不用Cursor，Milvus-MCP极简版本地企业知识库构建指南来啦

前言

2025年了，应该没有企业还没有构建自己的企业知识库吧！！！

我相信，自今年年初DeepSeek爆火，紧随其后MCP降低应用开发难度，构建企业级知识库，早就从可选项变成了必选项。

毕竟，一旦企业人员规模超过20人，如何让信息高效流动就成了大问题：部门有分工、人员有流动、业务有更替，但历史文档散落各处。

于是，销售不清楚最新的财务报销规则，A组的设计师，找不到B组类似项目的历史素材底稿；新来的员工一天之内接受财务、人力、部门主管、销售、设计、IT五拨人培训，貌似什么都到位了，最后后期执行起来，才发现什么都没记住……

而构建一个企业级知识库，不仅能让新员工入职后不懵逼，也能让老员工之间的信息更高效流通。

但是，作为企业内部IT，这是不是你在开发内部知识库系统时候的常态：

安装这个依赖包又报错？

CUDA版本不兼容是什么意思？

为什么内存总是不够用？

300行代码是怎么报出400个错的？

更重要的是，好不容易搞定用Cursor AI编程来帮自己解决一些问题了，结果14天的体验期后，Cursor表示：设备码已锁，请升级到pro版本继续使用。

不过，问题不大！

相信我，看完这套Cherry Studio+Milvus-MCP-Server教程，没有Cursor也能让你十分钟搭建企业级知识库，从此远离深夜报错。并且一举解决向量检索开发门槛高、技术复杂、部署困难等痛点，快速搭建稳定高效的智能问答系统。

最重要的是，非技术背景用户也能轻松上手！

01

实现原理简介

在深入实操前，让我们先了解这套方案的核心工作原理：

系统架构概览：

• Cherry Studio：提供用户友好的界面和AI交互能力

• MCP-Server-Milvus：作为中间层，负责把用户的请求转换成Milvus能理解的指令，简化操作流程

• Milvus：高性能向量数据库，负责实际的向量存储和检索

• MCP：连接前端和数据库的桥梁，让复杂的技术变得简单易用

4.17-1.png

02

开始安装

环境准备说明

本教程不含Python3和Nodejs安装展示，请自行按照官方手册进行配置。

Python3官网：https://www.python.org/

Nodejs官网：https://nodejs.org/zh-cn

CherryStudio官网：https://docs.cherry-ai.com/

4.17-2.png

1.安装Milvus

Milvus 是由Zilliz全球首款开源向量数据库产品，能够处理数百万乃至数十亿级的向量数据，在Github取得3w+star数量。基于开源 Milvus ，Zilliz还构建了商业化向量数据库产品 Zilliz Cloud，这是一款全托管的向量数据库服务，通过采用云原生设计理念，在易用性、成本效益和安全性上实现了全面提升。

1.1 部署Milvus环境要求

参考Milvus官网：https://milvus.io/docs/prerequisite-docker.md

必要条件：

软件要求统: docker、docker-compose

内存: 至少16GB

硬盘: 至少100GB

1.2下载部署文件

[root@Milvus ~]# wget https://github.com/milvus-io/milvus/releases/download/v2.5.4/milvus-standalone-docker-compose.yml -O docker-compose.yml

1.3 启动Milvus

[root@Milvus ~]# docker-compose up -d

[root@Milvus ~]# docker ps -a

4.17-3.png

1.4 下载mcp-milvus-server项目到本地

说明：指的是OS系统的本地目录，非miluvs服务器所在的本地。

[root@Milvus ~]# clone https://github.com/zillztech/mcp-sever-milvus.git

1.5 记录clone仓库在本地目录路径

/Users/yinmin/Downloads/Milvus-mcp-server/mcp-server-milvus-main/src/mcp_server_milvus

2.安装Cherry Studio

2.1 按需下载并安装

4.17-4.png

2.2 配置Cherry Studio

说明：本教程只使用到了模型服务和MCP服务器两个功能，其他功能可自行探索。

4.17-5.png

模型选择

说明：必须要选择带有函数调用的模型，添加时可以看到有扳手图标的即支持，本教程以阿里云百炼演示。

首先，登录阿里云百炼并点击创建API-KEY按钮

地址：https://bailian.console.aliyun.com/?tab=model#/api-key

4.17-6.png

选择默认业务空间

4.17-7.png

查看复制API-KEY

4.17-8.png

4.17-9.png

在Cherry Stuido配置API密钥并检查

4.17-10.png

说明：此处选择的是检测模型只是用于检查KEY是否正常可用状态

4.17-11.png

4.17-12.png

选择模型进行对话测试

4.17-13.png

4.17-14.png

3.MCP环境配置

说明：Cherry Studio 目前只使用内置的 uv 和 bun，不会复用系统中已经安装的 uv 和 bun。

3.1 安装方法一（推荐）

4.17-15.png

3.2 安装方法二

说明：可以将系统中的相对应命令使用软链接的方式链接到这里，如果没有对应目录，需要手动建立。也可以手动下载可执行文件放到这个目录下面：

Bun: <https://github.com/oven-sh/bun/releases>

UV: <https://github.com/astral-sh/uv/releases>

~/.cherrystudio/bin

3.3 验证环境

说明：UV和BUN均为绿色即表示环境安装成功

4.17-16.png

3.4 添加和使用MCP

说明：添加milvus-mcp-server支持两种方式，分别是图形化界面及json配置文件。

miluvs-mcp-server参数说明：

1./PATH/TO/uv

替换uv可执行命令的路径

2.--directory

替换刚才clone下来的项目的完整路径

3.--milvus-uri

替换部署的milvus的服务地址

{  
  "mcpServers": {
     "milvus": { 
       "command": "/PATH/TO/uv", 
       "args": [     
         "--directory",       
         "/path/to/mcp-server-milvus/src/mcp_server_milvus",      
         "run",  
         "server.py",      
         "--milvus-uri", 
         "http://127.0.0.1:19530"
        ]
      }
   }
}

3.4.1 点击添加MCP服务器

说明：包管理员可根据自身网络环境自行选择，保存后稍等几分钟即可完成MCP服务器添加。

4.17-17.png

4.17-18.png

4.17-19.png

4.测试效果

4.1 配置模型并打开MCP服务

4.17-20.png

4.17-21.png

4.2 测试对话

场景一：

请使用MCP工具milvus 帮我查询数据库中的集合有多少？

4.17-22.png

场景二：

请使用mcp工具milvus 创建一个新的collections名字是milvus并创建schema

4.17-22.png

请使用mcp工具milvus，查询刚才创建的新的Cooolctions所有信息

4.17-24.png

03

写在最后

通过本教程介绍的方案，我们大幅简化了配置过程。这不仅使AI应用开发更加平民化，也为构建真正实用的本地知识库应用铺平了道路。

技术的价值在于解决实际问题，希望这套高效的向量检索方案能够帮助更多开发者和用户构建出更智能、更高效的AI应用。

无论您是经验丰富的开发者，还是刚刚接触AI应用的新手，这套方案都能为您提供显著的效率提升和更好的用户体验。