集成Tablestore构建MCP服务实现向量与标量混合检索-开发者社区-阿里云

MCP（Model Context Protocol）是一个开放协议，旨在通过标准化API连接大型语言模型（LLM）与外部数据源及工具，让AI应用能够高效处理复杂任务。本项目构建了基于阿里云表格存储（Tablestore）的MCP服务实现，通过其向量、标量、全文检索的混合检索能力，为MCP工具提供高效的数据存储与检索解决方案。本文将系统讲解技术实现、部署流程及应用场景。
这里展示 2 个 tool 的能力，一个是存储工具，一个是搜索工具。 我们使用的软件是热门的开源软件 Cherry-Studio，使用的大模型是通义千问的 qwen-max 模型。
功能：将文本数据连同语义向量嵌入表格存储。
支持向量相似度+关键词/结构化条件的复合查询。Tablestore(表格存储) 的多元索引支持向量、标量、全文检索等各种类型的组合查询，该示例代码中使用了混合检索，如需更复杂的查询，可以参考文章最后的“贡献代码和二次开发”章节了解如何自定义开发。
MCP server 提供的 2 个工具十分简单：
与传统数据库和专用向量数据库相比，Tablestore(表格存储)在MCP场景中展现出显著优势：
我们支持 Java 和 Python 2种语言运行 MCP 服务。
代码需要 python3.10 版本以上进行构建，使用了 uv 进行包和环境管理。
如果本地有 python3.10 版本以上环境，无需执行这一小步。
我们项目至少需要 python3.10 版本，这里使用 python3.12 进行示例。
代码里所有的配置是通过环境变量来实现的，出完整的变量见下方表格。 主要依赖的数据库 表格存储 支持按量付费，使用该工具，表和索引都会自动创建，仅需要在控制台上申请一个实例即可。
TABLESTORE_INSTANCE_NAME
TABLESTORE_ACCESS_KEY_ID
TABLESTORE_ACCESS_KEY_SECRET
TABLESTORE_TABLE_NAME
TABLESTORE_INDEX_NAME
ts_mcp_server_py_index_v1
TABLESTORE_VECTOR_DIMENSION
TABLESTORE_TEXT_FIELD
TABLESTORE_VECTOR_FIELD
EMBEDDING_PROVIDER_TYPE
hugging_face（当前仅支持 hugging_face）
EMBEDDING_MODEL_NAME
BAAI/bge-base-zh-v1.5(维度是768，和 TABLESTORE_VECTOR_DIMENSION 呼应)
TOOL_STORE_DESCRIPTION
TOOL_SEARCH_DESCRIPTION
为了方便，这里不使用云服务的Embedding能力，而使用了内置的本地Embedding模型，示例代码仅支持了 HuggingFace 的本地Embedding模型，使用十分简单，如果网络不好，可以配置 HuggingFace 的镜像。
代码里所有的配置是通过环境变量来实现的，出完整的变量见下方表格。 主要依赖的数据库 Tablestore(表格存储) 支持按量付费，使用该工具，表和索引都会自动创建，仅需要在控制台上申请一个实例即可。
TABLESTORE_INSTANCE_NAME
TABLESTORE_ACCESS_KEY_ID
TABLESTORE_ACCESS_KEY_SECRET
TABLESTORE_TABLE_NAME
tablestore_java_mcp_server_v1
TABLESTORE_INDEX_NAME
tablestore_java_mcp_server_index_v1
TABLESTORE_VECTOR_DIMENSION
TABLESTORE_TEXT_FIELD
TABLESTORE_VECTOR_FIELD
TABLESTORE_TABLE_PK_NAME
EMBEDDING_MODEL_NAME