Integration · Entwicklertools

Claude & ChatGPT mit Google Vertex AI verbinden

Lass deine KI mit deinem eigenen Google Cloud-Projekt in Vertex AI arbeiten. Sie kann Prompts an Gemini und andere Google-Modelle senden, vor einer Anfrage Tokens zählen, Text-Embeddings erstellen und Vorhersagen mit Modellen ausführen, die du auf einem Endpunkt bereitgestellt hast. Außerdem kann sie RAG-Korpora erstellen und Dateien darin importieren, Kontext-Caches verwalten sowie Batch-Vorhersage- und Tuning-Jobs verfolgen.

Google Vertex AI kostenlos verbinden

Kostenloser Tarif, keine Kreditkarte erforderlich. Dauert etwa eine Minute.

Fragen Sie zum Beispiel

“Bitte gemini-2.5-flash in unserem Projekt, diesen Vertrag zusammenzufassen.”
Die KI sendet den Text an das Modell in deinem Vertex AI-Projekt und deiner Region und gibt die Antwort des Modells zurück.
“Wie viele Tokens verwendet dieser Prompt?”
Sie zählt die Tokens für das von dir angegebene Modell, bevor etwas generiert wird.
“Erstelle ein Embedding dieser Produktbeschreibung.”
Sie erstellt mit einem Google-Embedding-Modell ein Text-Embedding und gibt den Vektor zurück.

Was Ihre KI tun kann

Inhalte und Embeddings erstellen

Sende Prompts an Gemini und andere Google-Modelle, zähle Tokens, erstelle Embeddings und führe Vorhersagen auf bereitgestellten Endpunkten aus.

RAG-Korpora und Caches

Erstelle RAG-Korpora, importiere oder lade Dateien hoch, liste ihre Dateien auf und erstelle, aktualisiere oder lösche Kontext-Caches.

Jobs und Endpunkte

Liste Endpunkte auf, stelle Modelle bereit und hebe ihre Bereitstellung auf. Erstelle, verfolge, storniere oder lösche Batch-Vorhersage- und Tuning-Jobs.

“Erstelle ein RAG-Korpus namens Support-Dokumente und importiere unsere Dateien aus Cloud Storage.”
Sie erstellt das Korpus, startet anschließend den Dateiimport und gibt dir den Vorgang zurück, damit du ihn verfolgen kannst.
“Welche Kontext-Caches haben wir, und wann laufen sie ab?”
Sie listet die Kontext-Caches im Projekt mit dem jeweiligen Modell und Ablaufzeitpunkt auf.
“Ist unser Tuning-Job abgeschlossen?”
Sie listet die Tuning-Jobs im Projekt auf und liest den Status des von dir ausgewählten Jobs aus.

22 Tools für Google Vertex AI

Diese Tools werden beim Verbinden aktiviert. Sie können jedes einzelne deaktivieren oder festlegen, dass es vor der Ausführung Ihre Freigabe benötigt.

count_tokensLöscht DatenZähle vor dem Senden, wie viele Tokens ein Prompt für ein Google-Modell verwendet. Übergib `publishers_id`, `models_id` und `contents`.
create_cached_contentÄndert DatenErstelle einen Kontext-Cache für ein Gemini-Modell mit `model`, `contents` und optional `system_instruction` sowie `ttl` oder `expire_time`. Solange Caches bestehen, fallen Speicherkosten an.
create_rag_corpusÄndert DatenErstelle ein neues RAG-Korpus mit `display_name` und optional `description`. Gibt einen lang laufenden Vorgang zurück.
delete_cached_contentLöscht DatenLösche einen Kontext-Cache anhand von `cached_contents_id` endgültig.
delete_rag_fileLöscht DatenEntferne eine Datei anhand von `rag_corpora_id` und `rag_files_id` endgültig aus einem RAG-Korpus.
embed_contentÄndert DatenErstelle ein Text-Embedding mit einem Google-Embedding-Modell. Übergib `publishers_id` (google), den Modellnamen in `models_id` und `content` mit den Textteilen; optional `task_type`.
generate_contentÄndert DatenGeneriere eine Antwort mit einem Google-Modell wie Gemini. Übergib `publishers_id` (google), den Modellnamen in `models_id` und `contents` (eine Liste von Nachrichten mit Rolle und Bestandteilen); optional `system_instruction` und `generation_config`.
generate_content_on_endpointÄndert DatenGeneriere eine Antwort mit einem Modell, das auf deinem eigenen Endpunkt bereitgestellt ist (zum Beispiel einem angepassten Gemini-Modell). Übergib `endpoints_id` und `contents`; optional `system_instruction` und `generation_config`.
get_batch_prediction_jobRufe einen Batch-Vorhersage-Job anhand von `batch_prediction_jobs_id` ab, einschließlich Status und Ausgabeort.
get_cached_contentRufe einen Kontext-Cache anhand von `cached_contents_id` ab, einschließlich Modell und Ablaufzeitpunkt.
get_endpointRufe einen Endpunkt anhand von `endpoints_id` ab, einschließlich seiner bereitgestellten Modelle und der Verteilung des Datenverkehrs.
get_rag_corpusRufe ein RAG-Korpus anhand von `rag_corpora_id` ab, einschließlich Status und Einstellungen.
get_rag_corpus_operationPrüfe den Fortschritt eines RAG-Korpus-Vorgangs (zum Beispiel eines Dateiimports) anhand von `rag_corpora_id` und `operations_id`.
get_rag_fileRufe eine Datei in einem RAG-Korpus anhand von `rag_corpora_id` und `rag_files_id` ab.
import_rag_filesÄndert DatenImportiere Dateien aus Cloud Storage, Google Drive, Slack, Jira oder SharePoint in ein über `rag_corpora_id` angegebenes RAG-Korpus. Die Quelle wird in `import_rag_files_config` festgelegt. Gibt einen Vorgang zurück, den du mit get_rag_corpus_operation prüfen kannst.
list_batch_prediction_jobsListe die Batch-Vorhersage-Jobs im Projekt auf, optional mit `filter`.
list_cached_contentsListe die Kontext-Caches im Projekt auf (gespeicherte Prompt-Inhalte, die bei mehreren Gemini-Anfragen wiederverwendet werden).
list_endpointsListe die Vertex AI-Endpunkte des Projekts (bereitgestellte Modelle) auf, optional mit `filter` und `order_by`.
list_rag_corporaListe die RAG-Korpora des Projekts auf (Dokumentsammlungen zum Abrufen relevanter Inhalte).
list_rag_filesListe die Dateien in einem RAG-Korpus anhand von `rag_corpora_id` auf.
predict_on_endpointÄndert DatenFühre mit `endpoints_id`, `instances` und optional `parameters` eine Online-Vorhersage mit einem auf deinem Endpunkt bereitgestellten Modell aus.
predict_with_modelÄndert DatenFühre mit `publishers_id`, `models_id`, `instances` und optional `parameters` eine Vorhersage mit einem von Google veröffentlichten Modell aus (zum Beispiel einem Bild- oder Embedding-Modell).

In drei Schritten einrichten

1
App auswählen
Erstellen Sie ein kostenloses PipMCP-Konto und wählen Sie Google Vertex AI aus der App-Liste.
2
Schlüssel einfügen
Füge die OAuth-Client-ID und das Client-Secret aus deinem eigenen Google Cloud-Projekt sowie deine Projekt-ID und Vertex AI-Region (zum Beispiel us-central1) ein und melde dich anschließend einmal mit Google an. Erstelle in der Google Cloud-Konsole ein Projekt mit aktivierter Abrechnung und aktiviere die Vertex AI API. Richte den OAuth-Zustimmungsbildschirm ein und erstelle dann unter Anmeldedaten eine OAuth-Client-ID vom Typ Webanwendung mit der Weiterleitungs-URI https://pipmcp.com/oauth/callback.
3
Link zu Ihrer KI hinzufügen
Sie erhalten einen persönlichen MCP-Link. Fügen Sie ihn in Claude, ChatGPT oder Cursor hinzu:
1. Klicken Sie auf Ihren Namen und dann auf Einstellungen › Konnektoren › Benutzerdefinierten Konnektor hinzufügen.
2. Fügen Sie Ihren Link als URL des Remote-MCP-Servers ein.
3. Aktivieren Sie den Konnektor über das +-Menü in einem Chat.

Fragen

Was kann die KI in Google Vertex AI tun?

Sie kann mit Gemini und anderen Google-Modellen Inhalte generieren, Tokens zählen, Embeddings erstellen und Vorhersagen auf bereitgestellten Endpunkten ausführen. Sie kann RAG-Korpora und deren Dateien, Kontext-Caches, Endpunkte, Batch-Vorhersage-Jobs und Tuning-Jobs erstellen und verwalten sowie diese abbrechen oder löschen, wenn du die entsprechenden Tools aktivierst.

Kann die KI meine Google Vertex AI-Zugangsdaten sehen?

Nein. Deine Google Vertex AI-Zugangsdaten werden verschlüsselt gespeichert und der KI niemals angezeigt. Nach dem Speichern werden sie nicht erneut angezeigt, auch dir nicht. Die KI sieht nur die Ergebnisse der Tools, die sie aufruft.

Kann ich festlegen, was die KI tun darf?

Ja. Du wählst aus, welche Tools aktiviert sind, und kannst zunächst nur Inhalte generieren und Jobs abrufen lassen. Das Löschen eines RAG-Korpus, eines Caches oder eines Endpunkts ist endgültig. Auch das Abbrechen oder Löschen eines Batch-Vorhersage-Jobs lässt sich nicht rückgängig machen. Deshalb können diese Aktionen vor der Ausführung deine Freigabe erfordern. Jeder Tool-Aufruf wird protokolliert.

Funktioniert das mit ChatGPT?

Ja. Gehe in ChatGPT zu Einstellungen › Apps & Konnektoren › Erweitert, aktiviere den Entwicklermodus und füge dann deinen PipMCP-Link hinzu. Der Entwicklermodus erfordert einen kostenpflichtigen ChatGPT-Tarif: Plus, Pro, Business oder Enterprise. Derselbe Link funktioniert auch in Claude (Einstellungen › Konnektoren › Benutzerdefinierten Konnektor hinzufügen), Cursor und anderen MCP-Clients.

Was kostet das?

Google Vertex AI wird über OAuth verbunden. Für diese OAuth-Verbindung benötigst du den PipMCP Pro-Tarif. PipMCP bietet auch einen kostenlosen Tarif ohne Kreditkarte an, der diese Verbindung jedoch nicht enthält. Kostenpflichtige Tarife werden pro abgeschlossener Aufgabe abgerechnet. Außerdem benötigst du dein eigenes Google Cloud-Projekt mit aktivierter Vertex AI API.

Welches Projekt und welche Region verwendet die KI?

Sie verwendet die Google Cloud-Projekt-ID und die Region, die du beim Verbinden angibst, zum Beispiel us-central1 oder europe-west4. Modelle, Caches, Korpora und Jobs werden in diesem Projekt und dieser Region erstellt und abgerufen. Jede Nutzung von Vertex AI wird über dein eigenes Google Cloud-Konto abgerechnet.