Integration · Udviklerværktøjer

Forbind Claude og ChatGPT med Google Vertex AI

Lad din AI arbejde i dit eget Google Cloud-projekt i Vertex AI. Den kan sende prompts til Gemini og andre Google-modeller, tælle tokens før en forespørgsel, lave tekst-embeddings og køre forudsigelser på modeller, du har lagt ud på et endpoint. Den kan også oprette RAG-korpusser og importere filer til dem, styre context caches og følge batch prediction- og tuning-jobs.

Forbind Google Vertex AI gratis

Gratis plan uden kreditkort. Det tager cirka et minut.

Prøv at spørge

“Bed gemini-2.5-flash i vores projekt om at opsummere denne kontrakt.”
AI'en sender teksten til modellen i dit Vertex AI-projekt og din region og viser modellens svar.
“Hvor mange tokens bruger denne prompt?”
Den tæller tokens for den model, du nævner, før der bliver genereret noget.
“Lav en embedding af denne produktbeskrivelse.”
Den laver en tekst-embedding med en af Googles embedding-modeller og returnerer vektoren.

Det kan din AI

Generering og embeddings

Send prompts til Gemini og andre Google-modeller, tæl tokens, lav embeddings, og kør forudsigelser på endpoints.

RAG-korpusser og cache

Opret RAG-korpusser, importer eller upload filer, se deres filer, og opret, ret eller slet context caches.

Jobs og endpoints

Se endpoints, læg modeller ud og tag dem ned igen, og opret, følg, annuller eller slet batch prediction- og tuning-jobs.

“Opret et RAG-korpus kaldet Supportdokumenter, og importer vores filer fra Cloud Storage.”
Den opretter korpusset, starter en import af filerne og giver dig den operation, du kan følge.
“Hvilke context caches har vi, og hvornår udløber de?”
Den viser projektets context caches med model og udløbstidspunkt.
“Er vores tuning-job færdigt?”
Den viser tuning-jobs i projektet og læser status på det, du vælger.

22 værktøjer til Google Vertex AI

Værktøjerne er slået til, når du forbinder. Du kan slå dem fra enkeltvis eller kræve din godkendelse, før de kører.

count_tokensSletterTæl, hvor mange tokens en prompt bruger til en Google-model, før du sender den. Angiv `publishers_id`, `models_id` og `contents`.
create_cached_contentÆndrer dataOpret en kontekstcache til en Gemini-model med `model`, `contents` og eventuelt `system_instruction` samt en `ttl` eller `expire_time`. Der opkræves betaling for lagring af cacher, så længe de eksisterer.
create_rag_corpusÆndrer dataOpret et nyt RAG-korpus med en `display_name` og eventuelt en `description`. Returnerer en langvarig operation.
delete_cached_contentSletterSlet en kontekstcache permanent med `cached_contents_id`.
delete_rag_fileSletterFjern en enkelt fil permanent fra et RAG-korpus med `rag_corpora_id` og `rag_files_id`.
embed_contentÆndrer dataOpret en tekstindlejring med en indlejringsmodel fra Google. Angiv `publishers_id` (google), modelnavnet i `models_id` og `content` med tekstdelene; `task_type` er valgfri.
generate_contentÆndrer dataGenerer et svar fra en Google-model som Gemini. Angiv `publishers_id` (google), modelnavnet i `models_id` og `contents` (en liste over beskeder med rolle og dele); `system_instruction` og `generation_config` er valgfrie.
generate_content_on_endpointÆndrer dataGenerer et svar fra en model, der er implementeret på dit eget endpoint (for eksempel en finjusteret Gemini-model). Angiv `endpoints_id` og `contents`; `system_instruction` og `generation_config` er valgfrie.
get_batch_prediction_jobHent et enkelt batchforudsigelsesjob med `batch_prediction_jobs_id`, inklusive dets tilstand og placeringen af outputtet.
get_cached_contentHent en enkelt kontekstcache med `cached_contents_id`, inklusive dens model og udløbstidspunkt.
get_endpointHent et enkelt endpoint med `endpoints_id`, inklusive dets implementerede modeller og trafikfordeling.
get_rag_corpusHent et enkelt RAG-korpus med `rag_corpora_id`, inklusive dets status og indstillinger.
get_rag_corpus_operationKontrollér fremdriften for en operation i et RAG-korpus (såsom en filimport) med `rag_corpora_id` og `operations_id`.
get_rag_fileHent en enkelt fil i et RAG-korpus med `rag_corpora_id` og `rag_files_id`.
import_rag_filesÆndrer dataImporter filer til et RAG-korpus med `rag_corpora_id` fra Cloud Storage, Google Drive, Slack, Jira eller SharePoint, angivet i `import_rag_files_config`. Returnerer en operation, der kan kontrolleres med get_rag_corpus_operation.
list_batch_prediction_jobsVis projektets batchforudsigelsesjob, eventuelt med et `filter`.
list_cached_contentsVis projektets kontekstcacher (gemt promptindhold, der genbruges på tværs af Gemini-anmodninger).
list_endpointsVis projektets Vertex AI-endpoints (implementerede modeller), eventuelt med `filter` og `order_by`.
list_rag_corporaVis projektets RAG-korpusser (dokumentsamlinger, der bruges til informationssøgning).
list_rag_filesVis filerne i et RAG-korpus med `rag_corpora_id`.
predict_on_endpointÆndrer dataKør en onlineforudsigelse med en model, der er implementeret på dit endpoint, ved at angive `endpoints_id`, `instances` og eventuelt `parameters`.
predict_with_modelÆndrer dataKør en forudsigelse med en model udgivet af Google (for eksempel en billed- eller indlejringsmodel) med `publishers_id`, `models_id`, `instances` og eventuelt `parameters`.

Klar i tre trin

1
Vælg systemet
Opret en gratis PipMCP-konto, og vælg Google Vertex AI på listen.
2
Indsæt din nøgle
Indsæt OAuth client ID og client secret fra dit eget Google Cloud-projekt samt projekt-ID og Vertex AI-region (for eksempel us-central1), og log derefter ind med Google én gang. I Google Cloud console opretter du et projekt med fakturering og slår Vertex AI API til. Sæt OAuth consent screen op, og opret under Credentials et OAuth client ID af typen Web application med redirect-URI'en https://pipmcp.com/oauth/callback.
3
Tilføj linket i din AI
Du får et personligt MCP-link. Tilføj det i Claude, ChatGPT eller Cursor:
1. Klik på dit navn, og vælg Settings › Connectors › Add custom connector.
2. Indsæt dit link som Remote MCP server URL.
3. Slå det til fra +-menuen i en chat.

Spørgsmål

Hvad kan AI'en gøre i Google Vertex AI?

Den kan generere indhold med Gemini og andre Google-modeller, tælle tokens, lave embeddings og køre forudsigelser på endpoints. Den kan oprette og styre RAG-korpusser og deres filer, context caches, endpoints, batch prediction-jobs og tuning-jobs, og annullere eller slette dem, hvis du slår de værktøjer til.

Kan AI'en se mine Google Vertex AI-oplysninger?

Nej. Dine Google Vertex AI-oplysninger gemmes krypteret og vises aldrig for AI'en. Når du har gemt dem, bliver de ikke vist igen, heller ikke for dig. AI'en ser kun resultaterne af de værktøjer, den bruger.

Kan jeg styre, hvad AI'en må?

Ja. Du vælger, hvilke værktøjer der er slået til, så du kan starte med at generere indhold og læse jobs. Sletning af et RAG-korpus, en cache eller et endpoint er permanent, og et annulleret eller slettet batch prediction-job kan ikke gøres om. Derfor kan de handlinger kræve din godkendelse, før de udføres, og alle kald bliver logget.

Virker det med ChatGPT?

Ja. I ChatGPT går du til Settings › Apps & Connectors › Advanced og slår Developer mode til. Derefter tilføjer du dit PipMCP-link. Developer mode kræver et betalt ChatGPT-abonnement: Plus, Pro, Business eller Enterprise. Samme link virker også i Claude (Settings › Connectors › Add custom connector), Cursor og andre MCP-klienter.

Hvad koster det?

Google Vertex AI forbindes med OAuth, og denne OAuth-forbindelse kræver PipMCP Pro. PipMCP har også en gratis plan uden betalingskort, men den dækker ikke denne forbindelse. På de betalte planer betaler du pr. gennemført opgave. Du skal også selv have et Google Cloud-projekt med Vertex AI API slået til.

Hvilket projekt og hvilken region bruger AI'en?

Den bruger det Google Cloud-projekt-ID og den region, du angiver, når du forbinder, for eksempel us-central1 eller europe-west4. Modeller, caches, korpusser og jobs bliver oprettet og læst i det projekt og den region, og al brug af Vertex AI afregnes på din egen Google Cloud-konto.