Servidor MCP do VertexAI Search

O que faz o Servidor MCP do “VertexAI Search”?

O Servidor MCP do VertexAI Search foi projetado para conectar assistentes de IA ao Google Vertex AI Search, permitindo que pesquisem e recuperem informações de conjuntos de dados privados armazenados no Vertex AI Datastore. Ao aproveitar o Gemini com o grounding do Vertex AI, este servidor aprimora a qualidade e precisão dos resultados de busca ao fundamentar as respostas da IA em seus dados proprietários. Ele suporta integração com um ou vários armazenamentos de dados do Vertex AI, tornando-se uma ferramenta poderosa para aumentar fluxos de trabalho impulsionados por LLMs com informações contextualmente relevantes e específicas da organização. Essa capacidade permite que desenvolvedores automatizem buscas de documentos, consultas a bases de conhecimento e otimizem o acesso a dados empresariais em ambientes de desenvolvimento e produção.

Lista de Prompts

Nenhum modelo de prompt é mencionado no repositório.

Pronto para expandir seu negócio?

Comece seu teste gratuito hoje e veja resultados em dias.

Solicitar demo Entrar

Lista de Recursos

Nenhum recurso específico é detalhado no repositório.

Lista de Ferramentas

Nenhuma lista explícita de ferramentas é fornecida no repositório ou em server.py.

Junte-se à nossa newsletter

Receba gratuitamente as últimas dicas, tendências e ofertas.

Endereço de e-mail

Inscrever-se

Casos de Uso deste Servidor MCP

• Automação de Busca Empresarial: Integre o Vertex AI Search em fluxos de trabalho para automatizar a consulta e recuperação de documentos em conjuntos de dados privados, facilitando o acesso interno à informação.
• Aumento de Base de Conhecimento: Aprimore assistentes de IA com a capacidade de responder a perguntas dos usuários fundamentadas no conhecimento específico da organização, aumentando a precisão das respostas.
• Tomada de Decisão Orientada por Dados: Permita que desenvolvedores destaquem dados relevantes dos Datastores do Vertex AI durante o desenvolvimento de aplicações, apoiando decisões baseadas em evidências.
• Desenvolvimento de Assistentes de IA Personalizados: Construa agentes de IA específicos de domínio capazes de pesquisar e contextualizar respostas usando armazenamentos de dados do Vertex AI selecionados.

Como configurar

Windsurf

1. Certifique-se de que Python e Docker estão instalados em seu sistema.
2. Clone o repositório:
   git clone git@github.com:ubie-oss/mcp-vertexai-search.git
3. Crie um ambiente virtual e instale as dependências:

   uv venv  
   uv sync --all-extras
   

4. Adicione a configuração do servidor MCP no arquivo de configuração do Windsurf conforme abaixo:

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

5. Salve e reinicie o Windsurf, depois verifique se o servidor MCP está em execução.

Exemplo de Proteção de Chaves de API:

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

Claude

1. Certifique-se de que o ambiente Python apropriado e as dependências estejam instalados.
2. Clone e configure o repositório como acima.
3. Edite a configuração do Claude para adicionar o servidor MCP:

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

4. Reinicie o Claude e verifique o status do servidor.

Exemplo de Proteção de Chaves de API:

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

Cursor

1. Instale os pré-requisitos e configure o repositório conforme descrito acima.
2. Atualize o arquivo de configuração do Cursor:

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

3. Salve, reinicie o Cursor e verifique a operação.

Exemplo de Proteção de Chaves de API:

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

Cline

1. Siga os passos para configuração do repositório como acima.
2. Modifique a configuração do Cline:

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

3. Reinicie o Cline e confirme que o servidor está ativo.

Exemplo de Proteção de Chaves de API:

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

Como usar este MCP em fluxos

Usando MCP no FlowHunt

Para integrar servidores MCP em seu fluxo do FlowHunt, comece adicionando o componente MCP ao seu fluxo e conectando-o ao seu agente de IA:

Clique no componente MCP para abrir o painel de configuração. Na seção de configuração do MCP do sistema, insira os detalhes do seu servidor MCP usando este formato JSON:

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

Depois de configurado, o agente de IA poderá usar este MCP como uma ferramenta com acesso a todas as suas funções e capacidades. Lembre-se de trocar “vertexai-search” pelo nome real do seu servidor MCP e substituir a URL pela URL do seu próprio servidor MCP.

Visão Geral

Com base na completude da documentação e exposição de funcionalidades, este servidor MCP oferece uma integração sólida para o Vertex AI Search mas carece de documentação detalhada sobre prompts, recursos e ferramentas. As instruções de configuração e licenciamento são claras, mas funcionalidades avançadas do MCP não são discutidas. Nota: 5/10

Pontuação MCP