VertexAI Search MCP Server

Co dělá “VertexAI Search” MCP Server?

VertexAI Search MCP Server je navržen pro propojení AI asistentů s Google Vertex AI Search, čímž jim umožňuje vyhledávat a získávat informace ze soukromých datasetů uložených ve Vertex AI Datastore. Díky využití Gemini s uzemněním ve Vertex AI tento server zvyšuje kvalitu a přesnost výsledků vyhledávání tím, že odpovědi AI zakládá na vašich firemních datech. Podporuje integraci s jedním nebo více datovými úložišti Vertex AI, což z něj činí výkonný nástroj pro rozšiřování workflowů poháněných LLM o kontextuálně relevantní, specifické informace vaší organizace. Tato schopnost umožňuje vývojářům automatizovat vyhledávání v dokumentech, dotazy do znalostních bází a zjednodušuje přístup k podnikovým datům ve vývojových i produkčních prostředích.

Seznam promptů

V repozitáři nejsou uvedeny žádné šablony promptů.

Seznam zdrojů

V repozitáři nejsou uvedeny žádné konkrétní zdroje.

Seznam nástrojů

V repozitáři ani v server.py není uveden explicitní seznam nástrojů.

Případy použití tohoto MCP serveru

• Automatizace firemního vyhledávání: Integrujte Vertex AI Search do workflowů a automatizujte dotazování a vyhledávání dokumentů ze soukromých datasetů, čímž zefektivníte interní přístup k informacím.
• Rozšíření znalostní báze: Vylepšete AI asistenty schopností odpovídat na dotazy uživatelů na základě znalostí specifických pro vaši organizaci a zvýšíte tak přesnost odpovědí.
• Rozhodování na základě dat: Umožněte vývojářům během vývoje aplikací získávat relevantní data z Vertex AI Datastore a podpořte tak rozhodování založené na důkazech.
• Vývoj vlastního AI asistenta: Stavte doménově specifické AI agenty s možností vyhledávání a kontextualizace odpovědí pomocí kurátorovaných datových úložišť Vertex AI.

Jak ho nastavit

Windsurf

1. Ujistěte se, že máte na systému nainstalovaný Python a Docker.
2. Naklonujte repozitář:
   git clone git@github.com:ubie-oss/mcp-vertexai-search.git
3. Vytvořte virtuální prostředí a nainstalujte závislosti:

   uv venv  
   uv sync --all-extras
   

4. Přidejte konfiguraci MCP serveru do konfiguračního souboru Windsurf následovně:

   {
     "mcpServers": {
       "vertexai-search": {
         "command": "uv",
         "args": ["run", "mcp-vertexai-search"]
       }
     }
   }
   

5. Uložte a restartujte Windsurf, poté ověřte, že MCP server běží.

Příklad zabezpečení API klíčů:

{
  "mcpServers": {
    "vertexai-search": {
      "env": {
        "GOOGLE_APPLICATION_CREDENTIALS": "/cesta/k/vašemu/credentials.json"
      },
      "inputs": {}
    }
  }
}

Claude

1. Zajistěte správné prostředí Python a nainstalujte závislosti.
2. Naklonujte a nastavte repozitář dle výše uvedených kroků.
3. Upravte konfiguraci Claude pro přidání MCP serveru:

   {
     "mcpServers": {
       "vertexai-search": {
         "command": "uv",
         "args": ["run", "mcp-vertexai-search"]
       }
     }
   }
   

4. Restartujte Claude a ověřte stav serveru.

Příklad zabezpečení API klíčů:

{
  "mcpServers": {
    "vertexai-search": {
      "env": {
        "GOOGLE_APPLICATION_CREDENTIALS": "/cesta/k/vašemu/credentials.json"
      },
      "inputs": {}
    }
  }
}

Cursor

1. Nainstalujte potřebné závislosti a nastavte repozitář dle výše uvedeného postupu.
2. Aktualizujte konfigurační soubor Cursor:

   {
     "mcpServers": {
       "vertexai-search": {
         "command": "uv",
         "args": ["run", "mcp-vertexai-search"]
       }
     }
   }
   

3. Uložte, restartujte Cursor a ověřte správnou funkčnost.

Příklad zabezpečení API klíčů:

{
  "mcpServers": {
    "vertexai-search": {
      "env": {
        "GOOGLE_APPLICATION_CREDENTIALS": "/cesta/k/vašemu/credentials.json"
      },
      "inputs": {}
    }
  }
}

Cline

1. Postupujte podle kroků pro nastavení repozitáře výše.
2. Upravte konfiguraci Cline:

   {
     "mcpServers": {
       "vertexai-search": {
         "command": "uv",
         "args": ["run", "mcp-vertexai-search"]
       }
     }
   }
   

3. Restartujte Cline a ověřte, že je server aktivní.

Příklad zabezpečení API klíčů:

{
  "mcpServers": {
    "vertexai-search": {
      "env": {
        "GOOGLE_APPLICATION_CREDENTIALS": "/cesta/k/vašemu/credentials.json"
      },
      "inputs": {}
    }
  }
}

Jak používat tento MCP uvnitř flow

Použití MCP ve FlowHunt

Chcete-li integrovat MCP servery do svého workflow ve FlowHunt, začněte přidáním MCP komponenty do svého flow a připojte ji ke svému AI agentovi:

Klikněte na MCP komponentu pro otevření konfiguračního panelu. V sekci systémové konfigurace MCP vložte detaily svého MCP serveru v tomto JSON formátu:

{
  "vertexai-search": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

Po konfiguraci bude mít AI agent možnost používat tento MCP jako nástroj se všemi jeho funkcemi a schopnostmi. Nezapomeňte změnit “vertexai-search” na skutečný název vašeho MCP serveru a URL nahradit adresou vašeho vlastního MCP serveru.

Přehled

Na základě úplnosti dokumentace a přehledu funkcí tento MCP server nabízí solidní integraci pro Vertex AI Search, ale postrádá detailní dokumentaci promptů, zdrojů a nástrojů. Instrukce k instalaci i licencování jsou jasné, avšak pokročilé MCP funkce nejsou diskutovány. Hodnocení: 5/10

MCP Skóre