Integración · Herramientas de desarrollo

Conecte Claude y ChatGPT con Google Vertex AI

Haga que su IA trabaje en su propio proyecto de Google Cloud en Vertex AI. Puede enviar prompts a Gemini y otros modelos de Google, contar tokens antes de una solicitud, crear embeddings de texto y ejecutar predicciones en modelos desplegados en un endpoint. También puede crear corpora RAG e importar archivos, gestionar cachés de contexto y seguir trabajos de predicción por lotes y ajuste.

Conecta Google Vertex AI gratis

Plan gratuito, sin tarjeta de crédito. Solo lleva un minuto aproximadamente.

Prueba a pedirle

“Pida a gemini-2.5-flash en nuestro proyecto que resuma este contrato.”
La IA envía el texto al modelo en su proyecto de Vertex AI y región, devolviendo la respuesta del modelo.
“¿Cuántos tokens utiliza este prompt?”
Cuenta los tokens para el modelo que nombra antes de generar nada.
“Haga un embedding de esta descripción de producto.”
Crea un embedding de texto con un modelo de Google y devuelve el vector.

Qué puede hacer tu IA

Generar e incorporar

Envía prompts a Gemini y otros modelos de Google, cuenta tokens, crea embeddings y ejecuta predicciones en endpoints desplegados.

Corpora RAG y cachés

Crea corpora RAG, importa o sube archivos, lista sus archivos y crea, actualiza o elimina cachés de contexto.

Trabajos y endpoints

Lista endpoints, despliega y retira modelos, y crea, sigue, cancela o elimina trabajos de predicción por lotes y ajuste.

“Cree un corpus RAG llamado Documentos de soporte e importe nuestros archivos desde Cloud Storage.”
Crea el corpus, inicia la importación de los archivos y le proporciona la operación para seguir.
“¿Qué cachés de contexto tenemos y cuándo expiran?”
Lista las cachés de contexto en el proyecto con su modelo y tiempo de expiración.
“¿Terminó nuestro trabajo de ajuste?”
Lista los trabajos de ajuste en el proyecto y lee el estado del que selecciona.

92 herramientas para Google Vertex AI

Estas herramientas se activan al conectar la aplicación. Puedes desactivar cualquiera de ellas o exigir tu aprobación antes de que se ejecute.

cancel_operationElimina datos
cancel_operation_aiplatform_projects_locations_endpoints_operatiElimina datos
cancel_operation_aiplatform_projects_locations_tuning_jobs_operaElimina datos
cancel_operation_cancelElimina datos
cancel_projectElimina datos
cancel_project_cancelMueve dinero
count_tokensElimina datosCuenta cuántos tokens usa un prompt para un modelo de Google antes de enviarlo. Pasa `publishers_id`, `models_id` y `contents`.
create_cached_contentModifica datosCrea una caché de contexto para un modelo Gemini con `model`, `contents` y opcional `system_instruction`, más un `ttl` o `expire_time`. Las cachés se facturan por almacenamiento mientras existan.
create_compactModifica datos
create_completionModifica datos
create_completion_aiplatform_projects_locations_endpoints_openapModifica datos
create_compute_tokenElimina datos
create_compute_token_aiplatform_projects_locations_endpoints_comElimina datos
create_deploy_modelModifica datos
create_direct_predictModifica datos
create_direct_raw_predictModifica datos
create_embeddingModifica datos
create_explainModifica datos
create_generate_content_aiplatform_projects_locations_endpoints_Modifica datos
create_inferenceModifica datos
create_location_endpointModifica datos
create_location_projectModifica datos
create_location_project_aiplatform_projects_locations_batch_predVisible para otros
create_location_tuning_jobs_rebase_tuned_modelModifica datos
create_mutate_deployed_modelModifica datos
create_predict_aiplatform_projects_locations_endpoints_predictModifica datos
create_predict_long_runningModifica datos
create_predict_long_running_aiplatform_projects_locations_endpoiModifica datos
create_rag_corpora_document_aiplatform_projects_locations_rag_coModifica datos
create_rag_corpusModifica datosCrea un nuevo corpus RAG con una `display_name` y una `description` opcional. Devuelve una operación de larga duración.
create_raw_predictModifica datos
create_raw_predict_aiplatform_projects_locations_endpoints_raw_pModifica datos
create_responseModifica datos
create_response_aiplatform_projects_locations_endpoints_openapi_Modifica datos
create_server_streaming_predictModifica datos
create_server_streaming_predict_aiplatform_projects_locations_enModifica datos
create_stream_generate_contentModifica datos
create_stream_generate_content_aiplatform_projects_locations_endModifica datos
create_stream_raw_predictModifica datos
create_stream_raw_predict_aiplatform_projects_locations_endpointModifica datos
create_undeploy_modelModifica datos
create_updateModifica datos
create_waitModifica datos
create_wait_aiplatform_projects_locations_endpoints_operations_wModifica datos
create_wait_aiplatform_projects_locations_rag_corpora_rag_files_Modifica datos
create_wait_aiplatform_projects_locations_tuning_jobs_operationsModifica datos
delete_cached_contentElimina datosElimina permanentemente un caché de contexto mediante `cached_contents_id`.
delete_endpoint_operationElimina datos
delete_endpoint_responseElimina datos
delete_location_endpointElimina datos
delete_location_projectMueve dinero
delete_location_rag_corporaElimina datos
delete_project_operationElimina datos
delete_rag_corpora_operationElimina datos
delete_rag_fileElimina datosElimina permanentemente un archivo de un corpus RAG mediante `rag_corpora_id` y `rag_files_id`.
delete_rag_file_operationElimina datos
delete_responseElimina datos
embed_contentModifica datosCrea un embedding de texto con un modelo de embeddings de Google. Pase `publishers_id` (google), el nombre del modelo en `models_id` y `content` con las partes de texto; opcional `task_type`.
generate_content_on_endpointModifica datosGenera una respuesta desde un modelo desplegado en su propio endpoint (por ejemplo, un modelo Gemini ajustado). Pase `endpoints_id` y `contents`; opcionales `system_instruction` y `generation_config`.
get_batch_prediction_jobObtiene una tarea de predicción por lotes mediante `batch_prediction_jobs_id`, incluyendo su estado y ubicación de salida.
get_cached_contentObtiene un caché de contexto mediante `cached_contents_id`, incluyendo su modelo y tiempo de expiración.
get_endpointObtiene un endpoint mediante `endpoints_id`, incluyendo sus modelos desplegados y división del tráfico.
get_endpoint_operation
get_endpoint_predict_operationModifica datos
get_endpoint_response
get_location_project_aiplatform_projects_locations_batch_predict
get_model_predict_operationModifica datos
get_project_operation
get_rag_corpusObtiene un corpus RAG mediante `rag_corpora_id`, incluyendo su estado y configuración.
get_rag_corpus_operationVerifica el progreso de una operación de corpus RAG (como la importación de archivos) mediante `rag_corpora_id` y `operations_id`.
get_rag_fileObtiene un archivo en un corpus RAG mediante `rag_corpora_id` y `rag_files_id`.
get_rag_file_operation
get_response
import_rag_filesModifica datosImporta archivos a un corpus RAG mediante `rag_corpora_id` desde Cloud Storage, Google Drive, Slack, Jira o SharePoint, configurado en `import_rag_files_config`. Devuelve una operación para verificar con get_rag_corpus_operation.
list_batch_prediction_jobsLista las tareas de predicción por lotes en el proyecto, con una `filter` opcional.
list_cached_contentsLista los cachés de contexto (contenido de prompt guardado reutilizado en solicitudes Gemini) del proyecto.
list_endpointsLista los endpoints Vertex AI del proyecto (modelos desplegados), con una `filter` y una `order_by` opcionales.
list_rag_corporaLista los corporos RAG del proyecto (colecciones de documentos usadas para recuperación).
list_rag_filesLista los archivos en un corpus RAG mediante `rag_corpora_id`.
predict_on_endpointModifica datosEjecuta una predicción en línea en un modelo desplegado en tu endpoint mediante `endpoints_id`, con `instances` y una `parameters` opcional.
search_endpoint_operations
search_location_projects_aiplatform_projects_locations_batch_pre
search_project_operations
search_rag_corpora_operations
search_rag_file_operations
submit_endpoint_tokensElimina datos
update_deployed_model_invokeModifica datos
update_endpoint_invokeModifica datos
update_location_cached_contentModifica datos
update_location_endpointModifica datos
update_location_rag_corporaModifica datos
update_model_invokeModifica datos

Configúralo en tres pasos

1
Elige la aplicación
Crea una cuenta gratuita de PipMCP y elige Google Vertex AI en la lista de aplicaciones.
2
Pega tu clave
Pegue el ID del cliente OAuth y la clave secreta de su propio proyecto de Google Cloud, junto con su ID de proyecto y región de Vertex AI (por ejemplo us-central1), luego inicie sesión una vez con Google. En la consola de Google Cloud cree un proyecto con facturación habilitando la API de Vertex AI. Configure la pantalla de consentimiento OAuth, luego bajo Credenciales cree un ID del cliente OAuth de tipo Aplicación web con la URI de redirección https://pipmcp.com/oauth/callback.
3
Añade el enlace a tu IA
Recibirás un enlace MCP personal. Añádelo a Claude, ChatGPT o Cursor:
1. Haz clic en tu nombre y luego en Configuración › Conectores › Añadir conector personalizado.
2. Pega tu enlace como URL del servidor MCP remoto.
3. Actívalo desde el menú + de un chat.

Preguntas frecuentes

¿Qué puede hacer la IA en Google Vertex AI?

Puede generar contenido con Gemini y otros modelos de Google, contar tokens, crear embeddings y ejecutar predicciones en endpoints desplegados. Puede crear y gestionar corporos RAG, sus archivos, cachés de contexto, endpoints, trabajos de predicción por lotes y ajustes, y cancelar o eliminarlos si activa esas herramientas.

¿Vea las credenciales de Google Vertex AI?

No. Sus credenciales de Google Vertex AI están encriptadas en reposo y nunca se muestran a la IA. Después de guardarlas, no se vuelven a mostrar, ni siquiera a usted. La IA solo ve los resultados de las herramientas que llama.

¿Puedo controlar qué puede hacer la IA?

Sí. Usted elige qué herramientas activar, por lo que puede comenzar generando contenido y leyendo trabajos. Eliminar un corporo RAG, una caché o un endpoint es permanente, y cancelar o eliminar un trabajo de predicción por lotes no se puede deshacer, por lo que esas acciones pueden requerir su aprobación antes de ejecutarse. Cada llamada a herramienta se registra.

¿Funciona con ChatGPT?

Sí. En ChatGPT ve a Configuración › Aplicaciones y Conectores › Avanzado y activa el Modo Desarrollador, luego añade tu enlace PipMCP. El Modo Desarrollador requiere un plan de pago de ChatGPT: Plus, Pro, Business o Enterprise. El mismo enlace también funciona en Claude (Configuración › Conectores › Añadir conector personalizado), Cursor y otros clientes MCP.

¿Cuánto cuesta?

Google Vertex AI se conecta con OAuth, y esta conexión necesita el plan PipMCP Pro. PipMCP también tiene un plan gratuito sin tarjeta de crédito, pero no incluye esta conexión. Los planes facturados cobran por tarea completada. También necesita su propio proyecto de Google Cloud con la API de Vertex AI habilitada.

¿Qué proyecto y región usa la IA?

Usa el ID del proyecto de Google Cloud y la región que introduce al conectar, por ejemplo us-central1 o europe-west4. Los modelos, cachés, corporos y trabajos se crean y leen en ese proyecto y región, y cualquier uso de Vertex AI se factura a su propia cuenta de Google Cloud.