顶点人工智能MCP服务器
项目介绍
Vertex AI MCP 服务器
该项目实现了一个模型上下文协议（MCP）服务器，提供了一整套工具用于与Google Cloud的Vertex AI Gemini模型进行交互，重点在于编码辅助和通用查询回答。
<a href="https://glama.ai/mcp/servers/@shariqriazz/vertex-ai-mcp-server"> <img width="380" height="200" src="https://gips0.baidu.com/it/u=900602200,1887452265&fm=3081&app=3081&f=PNG?w=760&h=400" alt="Vertex AI 服务器 MCP 服务器" /> </a>特性
- 提供通过多种MCP工具访问Vertex AI Gemini模型。
- 支持基于网络搜索的查询回答（
answer_query_websearch）和直接知识回答（answer_query_direct）。 - 通过环境变量配置模型ID、温度、流式行为、最大输出令牌数和重试设置。
- 默认使用流式API以获得更好的响应性。
- 包含基本的瞬时API错误重试逻辑。
- 应用最小的安全过滤器（
BLOCK_NONE）以减少潜在的阻塞（谨慎使用）。
提供的工具
查询与生成（AI聚焦）
answer_query_websearch：使用配置的Vertex AI模型结合Google搜索结果来回答自然语言查询。answer_query_direct：仅使用配置的Vertex AI模型的内部知识来回答自然语言查询。explain_topic_with_docs：通过主要从官方文档中综合信息，提供关于特定软件主题的详细解释。get_doc_snippets：通过搜索官方文档，提供精确、权威的代码片段或简洁的答案来解决技术问题。generate_project_guidelines：根据指定的技术栈（可选版本），使用网络搜索的最佳实践生成结构化的项目指南文档（Markdown）。
研究与分析工具
code_analysis_with_docs：通过比较最佳实践来分析代码片段，识别潜在的bug、性能问题和安全漏洞。technical_comparison：根据特定标准比较多个技术、框架或库，提供详细的对比表，包括优缺点和使用场景。architecture_pattern_recommendation：基于行业最佳实践建议特定使用案例的架构模式，并提供实施示例和考虑因素。dependency_vulnerability_scan：分析项目依赖项中的已知安全漏洞，提供详细信息和缓解策略。database_schema_analyzer：审查数据库模式以规范化、索引和性能问题，基于数据库特定的最佳实践提出改进建议。security_best_practices_advisor：针对特定技术和场景提供安全建议，并提供实施安全实践的代码示例。testing_strategy_generator：创建应用程序或功能的全面测试策略，建议适当的测试类型及其覆盖率目标。regulatory_compliance_advisor：针对特定行业的监管要求（如GDPR、HIPAA等）提供指导，并提供合规实施方法。microservice_design_assistant：帮助设计特定领域的微服务架构，推荐服务边界和通信模式。documentation_generator：根据行业最佳实践为代码、API或系统生成全面的文档。
文件系统操作
read_file_content：读取一个或多个文件的全部内容。提供单个路径字符串或路径字符串数组。write_file_content：创建新文件或完全覆盖现有文件。writes参数接受单个对象（{path, content}）或此类对象的数组。edit_file_content：对文本文件进行基于行的编辑，返回差异预览或应用更改。list_directory_contents：列出指定路径下的文件和目录（非递归）。get_directory_tree：获取文件和目录的递归树视图作为JSON。move_file_or_directory：移动或重命名文件和目录。search_filesystem：递归搜索匹配名称模式的文件/目录，可选排除。get_filesystem_info：检索关于文件或目录的详细元数据（大小、日期、类型、权限）。execute_terminal_command：执行shell命令，可选指定cwd和timeout。返回stdout/stderr。
组合AI + 文件系统操作
save_generate_project_guidelines：根据技术栈生成项目指南并保存到指定文件路径。save_doc_snippet：从文档中查找代码片段并保存到指定文件路径。save_topic_explanation：根据文档生成主题的详细解释并保存到指定文件路径。save_answer_query_direct：仅使用内部知识回答查询并将答案保存到指定文件路径。save_answer_query_websearch：使用网络搜索结果回答查询并将答案保存到指定文件路径。
(注意：每个工具的输入/输出模式定义在src/tools/目录下的相应文件中并通过MCP服务器公开。)
预备条件
- Node.js (v18+)
- Bun (
npm install -g bun) - 启用了计费的Google Cloud项目。
- 在GCP项目中启用了Vertex AI API。
- 在环境中配置了Google Cloud身份验证（推荐使用
gcloud auth application-default login设置应用默认凭据，或者使用服务账户密钥）。
设置与安装
- 克隆/放置项目：确保项目文件位于您期望的位置。
- 安装依赖项：
bun install - 配置环境：
- 在项目根目录下创建一个
.env文件（复制.env.example）。 - 根据
.env.example设置所需的和可选的环境变量。- 将
AI_PROVIDER设置为"vertex"或"gemini"。 - 如果
AI_PROVIDER="vertex"，则需要GOOGLE_CLOUD_PROJECT。 - 如果
AI_PROVIDER="gemini"，则需要GEMINI_API_KEY。
- 将
- 在项目根目录下创建一个
- 构建服务器：
这会将TypeScript代码编译成bun run buildbuild/index.js。
使用（独立/NPX）
一旦发布到npm，您可以直接使用npx运行此服务器：
# 确保设置了必要的环境变量（例如，GOOGLE_CLOUD_PROJECT）
bunx vertex-ai-mcp-server
或者全局安装它：
bun install -g vertex-ai-mcp-server
# 然后运行：
vertex-ai-mcp-server
注意：独立运行需要在执行命令之前在您的shell环境中设置必要的环境变量（如GOOGLE_CLOUD_PROJECT，GOOGLE_CLOUD_LOCATION，如果不是使用ADC，则还需要认证凭证）。
通过Smithery安装
要通过Smithery自动安装Vertex AI Server for Claude Desktop：
bunx -y @smithery/cli install @shariqriazz/vertex-ai-mcp-server --client claude
使用Cline运行
-
配置MCP设置：在您的Cline MCP设置文件（例如
.roo/mcp.json）中添加或更新配置。您有两种主要方式来配置命令：选项A：使用Node（直接路径 - 推荐用于开发）
此方法使用
node直接运行编译后的脚本。在开发期间非常有用，特别是当您本地克隆了代码。{ "mcpServers": { "vertex-ai-mcp-server": { "command": "node", "args": [ "/full/path/to/your/vertex-ai-mcp-server/build/index.js" // 使用绝对路径或确保相对于Cline运行node的位置是相对路径 ], "env": { // --- 通用AI配置 --- "AI_PROVIDER": "vertex", // "vertex" 或 "gemini" // --- 必需（条件）--- "GOOGLE_CLOUD_PROJECT": "YOUR_GCP_PROJECT_ID", // 如果AI_PROVIDER="vertex"则必需 // "GEMINI_API_KEY": "YOUR_GEMINI_API_KEY", // 如果AI_PROVIDER="gemini"则必需 // --- 可选模型选择 --- "VERTEX_MODEL_ID": "gemini-2.5-pro-exp-03-25", // 如果AI_PROVIDER="vertex"（示例覆盖） "GEMINI_MODEL_ID": "gemini-2.5-pro-exp-03-25", // 如果AI_PROVIDER="gemini" // --- 可选AI参数 --- "GOOGLE_CLOUD_LOCATION": "us-central1", // 特定于Vertex AI "AI_TEMPERATURE": "0.0", "AI_USE_STREAMING": "true", "AI_MAX_OUTPUT_TOKENS": "65536", // 来自.env.example的默认值 "AI_MAX_RETRIES": "3", "AI_RETRY_DELAY_MS": "1000", // --- 可选Vertex认证 --- // "GOOGLE_APPLICATION_CREDENTIALS": "/path/to/your/service-account-key.json" // 如果使用服务账户密钥进行Vertex认证 }, "disabled": false, "alwaysAllow": [ // 如果不想确认提示，请在此处添加工具名称 // 例如："answer_query_websearch" ], "timeout": 3600 // 可选：超时时间（秒） } // 在此处添加其他服务器... } }- 重要：确保
args路径正确指向build/index.js文件。使用绝对路径可能更可靠。
选项B：使用NPX（需要包发布到npm）
此方法使用
npx自动从npm注册表下载并运行服务器包。如果您不想克隆仓库，这很方便。{ "mcpServers": { "vertex-ai-mcp-server": { "command": "bunx", // 使用bunx "args": [ "-y", // 自动确认安装 "vertex-ai-mcp-server" // npm包名称 ], "env": { // --- 通用AI配置 --- "AI_PROVIDER": "vertex", // "vertex" 或 "gemini" // --- 必需（条件）--- "GOOGLE_CLOUD_PROJECT": "YOUR_GCP_PROJECT_ID", // 如果AI_PROVIDER="vertex"则必需 // "GEMINI_API_KEY": "YOUR_GEMINI_API_KEY", // 如果AI_PROVIDER="gemini"则必需 // --- 可选模型选择 --- "VERTEX_MODEL_ID": "gemini-2.5-pro-exp-03-25", // 如果AI_PROVIDER="vertex"（示例覆盖） "GEMINI_MODEL_ID": "gemini-2.5-pro-exp-03-25", // 如果AI_PROVIDER="gemini" // --- 可选AI参数 --- "GOOGLE_CLOUD_LOCATION": "us-central1", // 特定于Vertex AI "AI_TEMPERATURE": "0.0", "AI_USE_STREAMING": "true", "AI_MAX_OUTPUT_TOKENS": "65536", // 来自.env.example的默认值 "AI_MAX_RETRIES": "3", "AI_RETRY_DELAY_MS": "1000", // --- 可选Vertex认证 --- // "GOOGLE_APPLICATION_CREDENTIALS": "/path/to/your/service-account-key.json" // 如果使用服务账户密钥进行Vertex认证 }, "disabled": false, "alwaysAllow": [ // 如果不想确认提示，请在此处添加工具名称 // 例如："answer_query_websearch" ], "timeout": 3600 // 可选：超时时间（秒） } // 在此处添加其他服务器... } }- 确保
env块中的环境变量正确设置，要么匹配.env，要么在这里显式定义。实际JSON文件中删除注释。
- 重要：确保
-
重启/重新加载Cline：Cline应检测到配置变化并启动服务器。
-
使用工具：现在可以通过Cline使用广泛的工具列表。
开发
- 监视模式：
bun run watch - 代码检查：
bun run lint - 代码格式化：
bun run format
许可证
本项目采用MIT许可证 - 详情见LICENSE文件。