VertexAI Search MCP-server

Hva gjør “VertexAI Search” MCP-server?

VertexAI Search MCP-server er laget for å koble AI-assistenter til Google Vertex AI Search, slik at de kan søke og hente informasjon fra private datasett lagret i Vertex AI Datastore. Ved å utnytte Gemini med Vertex AI-forankring forbedrer denne serveren kvaliteten og nøyaktigheten på søkeresultater ved å forankre AI-svar i dine egne data. Den støtter integrasjon med ett eller flere Vertex AI-datalagre, og er et kraftig verktøy for å utvide LLM-drevne arbeidsflyter med kontekstuelt relevant, organisasjonsspesifikk informasjon. Denne muligheten gir utviklere kraft til å automatisere dokumentsøk, kunnskapsbaseforespørsler og effektivisere tilgangen til bedriftsdata i både utviklings- og produksjonsmiljøer.

Liste over prompt-maler

Ingen prompt-maler er nevnt i depotet.

Liste over ressurser

Ingen spesifikke ressurser er detaljert i depotet.

Liste over verktøy

Ingen eksplisitt liste over verktøy er oppgitt i depotet eller i server.py.

Bruksområder for denne MCP-serveren

• Automatisering av bedriftsøk: Integrer Vertex AI Search i arbeidsflyter for å automatisere søk og uthenting av dokumenter fra private datasett, og effektivisere intern informasjonsflyt.
• Utvidelse av kunnskapsbase: Gi AI-assistenter muligheten til å svare på brukerforespørsler forankret i organisasjonens egen kunnskap, for bedre svarnøyaktighet.
• Datadrevet beslutningstaking: Gi utviklere mulighet til å hente frem relevant data fra Vertex AI Datastores under applikasjonsutvikling, og støtte beslutninger basert på bevis.
• Utvikling av skreddersydde AI-assistenter: Bygg domene­spesifikke AI-agenter som kan søke og kontekstualisere svar med utvalgte Vertex AI-datalagre.

Slik setter du det opp

Windsurf

1. Sørg for at Python og Docker er installert på systemet ditt.
2. Klon depotet:
   git clone git@github.com:ubie-oss/mcp-vertexai-search.git
3. Opprett et virtuelt miljø og installer avhengigheter:

   uv venv  
   uv sync --all-extras
   

4. Legg til MCP-serverkonfigurasjonen i Windsurf-konfigurasjonsfilen slik:

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

5. Lagre og start Windsurf på nytt, og verifiser at MCP-serveren kjører.

Eksempel på sikring av API-nøkler:

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

Claude

1. Sørg for at riktig Python-miljø og avhengigheter er installert.
2. Klon og sett opp depotet som over.
3. Rediger Claude-konfigurasjonen for å legge til MCP-serveren:

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

4. Start Claude på nytt og sjekk serverstatus.

Eksempel på sikring av API-nøkler:

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

Cursor

1. Installer nødvendige forutsetninger og sett opp depotet som beskrevet over.
2. Oppdater Cursor-konfigurasjonsfilen:

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

3. Lagre, start Cursor på nytt og verifiser at alt fungerer.

Eksempel på sikring av API-nøkler:

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

Cline

1. Følg trinnene for oppsett av depotet som over.
2. Endre Cline-konfigurasjonen:

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

3. Start Cline på nytt og bekreft at serveren er aktiv.

Eksempel på sikring av API-nøkler:

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

Slik bruker du denne MCP-en i flows

Bruke MCP i FlowHunt

For å integrere MCP-servere i din FlowHunt-arbeidsflyt, start med å legge til MCP-komponenten i flow-en din og koble den til AI-agenten din:

Klikk på MCP-komponenten for å åpne konfigurasjonspanelet. I systemets MCP-konfigurasjonsseksjon limer du inn MCP-serverdetaljene dine i dette JSON-formatet:

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

Når dette er konfigurert, kan AI-agenten bruke denne MCP-en som et verktøy med tilgang til alle dens funksjoner og muligheter. Husk å endre “vertexai-search” til det faktiske navnet på din MCP-server og bytt ut URL-en med din egen MCP-server-URL.

Oversikt

Basert på dokumentasjonens fullstendighet og funksjonseksponering gir denne MCP-serveren en solid integrasjon for Vertex AI Search, men mangler detaljert dokumentasjon om prompt-maler, ressurser og verktøy. Oppsettinstruksjonene og lisensene er tydelige, men avanserte MCP-funksjoner er ikke omtalt. Vurdering: 5/10

MCP-score