新闻详情

新闻详情

首页 / 资讯中心 / 详情

Redis官方MCP Server实操:部署、接入与安全边界

发布时间:2026/11/18 6:44:28来源:尧图网络
Redis官方MCP Server实操:部署、接入与安全边界
Redis 官方在 AI 方向连续放出两个开源项目官方 MCP 服务mcp-redis让 AI 直接读写 Redis官方技能包agent-skills把 Redis 团队沉淀的最佳实践打包成 AI 可加载的指令。两者配合 Claude Code 使用用自然语言就能操作数据库。两个项目分别解决什么MCPModel Context Protocol是让 AI 访问外部数据和工具的标准协议。mcp-redis是 Redis 官方推出的 MCP 服务实现相当于给 AI 一套现成的 Redis 操作工具装上之后可以用自然语言直接操作 Redis比如“缓存这个数据1 小时后过期”“数据库里现在有多少个 key”。工具覆盖面很广String、Hash、List、Set、Sorted Set、Stream、Pub/Sub、JSON 这些常用数据类型都有对应工具还支持向量索引和向量搜索另外提供查询服务器状态、搜索官方文档的能力。在 Claude Code 里执行/mcp可以看到它一共提供了 47 个工具。agent-skills是 Redis 官方维护的技能合集把团队最佳实践整理成 8 个技能技能内容redis-core数据结构选型、key 命名规范、内存与 TTL、JSON vs Hashredis-connections连接池、多路复用、pipeline、超时与慢命令redis-search搜索与聚合、向量相似度HNSW/FLAT、混合检索、RAGredis-semantic-cacheLangCache 语义缓存、相似度阈值调优redis-clusteringhash tag、避免 CROSSSLOT、副本读取redis-security认证与 TLS、ACL 最小权限、命令重命名redis-observabilityINFO 指标、SLOWLOG、MEMORY DOCTOR、Redis Insightiris-developmentRedis Agent MemoryIris的接入两者关系可以这样理解MCP 相当于 AI 的手提供读写 Redis 的执行通道解决“能不能操作”Skill 不执行任何命令相当于 AI 的脑在干活时把官方最佳实践加载进来解决“操作得专不专业”。部署uv 加 cc-switch第一步装 uv。mcp-redis是 Python 生态项目发布在 PyPI 上官方推荐用uvx运行它是 uv 自带的命令可以理解为 Python 版的 npx。Windows 下可以直接winget install astral-sh.uv第二步起一个本地 Redis没有现成实例时用 Docker 最快docker run --name redis8 -p 6379:6379 -d redis:8.0第三步配置 MCP。资料里用的是 cc-switch——一款统一管理 Claude Code、Codex、Gemini CLI 配置的开源工具可以在图形界面维护 MCP 配置并一键同步到各个 AI 工具省去手改配置文件。进入 MCP 管理面板添加一项名称填redis-mcp类型选stdioJSON 配置如下{ type: stdio, command: uvx, args: [ --from, redis-mcp-serverlatest, --with, mcp2, redis-mcp-server, --url, redis://192.168.3.101:6379/0 ] }--url按自己的 Redis 地址修改。--with mcp2这一行别漏当前版本的 redis-mcp-server 和刚发布的 SDK 2.0 不兼容不加会启动报错等官方适配后可以去掉。勾选启用到 Claude 应用并保存即可。回到 Claude Code 输入/mcp查看状态显示connected就说明装好了首次连接时 uvx 会自动下载依赖稍等片刻。Skill 安装Skill 安装更简单官方支持通过 Agent Skills CLI 完成需要本地有 Node.js 环境一行命令npx skills add redis/agent-skills执行后会列出仓库里的 8 个技能按提示选择要安装的技能和目标工具比如 Claude Code。三个使用案例自然语言存查数据。直接说“帮我把用户张三的信息存到 Redis 里姓名张三年龄 28邮箱 zhangsanexample.com”。Claude Code 会自动调用 MCP 的json_set工具用user:zhangsan这样规范的 key 存成 JSON 结构存完自动调用json_get回显确认。再问“张三的邮箱是多少数据库里现在一共有多少个 key”它会调用对应查询工具并把结果整理成自然语言回复全程不写一行代码。带过期时间的缓存。说“把这次会话的摘要缓存到 Rediskey 用 session:demo1 小时后自动过期”它会调用json_set存入并附带过期参数之后还能让它用 TTL 确认剩余时间。让 Skill 指导选型。问“我要做一个游戏排行榜实时按分数排名用 Redis 的什么数据结构合适帮我把示例数据写进去”。Claude Code 会基于 redis-core 技能回答排行榜适合用 Sorted Set它天然按分数排序支持 ZADD/ZINCRBY 更新分数、ZREVRANGE 取降序 Top N并按game:demo:leaderboard规范命名 key最后调用 MCP 工具把示例数据真实写入 Redis。安全与权限官方资料中与安全直接相关的是 redis-security 技能它覆盖三类主题认证与 TLS、ACL 最小权限、命令重命名。也就是说加载这个技能后AI 在处理安全相关任务时会按这套实践办事。以下是工程分析不属于官方资料MCP 给 AI 的是一条直连 Redis 的通道--url指向哪个库AI 就能在哪个库上执行工具覆盖范围内的操作。部署时值得把 MCP 指向专用实例或专用库、按最小权限准备连接凭证而不是直接挂生产主库同时把redis-security技能一并装上让安全实践在 AI 执行前被加载。和自建工具调用的差异工程分析自己写一套“让模型调 Redis”的工具并不难但要自己定义工具 schema、自己封装各类命令、自己维护 key 命名与数据结构选型的约束模型对 Redis 的理解也不会天然对齐官方实践。mcp-redis的价值在于 47 个工具开箱即用、覆盖主要数据类型与向量检索agent-skills的价值在于把选型、命名、连接、集群、安全、可观测这些经验固化成 AI 可加载的指令。工具管“能做”技能管“做对”。Redis 的 AI 布局能力说明向量搜索原生支持 HNSW/FLAT 索引KNN 与范围查询还有轻量的 Vector Set 类型LangCache语义缓存服务相似问题直接复用 LLM 响应降低 API 成本Agent Memory给 AI Agent 提供会话记忆 长期记忆REST API 和 SDK 接入Context Retriever把业务数据封装成 Agent 可靠调用的受管工具RedisVL面向 AI 应用的 Python 向量库 SDK框架集成LangChain、LangGraph、LlamaIndex、Semantic Kernel 等主流框架均有官方集成Redis Cloud MCP用自然语言管理 Redis Cloud 上的订阅和数据库资源项目地址Redis MCP 为 github.com/redis/mcp-redisRedis Skill 为 github.com/redis/agent-skills。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/17 19:43:34

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/17 6:55:04

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/17 19:43:32

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉