Vertex AI Search

Улучшите поиск документов с помощью Vertex AI Search и Gemini. Ответы, основанные на ваших приватных данных из Vertex AI Datastore, обеспечивают точные и надежные результаты. Попробуйте сейчас!

Data Science и ML Облачная инфраструктура Разработка API ★ 35 GitHub (35 ★)

Этот MCP-сервер облегчает поиск документов с использованием Vertex AI, используя Gemini с привязкой Vertex AI для повышения качества результатов. Привязывая ответы Gemini к вашим частным данным, хранящимся в Vertex AI Datastore, решение обеспечивает более точные и релевантные результаты поиска. Он поддерживает интеграцию нескольких хранилищ данных Vertex AI, позволяя консолидировать информационные источники для всестороннего поиска.

Ключевые особенности

01Использует Gemini с привязкой Vertex AI

02Поддерживает транспорты Server-Sent Events (SSE) и стандартного ввода/вывода (stdio)

03Включает интерфейс командной строки для тестирования поиска Vertex AI

04Интегрируется с одним или несколькими хранилищами данных Vertex AI

05Настраивается через YAML-файл

Варианты использования

01Создание приложения для поиска по базе знаний с использованием возможностей Vertex AI

02Поиск внутренних корпоративных документов, хранящихся в Vertex AI

03Интеграция поиска Vertex AI в существующие MCP-процессы

MCP Server for Vertex AI Search

This is a MCP server to search documents using Vertex AI.

Architecture

This solution uses Gemini with Vertex AI grounding to search documents using your private data. Grounding improves the quality of search results by grounding Gemini's responses in your data stored in Vertex AI Datastore. We can integrate one or multiple Vertex AI data stores to the MCP server. For more details on grounding, refer to Vertex AI Grounding Documentation.

How to use

There are two ways to use this MCP server. If you want to run this on Docker, the first approach would be good as Dockerfile is provided in the project.

1. Clone the repository

# Clone the repository
git clone git@github.com:ubie-oss/mcp-vertexai-search.git

# Create a virtual environment
uv venv
# Install the dependencies
uv sync --all-extras

# Check the command
uv run mcp-vertexai-search

Install the python package

The package isn't published to PyPI yet, but we can install it from the repository. We need a config file derives from config.yml.template to run the MCP server, because the python package doesn't include the config template. Please refer to Appendix A: Config file for the details of the config file.

# Install the package
pip install git+https://github.com/ubie-oss/mcp-vertexai-search.git

# Check the command
mcp-vertexai-search --help

Development

Prerequisites

uv
Vertex AI data store
- Please look into the official documentation about data stores for more information

Set up Local Environment

# Optional: Install uv
python -m pip install -r requirements.setup.txt

# Create a virtual environment
uv venv
uv sync --all-extras

Run the MCP server

This supports two transports for SSE (Server-Sent Events) and stdio (Standard Input Output). We can control the transport by setting the --transport flag.

We can configure the MCP server with a YAML file. config.yml.template is a template for the config file. Please modify the config file to fit your needs.

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

Test the Vertex AI Search

We can test the Vertex AI Search by using the mcp-vertexai-search search command without the MCP server.

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

Appendix A: Config file

config.yml.template is a template for the config file.

server
- server.name: The name of the MCP server
model
- model.model_name: The name of the Vertex AI model
- model.project_id: The project ID of the Vertex AI model
- model.location: The location of the model (e.g. us-central1)
- model.impersonate_service_account: The service account to impersonate
- model.generate_content_config: The configuration for the generate content API
data_stores: The list of Vertex AI data stores
- data_stores.project_id: The project ID of the Vertex AI data store
- data_stores.location: The location of the Vertex AI data store (e.g. us)
- data_stores.datastore_id: The ID of the Vertex AI data store
- data_stores.tool_name: The name of the tool
- data_stores.description: The description of the Vertex AI data store

MCP-сервер для поиска по документам через Vertex AI

Этот MCP-сервер позволяет ИИ-агентам (например, Claude Desktop) выполнять поиск по вашим приватным данным, хранящимся в Vertex AI Datastore от Google Cloud. Сервер использует Gemini с механизмом Grounding (привязка ответов к вашим данным) для повышения качества и релевантности результатов.

Архитектура

Решение связывает один или несколько Vertex AI Datastore с MCP-сервером. При запросе от LLM сервер обращается к указанным хранилищам, находит релевантные документы и возвращает ответ, подкреплённый вашими данными. Детали Grounding — в официальной документации Vertex AI.

Установка и запуск

Есть два способа: через Docker (рекомендуется, есть готовый Dockerfile) или через установку Python-пакета из репозитория.

Способ 1: Клонирование репозитория и запуск через uv

git clone git@github.com:ubie-oss/mcp-vertexai-search.git
cd mcp-vertexai-search
uv venv
uv sync --all-extras
uv run mcp-vertexai-search

Способ 2: Установка Python-пакета напрямую

Пакет пока не опубликован в PyPI, но его можно установить из репозитория. Для запуска потребуется файл конфигурации (см. ниже).

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

Конфигурация

Сервер настраивается через YAML-файл. Скопируйте шаблон config.yml.template из репозитория и подставьте свои значения.

Основные поля конфигурации

server.name — имя MCP-сервера (произвольное).
model — настройки модели Vertex AI:
- model_name — имя модели (например, gemini-1.5-pro).
- project_id — GCP-проект, где развёрнута модель.
- location — регион (например, us-central1).
- impersonate_service_account — сервисный аккаунт для делегирования прав (опционально).
- generate_content_config — параметры генерации (температура и т.п.).
data_stores — список хранилищ данных Vertex AI. Для каждого:
- project_id — GCP-проект хранилища.
- location — регион хранилища (например, us).
- datastore_id — ID вашего Datastore.
- tool_name — имя инструмента, под которым хранилище будет доступно LLM.
- description — описание, помогающее модели понять, когда использовать этот источник.

Запуск MCP-сервера

Сервер поддерживает два транспорта:

stdio — стандартный ввод/вывод (используется по умолчанию для Claude Desktop).
sse — Server-Sent Events (для веб-интеграций).

Команда запуска:

uv run mcp-vertexai-search serve \
  --config config.yml \
  --transport stdio   # или sse

Тестирование поиска без MCP

Можно проверить работу поиска напрямую, без запуска MCP-сервера:

uv run mcp-vertexai-search search \
  --config config.yml \
  --query "ваш запрос"

Разработка

Предварительные требования

uv — менеджер проектов Python.
Vertex AI Datastore — предварительно созданное и наполненное хранилище данных. Инструкция по созданию — в документации Google Cloud.

Настройка окружения

python -m pip install -r requirements.setup.txt
uv venv
uv sync --all-extras

Примечания

Убедитесь, что у вашего сервисного аккаунта есть права на доступ к Vertex AI и Datastore.
Если используется impersonate_service_account, необходима соответствующая конфигурация IAM.
Для продакшн-среды рекомендуем использовать Docker: в репозитории есть готовый Dockerfile.

Документация основана на репозитории ubie-oss/mcp-vertexai-search.

Источник: https://mcpmarket.com/server/vertex-ai-search