Servidor MCP de VertexAI Search

¿Qué hace el Servidor MCP de “VertexAI Search”?

El Servidor MCP de VertexAI Search está diseñado para conectar asistentes de IA con Google Vertex AI Search, permitiéndoles buscar y recuperar información de conjuntos de datos privados almacenados en Vertex AI Datastore. Al aprovechar Gemini con fundamentación de Vertex AI, este servidor mejora la calidad y precisión de los resultados de búsqueda al fundamentar las respuestas de IA en tus datos propietarios. Admite la integración con uno o varios almacenes de datos de Vertex AI, lo que lo convierte en una herramienta poderosa para aumentar los flujos de trabajo impulsados por LLM con información relevante y específica de la organización. Esta capacidad permite a los desarrolladores automatizar la búsqueda de documentos, consultas a la base de conocimiento y agilizar el acceso a datos empresariales en entornos de desarrollo y producción.

Lista de Prompts

No se mencionan plantillas de prompt en el repositorio.

Lista de Recursos

No se detallan recursos específicos en el repositorio.

Lista de Herramientas

No se proporciona una lista explícita de herramientas en el repositorio ni en server.py.

Casos de Uso de este Servidor MCP

• Automatización de la Búsqueda Empresarial: Integra Vertex AI Search en los flujos de trabajo para automatizar la consulta y recuperación de documentos desde conjuntos de datos privados, agilizando el acceso interno a la información.
• Aumento de la Base de Conocimiento: Mejora los asistentes de IA con la capacidad de responder consultas fundamentadas en el conocimiento específico de la organización, mejorando la precisión de las respuestas.
• Toma de Decisiones Basada en Datos: Permite a los desarrolladores mostrar datos relevantes de Vertex AI Datastores durante el desarrollo de aplicaciones, apoyando decisiones basadas en evidencia.
• Desarrollo de Asistentes de IA Personalizados: Construye agentes de IA específicos de dominio capaces de buscar y contextualizar respuestas usando almacenes de datos curados de Vertex AI.

Cómo configurarlo

Windsurf

1. Asegúrate de tener Python y Docker instalados en tu sistema.
2. Clona el repositorio:
   git clone git@github.com:ubie-oss/mcp-vertexai-search.git
3. Crea un entorno virtual e instala las dependencias:

   uv venv  
   uv sync --all-extras
   

4. Agrega la configuración del servidor MCP en el archivo de configuración de Windsurf así:

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

5. Guarda y reinicia Windsurf, luego verifica que el servidor MCP esté en funcionamiento.

Ejemplo para asegurar las claves API:

{
  "mcpServers": {
    "vertexai-search": {
      "env": {
        "GOOGLE_APPLICATION_CREDENTIALS": "/ruta/a/tus/credenciales.json"
      },
      "inputs": {}
    }
  }
}

Claude

1. Asegúrate de tener el entorno de Python adecuado y las dependencias instaladas.
2. Clona y configura el repositorio como arriba.
3. Edita la configuración de Claude para agregar el servidor MCP:

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

4. Reinicia Claude y verifica el estado del servidor.

Ejemplo para asegurar las claves API:

{
  "mcpServers": {
    "vertexai-search": {
      "env": {
        "GOOGLE_APPLICATION_CREDENTIALS": "/ruta/a/tus/credenciales.json"
      },
      "inputs": {}
    }
  }
}

Cursor

1. Instala los prerrequisitos y configura el repositorio como se indicó anteriormente.
2. Actualiza el archivo de configuración de Cursor:

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

3. Guarda, reinicia Cursor y verifica el funcionamiento.

Ejemplo para asegurar las claves API:

{
  "mcpServers": {
    "vertexai-search": {
      "env": {
        "GOOGLE_APPLICATION_CREDENTIALS": "/ruta/a/tus/credenciales.json"
      },
      "inputs": {}
    }
  }
}

Cline

1. Sigue los pasos para la configuración del repositorio como arriba.
2. Modifica la configuración de Cline:

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

3. Reinicia Cline y confirma que el servidor esté activo.

Ejemplo para asegurar las claves API:

{
  "mcpServers": {
    "vertexai-search": {
      "env": {
        "GOOGLE_APPLICATION_CREDENTIALS": "/ruta/a/tus/credenciales.json"
      },
      "inputs": {}
    }
  }
}

Cómo usar este MCP dentro de los flujos

Uso de MCP en FlowHunt

Para integrar servidores MCP en tu flujo de trabajo de FlowHunt, comienza agregando el componente MCP a tu flujo y conectándolo a tu agente de IA:

Haz clic en el componente MCP para abrir el panel de configuración. En la sección de configuración del sistema MCP, inserta los detalles de tu servidor MCP usando este formato JSON:

{
  "vertexai-search": {
    "transport": "streamable_http",
    "url": "https://tuservidormcp.ejemplo/rutamcp/url"
  }
}

Una vez configurado, el agente de IA podrá usar este MCP como herramienta con acceso a todas sus funciones y capacidades. Recuerda cambiar “vertexai-search” por el nombre real de tu servidor MCP y sustituir la URL por la de tu propio servidor MCP.

Descripción General

Según la completitud de la documentación y exposición de características, este servidor MCP brinda una integración sólida para Vertex AI Search pero carece de documentación detallada sobre prompts, recursos y herramientas. Las instrucciones de instalación y licencia son claras, pero no se discuten funciones avanzadas de MCP. Calificación: 5/10

Puntuación MCP