用于 Vertex AI 搜索的 MCP 服务器

这是一个使用 Vertex AI 搜索文档的 MCP 服务器。

架构

此解决方案使用 Gemini 与 Vertex AI grounding，利用您的私有数据搜索文档。 Grounding 通过将 Gemini 的响应建立在存储在 Vertex AI Datastore 中的数据之上，从而提高搜索结果的质量。 我们可以将一个或多个 Vertex AI 数据存储集成到 MCP 服务器。 有关 grounding 的更多详细信息，请参阅 Vertex AI Grounding 文档。

如何使用

有两种方法可以使用此 MCP 服务器。 如果您想在 Docker 上运行它，第一种方法会很好，因为项目中提供了 Dockerfile。

1. 克隆存储库

# 克隆存储库
git clone git@github.com:ubie-oss/mcp-vertexai-search.git

# 创建一个虚拟环境
uv venv
# 安装依赖项
uv sync --all-extras

# 检查命令
uv run mcp-vertexai-search

安装 python 包

该软件包尚未发布到 PyPI，但我们可以从存储库安装它。 我们需要一个从 config.yml.template 派生的配置文件来运行 MCP 服务器，因为 python 包不包含配置模板。 有关配置文件的详细信息，请参阅 附录 A：配置文件。

# 安装包
pip install git+https://github.com/ubie-oss/mcp-vertexai-search.git

# 检查命令
mcp-vertexai-search --help

开发

前提条件

• uv
• Vertex AI 数据存储
  • 有关更多信息，请查看关于数据存储的官方文档

设置本地环境

# 可选：安装 uv
python -m pip install -r requirements.setup.txt

# 创建一个虚拟环境
uv venv
uv sync --all-extras

运行 MCP 服务器

这支持 SSE（服务器发送事件）和 stdio（标准输入输出）两种传输方式。 我们可以通过设置 --transport 标志来控制传输方式。

我们可以使用 YAML 文件配置 MCP 服务器。 config.yml.template 是配置文件的模板。 请修改配置文件以满足您的需求。

uv run mcp-vertexai-search serve \
    --config config.yml \
    --transport <stdio|sse>

测试 Vertex AI 搜索

我们可以使用 mcp-vertexai-search search 命令在没有 MCP 服务器的情况下测试 Vertex AI 搜索。

uv run mcp-vertexai-search search \
    --config config.yml \
    --query <your-query>

附录 A：配置文件

config.yml.template 是配置文件的模板。

• server
  • server.name: MCP 服务器的名称
• model
  • model.model_name: Vertex AI 模型的名称
  • model.project_id: Vertex AI 模型的项目 ID
  • model.location: 模型的位置（例如 us-central1）
  • model.impersonate_service_account: 要模拟的服务帐户
  • model.generate_content_config: generate content API 的配置
• data_stores: Vertex AI 数据存储的列表
  • data_stores.project_id: Vertex AI 数据存储的项目 ID
  • data_stores.location: Vertex AI 数据存储的位置（例如 us）
  • data_stores.datastore_id: Vertex AI 数据存储的 ID
  • data_stores.tool_name: 工具的名称
  • data_stores.description: Vertex AI 数据存储的描述