MCP Vertexai Search

🚀 Vertex AIを使用したMCPサーバー

このMCPサーバーは、Vertex AIを通じてドキュメント検索を行うためのものです。Vertex AIを利用することで、効率的かつ高精度なドキュメント検索が可能になります。

✨ 主な機能

• GeminiとVertex AIのGrounding機能を組み合わせ、Vertex AIデータウェアハウス内の私有データを利用してドキュメント検索を行います。
• Grounding技術により、Geminiの回答品質を向上させ、Vertex AIデータウェアハウスに保存されたデータに基づいてより正確な結果を生成します。

📦 インストール

1. リポジトリのクローン

# リポジトリのクローン
git clone git@github.com:ubie-oss/mcp-vertexai-search.git

# 仮想環境の作成
uv venv
# 依存関係のインストール
uv sync --all-extras

# 実行コマンドの確認
uv run mcp-vertexai-search

Pythonパッケージのインストール

このパッケージはまだPyPIに公開されていませんが、リポジトリからインストールすることができます。MCPサーバーを実行するには、config.yml.templateからエクスポートされた設定ファイルが必要なので、このテンプレートファイルを修正する必要があります。

# パッケージのインストール
pip install git+https://github.com/ubie-oss/mcp-vertexai-search.git

# ヘルプコマンドの確認
mcp-vertexai-search --help

💻 使用例

基本的な使用法

このMCPサーバーの使用方法は2種類あります。Docker上で実行したい場合は、最初の方法が便利です。なぜなら、プロジェクトにはDockerfileが用意されているからです。

高度な使用法

Vertex AI検索のテスト

MCPサーバーを起動せずに、mcp-vertexai-search searchコマンドを使用してVertex AI検索機能をテストすることができます。

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

📚 ドキュメント

アーキテクチャ

このソリューションは、GeminiとVertex AIのGrounding機能を組み合わせ、Vertex AIデータウェアハウス内の私有データを利用してドキュメント検索を行います。Grounding技術により、Geminiの回答品質を向上させ、Vertex AIデータウェアハウスに保存されたデータに基づいてより正確な結果を生成します。 Groundingに関する詳細情報は、Vertex AI Grounding公式ドキュメントを参照してください。

開発

前提条件

• uv
• Vertex AIデータウェアハウス
  • データウェアハウスに関する詳細情報は、公式ドキュメントを参照してください。

ローカル環境のセットアップ

# オプション：uvのインストール
python -m pip install -r requirements.setup.txt

# 仮想環境の作成
uv venv
uv sync --all-extras

MCPサーバーの実行

この実装では、SSE（Server-Sent Events）とstdio（標準入出力）の2つのトランスポートプロトコルがサポートされています。--transportフラグを設定することで、異なるトランスポート方式を選択することができます。 MCPサーバーはYAMLファイルで設定することができます。config.yml.templateは設定ファイルのテンプレートです。詳細については、付録A：設定ファイルを参照し、必要に応じて設定ファイルを修正してください。

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

付録A：設定ファイル

config.yml.templateは設定ファイルのテンプレートです。

上記のフィールドを実際の状況に合わせて記入し、設定を完了させてください。