VertexAI Search MCP Server

Hvad gør “VertexAI Search” MCP Server?

VertexAI Search MCP Server er designet til at forbinde AI-assistenter med Google Vertex AI Search, så de kan søge og hente information fra private datasæt, der er gemt i Vertex AI Datastore. Ved at udnytte Gemini sammen med Vertex AI grounding, forbedrer denne server kvaliteten og nøjagtigheden af søgeresultater ved at forankre AI-svar i dine egne data. Den understøtter integration med én eller flere Vertex AI datastores og er dermed et stærkt værktøj til at udvide LLM-baserede arbejdsgange med kontekstuel, organisationsspecifik information. Denne funktionalitet gør det muligt for udviklere at automatisere dokumentsøgning, forespørgsler i vidensbaser og strømline adgang til virksomhedsdata i både udviklings- og produktionsmiljøer.

Liste over Prompts

Ingen prompt-skabeloner er nævnt i repositoryet.

Klar til at vokse din virksomhed?

Start din gratis prøveperiode i dag og se resultater inden for få dage.

Anmod om demo Log ind

Liste over Ressourcer

Ingen specifikke ressourcer er beskrevet i repositoryet.

Liste over Værktøjer

Ingen eksplicit liste over værktøjer er angivet i repositoryet eller i server.py.

Tilmeld dig vores nyhedsbrev

Få de seneste tips, trends og tilbud gratis.

E-mailadresse

Tilmeld

Anvendelsestilfælde for denne MCP Server

• Automatisering af virksomhedssøgning: Integrér Vertex AI Search i arbejdsgange for at automatisere forespørgsler og hentning af dokumenter fra private datasæt og effektivisere intern informationsadgang.
• Udvidelse af vidensbase: Giv AI-assistenter mulighed for at besvare brugerspørgsmål forankret i organisationsspecifik viden og forbedre svartilfældets nøjagtighed.
• Datadrevet beslutningstagning: Muliggør, at udviklere kan fremfinde relevant data fra Vertex AI Datastores under applikationsudvikling og understøtte beslutninger på et evidensbaseret grundlag.
• Udvikling af brugerdefinerede AI-assistenter: Byg domænespecifikke AI-agenter, der kan søge og sætte svar i kontekst ved at bruge kuraterede Vertex AI datastores.

Sådan opsættes det

Windsurf

1. Sørg for, at Python og Docker er installeret på dit system.
2. Klon repositoryet:
   git clone git@github.com:ubie-oss/mcp-vertexai-search.git
3. Opret et virtuelt miljø og installer afhængigheder:

   uv venv  
   uv sync --all-extras
   

4. Tilføj MCP server-konfigurationen i Windsurf-konfigurationsfilen således:

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

5. Gem og genstart Windsurf, og verificer at MCP-serveren kører.

Eksempel på sikring af API-nøgler:

{
  "mcpServers": {
    "vertexai-search": {
      "env": {
        "GOOGLE_APPLICATION_CREDENTIALS": "/path/to/your/credentials.json"
      },
      "inputs": {}
    }
  }
}

Claude

1. Sørg for, at det rigtige Python-miljø og nødvendige afhængigheder er installeret.
2. Klon og opsæt repositoryet som ovenfor.
3. Redigér Claude-konfigurationen for at tilføje MCP-serveren:

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

4. Genstart Claude og tjek server-status.

Eksempel på sikring af API-nøgler:

{
  "mcpServers": {
    "vertexai-search": {
      "env": {
        "GOOGLE_APPLICATION_CREDENTIALS": "/path/to/your/credentials.json"
      },
      "inputs": {}
    }
  }
}

Cursor

1. Installer forudsætninger og opsæt repositoryet som beskrevet ovenfor.
2. Opdatér Cursor-konfigurationsfilen:

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

3. Gem, genstart Cursor, og verificer driften.

Eksempel på sikring af API-nøgler:

{
  "mcpServers": {
    "vertexai-search": {
      "env": {
        "GOOGLE_APPLICATION_CREDENTIALS": "/path/to/your/credentials.json"
      },
      "inputs": {}
    }
  }
}

Cline

1. Følg opsætningsvejledningen for repositoryet som ovenfor.
2. Redigér Cline-konfigurationen:

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

3. Genstart Cline og bekræft, at serveren er aktiv.

Eksempel på sikring af API-nøgler:

{
  "mcpServers": {
    "vertexai-search": {
      "env": {
        "GOOGLE_APPLICATION_CREDENTIALS": "/path/to/your/credentials.json"
      },
      "inputs": {}
    }
  }
}

Sådan bruges denne MCP i flows

Brug af MCP i FlowHunt

For at integrere MCP-servere i dit FlowHunt workflow skal du starte med at tilføje MCP-komponenten til dit flow og forbinde den til din AI-agent:

Klik på MCP-komponenten for at åbne konfigurationspanelet. Indsæt dine MCP server-detaljer i systemets MCP-konfigurationssektion ved at bruge dette JSON-format:

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

Når dette er konfigureret, kan AI-agenten nu bruge denne MCP som et værktøj med adgang til alle dens funktioner og muligheder. Husk at ændre “vertexai-search” til navnet på din MCP-server og erstatte URL’en med din egen MCP-server-URL.

Oversigt

Baseret på fuldstændigheden af dokumentation og feature-eksponering leverer denne MCP-server en solid integration til Vertex AI Search, men mangler detaljeret dokumentation om prompts, ressourcer og værktøjer. Opsætningsinstrukser og licensering er klare, men avancerede MCP-funktioner er ikke diskuteret. Bedømmelse: 5/10

MCP-score