Serveur MCP VertexAI Search

Que fait le serveur MCP “VertexAI Search” ?

Le serveur MCP VertexAI Search est conçu pour connecter les assistants IA à Google Vertex AI Search, leur permettant d’interroger et de récupérer des informations à partir de jeux de données privés stockés dans Vertex AI Datastore. En exploitant Gemini avec l’ancrage Vertex AI, ce serveur améliore la qualité et la précision des résultats de recherche en ancrant les réponses IA dans vos propres données. Il prend en charge l’intégration avec un ou plusieurs data stores Vertex AI, ce qui en fait un outil puissant pour enrichir les workflows pilotés par LLM avec des informations contextuelles spécifiques à l’organisation. Cette capacité permet aux développeurs d’automatiser la recherche documentaire, les requêtes sur les bases de connaissances et de fluidifier l’accès aux données d’entreprise dans les environnements de développement et de production.

Liste des invites

Aucun modèle d’invite n’est mentionné dans le dépôt.

Liste des ressources

Aucune ressource spécifique n’est détaillée dans le dépôt.

Liste des outils

Aucune liste explicite d’outils n’est fournie dans le dépôt ou dans server.py.

Cas d’utilisation de ce serveur MCP

• Automatisation de la recherche d’entreprise : Intégrez Vertex AI Search dans les workflows pour automatiser l’interrogation et la récupération de documents à partir de jeux de données privés, simplifiant ainsi l’accès à l’information interne.
• Enrichissement de la base de connaissances : Améliorez les assistants IA avec la capacité de répondre à des requêtes utilisateurs ancrées dans la connaissance propre à l’organisation, augmentant la précision des réponses.
• Prise de décision basée sur les données : Permettez aux développeurs de faire remonter des données pertinentes depuis Vertex AI Datastores lors du développement d’applications, pour favoriser des décisions fondées sur des preuves.
• Développement d’assistants IA personnalisés : Créez des agents IA spécialisés, capables de rechercher et de contextualiser les réponses en utilisant des data stores Vertex AI sélectionnés.

Comment le configurer

Windsurf

1. Assurez-vous que Python et Docker sont installés sur votre système.
2. Clonez le dépôt :
   git clone git@github.com:ubie-oss/mcp-vertexai-search.git
3. Créez un environnement virtuel et installez les dépendances :

   uv venv  
   uv sync --all-extras
   

4. Ajoutez la configuration du serveur MCP dans le fichier de configuration Windsurf comme suit :

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

5. Sauvegardez et redémarrez Windsurf, puis vérifiez que le serveur MCP fonctionne.

Exemple de sécurisation des clés API :

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

Claude

1. Assurez-vous que l’environnement Python et les dépendances sont installés.
2. Clonez et préparez le dépôt comme ci-dessus.
3. Modifiez la configuration de Claude pour ajouter le serveur MCP :

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

4. Redémarrez Claude et vérifiez l’état du serveur.

Exemple de sécurisation des clés API :

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

Cursor

1. Installez les prérequis et préparez le dépôt comme expliqué ci-dessus.
2. Mettez à jour le fichier de configuration de Cursor :

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

3. Sauvegardez, redémarrez Cursor et vérifiez le fonctionnement.

Exemple de sécurisation des clés API :

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

Cline

1. Suivez les étapes de préparation du dépôt ci-dessus.
2. Modifiez la configuration de Cline :

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

3. Redémarrez Cline et vérifiez que le serveur est actif.

Exemple de sécurisation des clés API :

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

Comment utiliser ce MCP dans les flows

Utiliser MCP dans FlowHunt

Pour intégrer des serveurs MCP dans votre workflow FlowHunt, commencez par ajouter le composant MCP à votre flow et connectez-le à votre agent IA :

Cliquez sur le composant MCP pour ouvrir le panneau de configuration. Dans la section configuration système MCP, saisissez les détails de votre serveur MCP en utilisant ce format JSON :

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

Une fois configuré, l’agent IA peut alors utiliser ce MCP comme un outil avec accès à toutes ses fonctions et capacités. N’oubliez pas de remplacer “vertexai-search” par le nom réel de votre serveur MCP et l’URL par l’adresse de votre serveur MCP.

Aperçu

En se basant sur l’exhaustivité de la documentation et l’exposition des fonctionnalités, ce serveur MCP offre une intégration solide pour Vertex AI Search mais manque de documentation détaillée sur les invites, ressources et outils. Les instructions d’installation et la licence sont claires, mais les fonctionnalités MCP avancées ne sont pas abordées. Note : 5/10

Score MCP