VertexAI Search MCP 서버

“VertexAI Search” MCP 서버는 무엇을 하나요?

VertexAI Search MCP 서버는 AI 어시스턴트를 Google Vertex AI Search와 연결하여, Vertex AI Datastore에 저장된 비공개 데이터셋에서 정보를 검색하고 가져올 수 있도록 설계되었습니다. Gemini와 Vertex AI 그라운딩을 활용해 AI 응답의 품질과 정확도를 높이며, 독자적인 데이터에 기반한 검색 결과를 제공합니다. 하나 또는 여러 개의 Vertex AI 데이터 저장소와 통합할 수 있어, LLM 기반 워크플로우에 조직 맞춤형, 맥락적인 정보를 쉽게 추가할 수 있습니다. 이를 통해 개발자는 문서 검색, 지식 베이스 질의 자동화, 개발 및 운영 환경 내 기업 데이터 접근을 효율화할 수 있습니다.

프롬프트 목록

저장소에 프롬프트 템플릿이 명시되어 있지 않습니다.

리소스 목록

저장소에 별도의 리소스가 상세히 안내되어 있지 않습니다.

도구 목록

저장소나 server.py에 별도의 도구 목록이 제공되지 않습니다.

MCP 서버의 활용 사례

• 엔터프라이즈 검색 자동화: Vertex AI Search를 워크플로우에 통합하여 비공개 데이터셋에서 문서를 쿼리하고 검색하는 과정을 자동화하여 내부 정보 접근을 간소화합니다.
• 지식 베이스 확장: 조직 맞춤형 지식에 기반한 응답을 제공할 수 있도록 AI 어시스턴트를 강화해, 응답의 정확도를 높입니다.
• 데이터 기반 의사결정 지원: 개발자가 애플리케이션 개발 시 Vertex AI Datastore에서 적절한 데이터를 쉽게 찾아 활용할 수 있도록 하여, 근거 기반의 결정을 지원합니다.
• 맞춤형 AI 어시스턴트 개발: 도메인 특화 AI 에이전트를 구축해, 선별된 Vertex AI 데이터 저장소를 활용해 검색 및 맥락화된 답변을 제공합니다.

설치 방법

Windsurf

1. 시스템에 Python과 Docker가 설치되어 있는지 확인하세요.
2. 저장소를 클론합니다.
   git clone git@github.com:ubie-oss/mcp-vertexai-search.git
3. 가상 환경을 만들고 의존성을 설치합니다.

   uv venv  
   uv sync --all-extras
   

4. Windsurf 설정 파일에 MCP 서버 설정을 아래와 같이 추가하세요:

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

5. 저장하고 Windsurf를 재시작한 뒤 MCP 서버가 실행 중인지 확인하세요.

API 키 보안 설정 예시:

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

Claude

1. Python 환경과 의존성이 올바로 설치되어 있는지 확인하세요.
2. 위와 같이 저장소를 클론하고 설정합니다.
3. Claude 설정 파일에 MCP 서버를 추가하세요:

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

4. Claude를 재시작하고 서버 상태를 확인하세요.

API 키 보안 설정 예시:

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

Cursor

1. 필수 패키지를 설치하고 위와 같이 저장소를 설정하세요.
2. Cursor 설정 파일을 업데이트하세요:

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

3. 저장 후 Cursor를 재시작하고 동작을 확인하세요.

API 키 보안 설정 예시:

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

Cline

1. 위와 같이 저장소 설정 단계를 따르세요.
2. Cline 설정 파일을 수정하세요:

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

3. Cline을 재시작하고 서버가 정상 동작하는지 확인하세요.

API 키 보안 설정 예시:

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

플로우에서 MCP 사용 방법

FlowHunt에서 MCP 사용하기

FlowHunt 워크플로우에 MCP 서버를 통합하려면 MCP 컴포넌트를 플로우에 추가하고, 이를 AI 에이전트와 연결하세요.

MCP 컴포넌트를 클릭해 설정 패널을 엽니다. 시스템 MCP 설정 섹션에 아래와 같은 JSON 형식으로 MCP 서버 정보를 입력하세요:

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

설정이 완료되면, AI 에이전트는 MCP의 모든 기능과 역량을 도구로써 사용할 수 있게 됩니다. “vertexai-search"는 실제 MCP 서버의 이름으로, URL은 본인 MCP 서버의 주소로 변경해야 합니다.

개요

문서화 및 기능 노출의 완성도를 기준으로 볼 때, 이 MCP 서버는 Vertex AI Search와의 통합은 충실히 제공하지만 프롬프트, 리소스, 도구에 대한 상세 문서는 부족합니다. 설치 안내와 라이선스는 명확하나, 고급 MCP 기능에 대한 언급은 없습니다. 평점: 5/10

MCP 점수