MCP Server for Vertex AI Search

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 AI
  • model.project_id : El ID del proyecto del modelo Vertex AI
  • model.location : La ubicación del modelo (por ejemplo, us-central1)
  • model.impersonate_service_account : La cuenta de servicio que se suplantará
  • model.generate_content_config : La configuración para la API de generación de contenido
• data_stores : La lista de almacenes de datos de Vertex AI
  • data_stores.project_id : El ID del proyecto del almacén de datos de Vertex AI
  • data_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 AI
  • data_stores.tool_name : El nombre de la herramienta
  • data_stores.description : La descripción del almacén de datos de Vertex AI