Servidor MCP para Vertex AI Search
Este es un servidor MCP para buscar documentos utilizando Vertex AI.
Arquitectura
Esta solución utiliza Gemini con Vertex AI Grounding para buscar documentos utilizando sus datos privados. Grounding mejora la calidad de los resultados de búsqueda al integrar las respuestas de Gemini con sus datos almacenados en el almacén de datos de Vertex AI. Podemos integrar uno o varios almacenes de datos de Vertex AI en el servidor MCP. Para más información sobre grounding, consulte la documentación de Vertex AI Grounding .
Cómo utilizar
Hay dos maneras de usar este servidor MCP. Si desea ejecutarlo en Docker, la primera opción es recomendable, ya que el proyecto incluye Dockerfile.
1. Clonar el repositorio
Instalar el paquete de Python
El paquete aún no está publicado en PyPI, pero podemos instalarlo desde el repositorio. Necesitamos un archivo de configuración derivado de config.yml.template para ejecutar el servidor MCP, ya que el paquete de Python no incluye la plantilla de configuración. Consulte el Apéndice A: Archivo de configuración para obtener más información sobre el archivo de configuración.
Desarrollo
Prerrequisitos
- ultravioleta
- Almacén de datos de Vertex AI
- Consulte la documentación oficial sobre almacenes de datos para obtener más información.
Configurar el entorno local
Ejecutar el servidor MCP
Esto admite dos transportes para SSE (Eventos enviados por el servidor) y stdio (Entrada/Salida estándar). Podemos controlar el transporte configurando el indicador --transport
.
Podemos configurar el servidor MCP con un archivo YAML. config.yml.template es una plantilla para el archivo de configuración. Por favor, modifique el archivo de configuración según sus necesidades.
Prueba la búsqueda de Vertex AI
Podemos probar la búsqueda Vertex AI usando el comando mcp-vertexai-search search
sin el servidor MCP.
Apéndice A: Archivo de configuración
config.yml.template es una plantilla para el archivo de configuración.
server
server.name
: El nombre del servidor MCP
model
model.model_name
: El nombre del modelo Vertex AImodel.project_id
: El ID del proyecto del modelo Vertex AImodel.location
: La ubicación del modelo (por ejemplo, us-central1)model.impersonate_service_account
: La cuenta de servicio que se suplantarámodel.generate_content_config
: La configuración para la API de generación de contenido
data_stores
: La lista de almacenes de datos de Vertex AIdata_stores.project_id
: El ID del proyecto del almacén de datos de Vertex AIdata_stores.location
: La ubicación del almacén de datos de Vertex AI (por ejemplo, nosotros)data_stores.datastore_id
: El ID del almacén de datos de Vertex AIdata_stores.tool_name
: El nombre de la herramientadata_stores.description
: La descripción del almacén de datos de Vertex AI
This server cannot be installed
remote-capable server
The server can be hosted and run remotely because it primarily relies on remote services or has no dependency on the local environment.
Un servidor que permite la búsqueda de documentos utilizando Vertex AI con conexión a tierra Gemini, mejorando los resultados de búsqueda al conectar las respuestas a datos privados almacenados en Vertex AI Datastore.
Related Resources
Related MCP Servers
- -securityFlicense-qualityA server that provides access to Google Gemini AI capabilities including text generation, image analysis, YouTube video analysis, and web search functionality through the MCP protocol.Last updated 4 months ago183TypeScript
- -securityAlicense-qualityProvides web search functionality for the Gemini Terminal Agent, handling concurrent requests and content extraction to deliver real-time information from the web.Last updated 2 months agoPythonApache 2.0
- AsecurityAlicenseAqualityImplementation of Model Context Protocol (MCP) server that provides tools for accessing Google Cloud's Vertex AI Gemini models, supporting features like web search grounding and direct knowledge answering for coding assistance and general queries.Last updated 19 days ago203767TypeScriptMIT License
- -securityFlicense-qualityA server that implements Retrieval-Augmented Generation using GroundX and OpenAI, enabling semantic search and document retrieval with Modern Context Processing for enhanced context handling.Last updated 3 months agoPython