VertexAI Search MCP Server

Co robi serwer MCP “VertexAI Search”?

VertexAI Search MCP Server został zaprojektowany do łączenia asystentów AI z Google Vertex AI Search, umożliwiając im wyszukiwanie i pobieranie informacji z prywatnych zbiorów danych przechowywanych w Vertex AI Datastore. Wykorzystując Gemini z uziemieniem na Vertex AI, serwer ten podnosi jakość i dokładność wyników wyszukiwania, opierając odpowiedzi AI na Twoich własnych danych. Obsługuje integrację z jednym lub wieloma sklepami danych Vertex AI, czyniąc z niego potężne narzędzie do wzbogacania przepływów pracy opartych na LLM o kontekstowe, firmowe informacje. Ta funkcjonalność pozwala programistom automatyzować wyszukiwanie dokumentów, zapytania do bazy wiedzy oraz usprawnia dostęp do danych firmowych w środowiskach deweloperskich i produkcyjnych.

Lista promptów

Brak szablonów promptów wymienionych w repozytorium.

Lista zasobów

Brak szczegółowych zasobów w repozytorium.

Lista narzędzi

Brak jawnej listy narzędzi w repozytorium ani w pliku server.py.

Przypadki użycia tego serwera MCP

• Automatyzacja wyszukiwania w przedsiębiorstwie: Zintegruj Vertex AI Search z przepływami pracy, aby automatyzować zapytania i pobieranie dokumentów z prywatnych zbiorów danych, usprawniając dostęp do informacji wewnętrznych.
• Wzbogacanie bazy wiedzy: Wzmacniaj asystentów AI możliwością odpowiadania na zapytania użytkowników na podstawie wiedzy specyficznej dla organizacji, zwiększając dokładność odpowiedzi.
• Podejmowanie decyzji opartych na danych: Pozwól programistom wydobywać istotne dane z Vertex AI Datastores podczas tworzenia aplikacji, wspierając decyzje oparte na dowodach.
• Tworzenie niestandardowych asystentów AI: Buduj agentów AI wyspecjalizowanych w danej dziedzinie, zdolnych do wyszukiwania i kontekstualizacji odpowiedzi przy użyciu wyselekcjonowanych sklepów danych Vertex AI.

Jak to skonfigurować

Windsurf

1. Upewnij się, że Python i Docker są zainstalowane na Twoim systemie.
2. Sklonuj repozytorium:
   git clone git@github.com:ubie-oss/mcp-vertexai-search.git
3. Utwórz środowisko wirtualne i zainstaluj zależności:

   uv venv  
   uv sync --all-extras
   

4. Dodaj konfigurację serwera MCP w pliku konfiguracyjnym Windsurf w następujący sposób:

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

5. Zapisz i zrestartuj Windsurf, a następnie sprawdź, czy serwer MCP działa.

Przykład zabezpieczenia kluczy API:

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

Claude

1. Upewnij się, że masz właściwe środowisko Pythona i zainstalowane zależności.
2. Sklonuj i skonfiguruj repozytorium jak powyżej.
3. Edytuj konfigurację Claude, aby dodać serwer MCP:

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

4. Zrestartuj Claude i sprawdź status serwera.

Przykład zabezpieczenia kluczy API:

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

Cursor

1. Zainstaluj wymagane składniki i skonfiguruj repozytorium jak powyżej.
2. Zaktualizuj plik konfiguracyjny Cursor:

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

3. Zapisz, zrestartuj Cursor i sprawdź działanie.

Przykład zabezpieczenia kluczy API:

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

Cline

1. Wykonaj kroki konfiguracji repozytorium jak powyżej.
2. Zmodyfikuj konfigurację Cline:

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

3. Zrestartuj Cline i upewnij się, że serwer jest aktywny.

Przykład zabezpieczenia kluczy API:

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

Jak używać tego MCP w przepływach

Używanie MCP w FlowHunt

Aby zintegrować serwery MCP w swoim workflow FlowHunt, rozpocznij od dodania komponentu MCP do swojego przepływu i podłączenia go do agenta AI:

Kliknij komponent MCP, aby otworzyć panel konfiguracji. W sekcji konfiguracji systemowej MCP wklej dane serwera MCP w tym formacie JSON:

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

Po zapisaniu konfiguracji agent AI może korzystać z tego MCP jako narzędzia ze wszystkimi jego funkcjami i możliwościami. Pamiętaj, aby zamienić “vertexai-search” na faktyczną nazwę swojego serwera MCP oraz podać własny adres URL serwera MCP.

Przegląd

Na podstawie kompletności dokumentacji i ekspozycji funkcjonalności, ten serwer MCP zapewnia solidną integrację z Vertex AI Search, ale brakuje szczegółowej dokumentacji dotyczącej promptów, zasobów i narzędzi. Instrukcje konfiguracji i licencjonowanie są jasne, ale zaawansowane funkcje MCP nie są omówione. Ocena: 5/10

Ocena MCP