Vertex AI MCP-Server

Dieses Projekt implementiert einen Model Context Protocol (MCP)-Server, der eine umfassende Suite von Tools für die Interaktion mit den Vertex AI Gemini-Modellen von Google Cloud bereitstellt, wobei der Schwerpunkt auf Codierungsunterstützung und der Beantwortung allgemeiner Abfragen liegt.

Merkmale

• Bietet Zugriff auf Vertex AI Gemini-Modelle über zahlreiche MCP-Tools.

• Unterstützt die Erdung von Websuchanfragen ( answer_query_websearch ) und die direkte Beantwortung von Wissensfragen ( answer_query_direct ).

• Konfigurierbare Modell-ID, Temperatur, Streaming-Verhalten, maximale Ausgabe-Token und Wiederholungseinstellungen über Umgebungsvariablen.

• Verwendet standardmäßig die Streaming-API für eine potenziell bessere Reaktionsfähigkeit.

• Enthält eine grundlegende Wiederholungslogik für vorübergehende API-Fehler.

• Es werden minimale Sicherheitsfilter angewendet ( BLOCK_NONE ), um mögliche Blockierungen zu reduzieren (mit Vorsicht verwenden).

Related MCP server: mcp-google

Mitgelieferte Werkzeuge

Abfrage und Generierung (KI-fokussiert)

• answer_query_websearch : Beantwortet eine Abfrage in natürlicher Sprache mithilfe des konfigurierten Vertex-KI-Modells, das mit Google-Suchergebnissen erweitert wurde.

• answer_query_direct : Beantwortet eine Abfrage in natürlicher Sprache ausschließlich unter Verwendung des internen Wissens des konfigurierten Vertex-KI-Modells.

• explain_topic_with_docs : Bietet eine ausführliche Erklärung für eine Abfrage zu einem bestimmten Softwarethema, indem Informationen hauptsächlich aus offiziellen Dokumenten zusammengefasst werden, die über eine Websuche gefunden wurden.

• get_doc_snippets : Bietet präzise, maßgebliche Codeausschnitte oder knappe Antworten auf technische Fragen durch die Suche in der offiziellen Dokumentation.

• generate_project_guidelines : Generiert ein strukturiertes Dokument mit Projektrichtlinien (Markdown) basierend auf einer angegebenen Liste von Technologien (optional mit Versionen) und verwendet dabei eine Websuche nach Best Practices.

Recherche- und Analysetools

• code_analysis_with_docs : Analysiert Codeausschnitte, indem sie mit Best Practices aus der offiziellen Dokumentation verglichen werden, und identifiziert so potenzielle Fehler, Leistungsprobleme und Sicherheitslücken.

• technical_comparison : Vergleicht mehrere Technologien, Frameworks oder Bibliotheken anhand bestimmter Kriterien und bietet detaillierte Vergleichstabellen mit Vor-/Nachteilen und Anwendungsfällen.

• architecture_pattern_recommendation : Schlägt Architekturmuster für bestimmte Anwendungsfälle auf Grundlage bewährter Branchenmethoden mit Implementierungsbeispielen und Überlegungen vor.

• dependency_vulnerability_scan : Analysiert Projektabhängigkeiten auf bekannte Sicherheitslücken und bietet detaillierte Informationen und Strategien zur Risikominderung.

• database_schema_analyzer : Überprüft Datenbankschemata auf Normalisierungs-, Indizierungs- und Leistungsprobleme und schlägt Verbesserungen auf der Grundlage datenbankspezifischer Best Practices vor.

• security_best_practices_advisor : Bietet Sicherheitsempfehlungen für bestimmte Technologien oder Szenarien mit Codebeispielen zur Implementierung sicherer Praktiken.

• testing_strategy_generator : Erstellt umfassende Teststrategien für Anwendungen oder Funktionen und schlägt geeignete Testtypen mit Abdeckungszielen vor.

• regulatory_compliance_advisor : Bietet Anleitungen zu regulatorischen Anforderungen für bestimmte Branchen (DSGVO, HIPAA usw.) mit Implementierungsansätzen zur Einhaltung der Vorschriften.

• microservice_design_assistant : Hilft beim Entwerfen von Microservice-Architekturen für bestimmte Domänen mit Empfehlungen zu Servicegrenzen und Kommunikationsmustern.

• documentation_generator : Erstellt umfassende Dokumentationen für Code, APIs oder Systeme und befolgt dabei die Best Practices der Branche für technische Dokumentation.

Dateisystemoperationen

• read_file_content : Liest den gesamten Inhalt einer oder mehrerer Dateien. Geben Sie einen einzelnen Pfad oder ein Array von Pfaden an.

• write_file_content : Erstellt neue Dateien oder überschreibt vorhandene Dateien vollständig. Das Argument „writes“ akzeptiert ein einzelnes Objekt ( {path, content} ) oder ein Array solcher Objekte.

• edit_file_content : Nimmt zeilenbasierte Änderungen an einer Textdatei vor, gibt eine Diff-Vorschau zurück oder wendet Änderungen an.

• list_directory_contents : Listet Dateien und Verzeichnisse direkt innerhalb eines angegebenen Pfads auf (nicht rekursiv).

• get_directory_tree : Ruft eine rekursive Baumansicht von Dateien und Verzeichnissen als JSON ab.

• move_file_or_directory : Verschiebt Dateien und Verzeichnisse oder benennt sie um.

• search_filesystem : Sucht rekursiv nach Dateien/Verzeichnissen, die einem Namensmuster entsprechen, mit optionalen Ausschlüssen.

• get_filesystem_info : Ruft detaillierte Metadaten (Größe, Datum, Typ, Berechtigungen) zu einer Datei oder einem Verzeichnis ab.

• execute_terminal_command : Führt einen Shell-Befehl aus, optional mit Angabe cwd und timeout . Gibt stdout/stderr zurück.

Kombinierte KI- und Dateisystemoperationen

• save_generate_project_guidelines : Generiert Projektrichtlinien basierend auf einem Tech-Stack und speichert das Ergebnis in einem angegebenen Dateipfad.

• save_doc_snippet : Sucht Codeausschnitte aus der Dokumentation und speichert das Ergebnis in einem angegebenen Dateipfad.

• save_topic_explanation : Generiert eine detaillierte Erklärung eines Themas basierend auf der Dokumentation und speichert das Ergebnis in einem angegebenen Dateipfad.

• save_answer_query_direct : Beantwortet eine Abfrage nur unter Verwendung internen Wissens und speichert die Antwort in einem angegebenen Dateipfad.

• save_answer_query_websearch : Beantwortet eine Abfrage mithilfe von Websuchergebnissen und speichert die Antwort in einem angegebenen Dateipfad.

(Hinweis: Eingabe-/Ausgabeschemata für jedes Tool sind in den jeweiligen Dateien in

Voraussetzungen

• Node.js (v18+)

• Brötchen ( npm install -g bun )

• Google Cloud-Projekt mit aktivierter Abrechnung.

• Vertex AI API im GCP-Projekt aktiviert.

• In Ihrer Umgebung konfigurierte Google Cloud-Authentifizierung (empfohlen werden Standardanmeldeinformationen der Anwendung über gcloud auth application-default login oder ein Dienstkontoschlüssel).

Einrichtung und Installation

1. Projekt klonen/platzieren: Stellen Sie sicher, dass sich die Projektdateien am gewünschten Speicherort befinden.

2. Abhängigkeiten installieren:

   bun install

3. Umgebung konfigurieren:

   • Erstellen Sie eine .env Datei im Projektstamm (kopieren Sie .env.example ).

   • Legen Sie die erforderlichen und optionalen Umgebungsvariablen wie in .env.example beschrieben fest.

     • Setzen Sie AI_PROVIDER entweder auf "vertex" oder "gemini" .

     • Wenn AI_PROVIDER="vertex" , ist GOOGLE_CLOUD_PROJECT erforderlich.

     • Wenn AI_PROVIDER="gemini" , ist GEMINI_API_KEY erforderlich.

4. Erstellen Sie den Server:

   bun run build

   Dadurch wird der TypeScript-Code in build/index.js kompiliert.

Verwendung (Standalone / NPX)

Nach der Veröffentlichung auf npm können Sie diesen Server direkt mit npx ausführen:

Alternativ können Sie es global installieren:

Hinweis: Für die eigenständige Ausführung müssen Sie vor der Ausführung des Befehls die erforderlichen Umgebungsvariablen (wie GOOGLE_CLOUD_PROJECT , GOOGLE_CLOUD_LOCATION , Authentifizierungsdaten, wenn ADC nicht verwendet wird) in Ihrer Shell-Umgebung festlegen.

Installation über Smithery

So installieren Sie Vertex AI Server für Claude Desktop automatisch über Smithery :

Laufen mit Cline

1. MCP-Einstellungen konfigurieren: Fügen Sie die Konfiguration in Ihrer Cline MCP-Einstellungsdatei hinzu/aktualisieren Sie sie (z. B. .roo/mcp.json ). Sie haben zwei Möglichkeiten, den Befehl zu konfigurieren:

   Option A: Verwenden von Node (Direkter Pfad – für die Entwicklung empfohlen)

   Diese Methode verwendet node , um das kompilierte Skript direkt auszuführen. Dies ist während der Entwicklung nützlich, wenn Sie den Code lokal geklont haben.

   { "mcpServers": { "vertex-ai-mcp-server": { "command": "node", "args": [ "/full/path/to/your/vertex-ai-mcp-server/build/index.js" // Use absolute path or ensure it's relative to where Cline runs node ], "env": { // --- General AI Configuration --- "AI_PROVIDER": "vertex", // "vertex" or "gemini" // --- Required (Conditional) --- "GOOGLE_CLOUD_PROJECT": "YOUR_GCP_PROJECT_ID", // Required if AI_PROVIDER="vertex" // "GEMINI_API_KEY": "YOUR_GEMINI_API_KEY", // Required if AI_PROVIDER="gemini" // --- Optional Model Selection --- "VERTEX_MODEL_ID": "gemini-2.5-pro-exp-03-25", // If AI_PROVIDER="vertex" (Example override) "GEMINI_MODEL_ID": "gemini-2.5-pro-exp-03-25", // If AI_PROVIDER="gemini" // --- Optional AI Parameters --- "GOOGLE_CLOUD_LOCATION": "us-central1", // Specific to Vertex AI "AI_TEMPERATURE": "0.0", "AI_USE_STREAMING": "true", "AI_MAX_OUTPUT_TOKENS": "65536", // Default from .env.example "AI_MAX_RETRIES": "3", "AI_RETRY_DELAY_MS": "1000", // --- Optional Vertex Authentication --- // "GOOGLE_APPLICATION_CREDENTIALS": "/path/to/your/service-account-key.json" // If using Service Account Key for Vertex }, "disabled": false, "alwaysAllow": [ // Add tool names here if you don't want confirmation prompts // e.g., "answer_query_websearch" ], "timeout": 3600 // Optional: Timeout in seconds } // Add other servers here... } }

   • Wichtig: Stellen Sie sicher, dass der args korrekt auf die Datei build/index.js verweist. Die Verwendung eines absoluten Pfads ist möglicherweise zuverlässiger.

   Option B: Verwenden von NPX (erfordert die Veröffentlichung des Pakets auf npm)

   Diese Methode verwendet npx , um das Serverpaket automatisch aus der npm-Registrierung herunterzuladen und auszuführen. Dies ist praktisch, wenn Sie das Repository nicht klonen möchten.

   { "mcpServers": { "vertex-ai-mcp-server": { "command": "bunx", // Use bunx "args": [ "-y", // Auto-confirm installation "vertex-ai-mcp-server" // The npm package name ], "env": { // --- General AI Configuration --- "AI_PROVIDER": "vertex", // "vertex" or "gemini" // --- Required (Conditional) --- "GOOGLE_CLOUD_PROJECT": "YOUR_GCP_PROJECT_ID", // Required if AI_PROVIDER="vertex" // "GEMINI_API_KEY": "YOUR_GEMINI_API_KEY", // Required if AI_PROVIDER="gemini" // --- Optional Model Selection --- "VERTEX_MODEL_ID": "gemini-2.5-pro-exp-03-25", // If AI_PROVIDER="vertex" (Example override) "GEMINI_MODEL_ID": "gemini-2.5-pro-exp-03-25", // If AI_PROVIDER="gemini" // --- Optional AI Parameters --- "GOOGLE_CLOUD_LOCATION": "us-central1", // Specific to Vertex AI "AI_TEMPERATURE": "0.0", "AI_USE_STREAMING": "true", "AI_MAX_OUTPUT_TOKENS": "65536", // Default from .env.example "AI_MAX_RETRIES": "3", "AI_RETRY_DELAY_MS": "1000", // --- Optional Vertex Authentication --- // "GOOGLE_APPLICATION_CREDENTIALS": "/path/to/your/service-account-key.json" // If using Service Account Key for Vertex }, "disabled": false, "alwaysAllow": [ // Add tool names here if you don't want confirmation prompts // e.g., "answer_query_websearch" ], "timeout": 3600 // Optional: Timeout in seconds } // Add other servers here... } }

   • Stellen Sie sicher, dass die Umgebungsvariablen im env Block korrekt gesetzt sind. Sie müssen entweder mit .env übereinstimmen oder hier explizit definiert sein. Entfernen Sie Kommentare aus der eigentlichen JSON-Datei.

2. Cline neu starten/neu laden: Cline sollte die Konfigurationsänderung erkennen und den Server starten.

3. Tools verwenden: Sie können jetzt die umfangreiche Liste an Tools über Cline verwenden.

Entwicklung

• Überwachungsmodus: bun run watch

• Flusen: bun run lint

• Formatierung: bun run format

Lizenz

Dieses Projekt ist unter der MIT-Lizenz lizenziert – Einzelheiten finden Sie in der Datei LICENSE .