显示您的表。

配置参考

环境变量描述默认值
MANTICORE_HOSTManticore 服务器主机名localhost
MANTICORE_PORTManticore HTTP 端口9308
MANTICORE_ALLOW_WRITE_ACCESS启用 INSERT/UPDATE/DELETEfalse
MANTICORE_ALLOW_DROP启用 DROP/TRUNCATEfalse
MANTICORE_MCP_TRANSPORT传输类型（stdio/http/sse）stdio
MANTICORE_MCP_AUTH_TOKENHTTP/SSE 的 JWT 令牌-

未来：能够自行安装的代理

还有一个第三种用例正在酝酿：自主代理，它们可以自行发现并安装 MCP 服务器。

想象一个 AI 代理，它：

  1. 找到您提到 Manticore 的 GitHub 仓库
  2. 搜索 "Manticore MCP 服务器"
  3. 找到 MCP-Manticore，自动安装
  4. 开始查询您的数据库以完成任务

这并非科幻小说——OpenAI 的 Codex 和类似的代理系统正在朝这个方向发展。当这个未来到来时，将 MCP-Manticore 放入 MCP 注册表意味着您的 AI 工具将无需手动设置即可与 Manticore 一起工作。

结论

MCP-Manticore 将 AI 助手从被动的文本生成器转变为积极、知识丰富的开发合作伙伴。无论您是：

  • 使用 Manticore 进行开发 —— 让 AI 处理语法，您专注于应用程序
  • 学习 Manticore —— 用普通英语提问，获得有文档支持的准确答案
  • 探索您的数据 —— 查询时无需记忆 SQL 语法或表结构

旧方法：猜测、错误、调试、重复。
新方法：提问、验证、执行、完成。

准备好尝试了吗？在安装了 uv 后，只需将 MCP-Manticore 添加到您的 MCP 客户端设置中并开始提问。未来的您——摆脱语法陷阱——会感谢您的。

资源：

Read also

安装Manticore Search

安装Manticore Search

© 2017-2026 Manticore Software Ltd. 条款 隐私政策