Intégration · Outils de développement
Connecter Claude et ChatGPT à Google Vertex AI
Laissez votre IA travailler avec votre propre projet Google Cloud sur Vertex AI. Elle peut envoyer des prompts à Gemini et d'autres modèles Google, compter les tokens avant une requête, créer des embeddings de texte et exécuter des prédictions sur des modèles déployés sur un endpoint. Elle peut également créer des corpus RAG et importer des fichiers dans ceux-ci, gérer les caches de contexte et suivre les jobs de prédiction par lot et d'ajustement.
Offre gratuite, sans carte bancaire. Comptez environ une minute.
Essayez de demander
“Demander à gemini-2.5-flash de notre projet de résumer ce contrat.”
L'IA envoie le texte au modèle dans votre projet Vertex AI et région, puis renvoie la réponse du modèle.
“Combien de tokens utilise ce prompt ?”
Il compte les tokens pour le modèle que vous nommez avant qu'une génération ne commence.
“Créer un embedding pour cette description de produit.”
Il crée un embedding de texte avec un modèle Google d'embedding et renvoie le vecteur.
Ce que votre IA peut faire
Générer et embedder
Envoyer des prompts à Gemini et d'autres modèles Google, compter les tokens, créer des embeddings et exécuter des prédictions sur des endpoints déployés.
Corpus RAG et caches
Créer des corpus RAG, importer ou télécharger des fichiers, lister leurs fichiers, et créer, mettre à jour ou supprimer des caches de contexte.
Jobs et endpoints
Lister les endpoints, déployer et indéployer des modèles, et créer, suivre, annuler ou supprimer des jobs de prédiction par lot et d'ajustement.
“Créer un corpus RAG nommé Support docs et importer nos fichiers depuis Cloud Storage.”
Il crée le corpus, puis lance l'importation des fichiers et vous fournit l'opération à suivre.
“Quels caches de contexte avons-nous et quand expirent-ils ?”
Il liste les caches de contexte dans le projet avec leur modèle et heure d'expiration.
“Notre job d'ajustement est-il terminé ?”
Il liste les jobs d'ajustement dans le projet et lit l'état de celui que vous choisissez.
92 outils pour Google Vertex AI
Ces outils sont activés lors de la connexion. Vous pouvez désactiver chacun d’eux ou exiger votre approbation avant son exécution.
cancel_operationSupprime des donnéescancel_operation_aiplatform_projects_locations_endpoints_operatiSupprime des donnéescancel_operation_aiplatform_projects_locations_tuning_jobs_operaSupprime des donnéescancel_operation_cancelSupprime des donnéescancel_projectSupprime des donnéescancel_project_cancelTransfère de l’argentcount_tokensSupprime des donnéesCompter combien de tokens utilise un prompt pour un modèle Google avant l'envoi. Passer `publishers_id`, `models_id` et `contents`.create_cached_contentModifie des donnéesCréer un cache de contexte pour un modèle Gemini avec `model`, `contents` et optionnel `system_instruction`, plus un `ttl` ou `expire_time`. Les caches sont facturés pour le stockage tant qu'ils existent.create_compactModifie des donnéescreate_completionModifie des donnéescreate_completion_aiplatform_projects_locations_endpoints_openapModifie des donnéescreate_compute_tokenSupprime des donnéescreate_compute_token_aiplatform_projects_locations_endpoints_comSupprime des donnéescreate_deploy_modelModifie des donnéescreate_direct_predictModifie des donnéescreate_direct_raw_predictModifie des donnéescreate_embeddingModifie des donnéescreate_explainModifie des donnéescreate_generate_content_aiplatform_projects_locations_endpoints_Modifie des donnéescreate_inferenceModifie des donnéescreate_location_endpointModifie des donnéescreate_location_projectModifie des donnéescreate_location_project_aiplatform_projects_locations_batch_predVisible par d’autrescreate_location_tuning_jobs_rebase_tuned_modelModifie des donnéescreate_mutate_deployed_modelModifie des donnéescreate_predict_aiplatform_projects_locations_endpoints_predictModifie des donnéescreate_predict_long_runningModifie des donnéescreate_predict_long_running_aiplatform_projects_locations_endpoiModifie des donnéescreate_rag_corpora_document_aiplatform_projects_locations_rag_coModifie des donnéescreate_rag_corpusModifie des donnéesCréer un nouveau corpus RAG avec une clé de projet `display_name` et des paramètres optionnels `description`. Retourne une opération longue durée.create_raw_predictModifie des donnéescreate_raw_predict_aiplatform_projects_locations_endpoints_raw_pModifie des donnéescreate_responseModifie des donnéescreate_response_aiplatform_projects_locations_endpoints_openapi_Modifie des donnéescreate_server_streaming_predictModifie des donnéescreate_server_streaming_predict_aiplatform_projects_locations_enModifie des donnéescreate_stream_generate_contentModifie des donnéescreate_stream_generate_content_aiplatform_projects_locations_endModifie des donnéescreate_stream_raw_predictModifie des donnéescreate_stream_raw_predict_aiplatform_projects_locations_endpointModifie des donnéescreate_undeploy_modelModifie des donnéescreate_updateModifie des donnéescreate_waitModifie des donnéescreate_wait_aiplatform_projects_locations_endpoints_operations_wModifie des donnéescreate_wait_aiplatform_projects_locations_rag_corpora_rag_files_Modifie des donnéescreate_wait_aiplatform_projects_locations_tuning_jobs_operationsModifie des donnéesdelete_cached_contentSupprime des donnéesSupprimer définitivement un cache de contexte via `cached_contents_id`.delete_endpoint_operationSupprime des donnéesdelete_endpoint_responseSupprime des donnéesdelete_location_endpointSupprime des donnéesdelete_location_projectTransfère de l’argentdelete_location_rag_corporaSupprime des donnéesdelete_project_operationSupprime des donnéesdelete_rag_corpora_operationSupprime des donnéesdelete_rag_fileSupprime des donnéesSupprimer définitivement un fichier d'un corpus RAG via `rag_corpora_id` et `rag_files_id`.delete_rag_file_operationSupprime des donnéesdelete_responseSupprime des donnéesembed_contentModifie des donnéesCréer un embedding de texte avec un modèle d'embedding Google. Passez `publishers_id` (google), le nom du modèle dans `models_id` et `content` avec les parties de texte ; optionnel `task_type`.generate_content_on_endpointModifie des donnéesGénérer une réponse à partir d'un modèle déployé sur votre propre endpoint (par exemple un modèle Gemini réglé). Passez `endpoints_id` et `contents` ; optionnels `system_instruction` et `generation_config`.get_batch_prediction_jobRécupérer une tâche de prédiction par lots via `batch_prediction_jobs_id`, y compris son état et l'emplacement de sortie.get_cached_contentRécupérer un cache de contexte via `cached_contents_id`, y compris son modèle et l'heure d'expiration.get_endpointRécupérer un endpoint via `endpoints_id`, y compris ses modèles déployés et la répartition du trafic.get_endpoint_operationget_endpoint_predict_operationModifie des donnéesget_endpoint_responseget_location_project_aiplatform_projects_locations_batch_predictget_model_predict_operationModifie des donnéesget_project_operationget_rag_corpusRécupérer un corpus RAG via `rag_corpora_id`, y compris son statut et ses paramètres.get_rag_corpus_operationVérifier la progression d'une opération de corpus RAG (comme une importation) via `rag_corpora_id` et `operations_id`.get_rag_fileRécupérer un fichier d'un corpus RAG via `rag_corpora_id` et `rag_files_id`.get_rag_file_operationget_responseimport_rag_filesModifie des donnéesImporter des fichiers dans un corpus RAG via `rag_corpora_id` depuis Cloud Storage, Drive, Slack, Jira ou SharePoint, défini dans `import_rag_files_config`. Retourne une opération à vérifier avec get_rag_corpus_operation.list_batch_prediction_jobsLister les tâches de prédiction par lots dans le projet, avec un paramètre optionnel `filter`.list_cached_contentsLister les caches de contexte (le contenu des prompts réutilisés dans les requêtes Gemini) du projet.list_endpointsLister les endpoints Vertex AI du projet (modèles déployés), avec optionnellement `filter` et `order_by`.list_rag_corporaLister les corpus RAG du projet (collections de documents utilisées pour la récupération).list_rag_filesLister les fichiers d'un corpus RAG via `rag_corpora_id`.predict_on_endpointModifie des donnéesExécuter une prédiction en ligne sur un modèle déployé sur votre endpoint via `endpoints_id`, avec les paramètres `instances` et optionnellement `parameters`.search_endpoint_operationssearch_location_projects_aiplatform_projects_locations_batch_presearch_project_operationssearch_rag_corpora_operationssearch_rag_file_operationssubmit_endpoint_tokensSupprime des donnéesupdate_deployed_model_invokeModifie des donnéesupdate_endpoint_invokeModifie des donnéesupdate_location_cached_contentModifie des donnéesupdate_location_endpointModifie des donnéesupdate_location_rag_corporaModifie des donnéesupdate_model_invokeModifie des données
Configuration en trois étapes
- 1
Choisissez l’application
Créez un compte PipMCP gratuit et sélectionnez Google Vertex AI dans la liste des applications.
- 2
Collez votre clé
Collez l'ID du client OAuth et le secret du client provenant de votre propre projet Google Cloud, ainsi que votre ID de projet et la région Vertex AI (par exemple us-central1), puis connectez-vous une fois avec Google. Dans la console Google Cloud, créez un projet avec facturation et activez l'API Vertex AI. Configurez l'écran de consentement OAuth, puis sous Credentials, créez un ID du client OAuth de type Application web avec l'URI de redirection https://pipmcp.com/oauth/callback.
- 3
Ajoutez le lien à votre IA
Vous obtenez un lien MCP personnel. Ajoutez-le à Claude, ChatGPT ou Cursor :
- Cliquez sur votre nom, puis sur Paramètres › Connecteurs › Ajouter un connecteur personnalisé.
- Collez votre lien dans le champ URL du serveur MCP distant.
- Activez-le depuis le menu + d’une conversation.
Questions
Que peut faire l'IA sur Google Vertex AI ?
Il peut générer du contenu avec Gemini et d'autres modèles Google, compter les tokens, créer des embeddings et exécuter des prédictions sur des endpoints déployés. Il peut créer et gérer des corpus RAG et leurs fichiers, ainsi que des caches de contexte, des endpoints, des jobs de prédiction par lot et des jobs de réglage, et les annuler ou supprimer si vous activez ces outils.
L'IA voit-elle mes identifiants Google Vertex AI ?
Non. Vos identifiants Google Vertex AI sont chiffrés au repos et jamais affichés à l'IA. Une fois sauvegardés, ils ne sont plus visibles, même pas pour vous. L'IA ne voit que les résultats des outils qu'elle appelle.
Puis-je contrôler ce que l'IA est autorisée à faire ?
Oui. Vous choisissez quels outils sont activés, vous pouvez commencer par générer du contenu et lire des jobs. Supprimer un corpus RAG, un cache ou un endpoint est définitif, et annuler ou supprimer un job de prédiction par lot ne peut pas être défaire, donc ces actions peuvent nécessiter votre approbation avant d'exécuter. Chaque appel d'outil est journalisé.
Fonctionne-t-il avec ChatGPT ?
Oui. Dans ChatGPT, allez dans Paramètres › Applications et connecteurs › Avancé et activez le mode Développeur, puis ajoutez votre lien PipMCP. Le mode Développeur nécessite un abonnement payant ChatGPT : Plus, Pro, Business ou Entreprise. Le même lien fonctionne également dans Claude (Paramètres › Connecteurs › Ajouter un connecteur personnalisé), Cursor et d'autres clients MCP.
Quel est le coût ?
Google Vertex AI se connecte via OAuth, et cette connexion OAuth nécessite le plan PipMCP Pro. Le plan gratuit de PipMCP ne comporte pas de carte bancaire, mais il n'inclut pas cette connexion. Les plans payants facturent par tâche terminée. Vous avez également besoin d'un projet Google Cloud avec l'API Vertex AI activée.
Quel projet et quelle région utilise l'IA ?
Il utilise le projet Google Cloud et la région que vous entrez lors de la connexion, par exemple us-central1 ou europe-west4. Les modèles, caches, corpus et jobs sont créés et lus dans ce projet et cette région, et toute utilisation Vertex AI est facturée à votre compte Google Cloud.
Laissez votre IA travailler dans Google Vertex AI dès aujourd’hui.
Commencez gratuitement. Votre clé reste chiffrée et vous décidez de ce que l’IA peut faire.
Connecter Google Vertex AI gratuitementPipMCP n’est pas affilié à Google Vertex AI. Les noms des produits sont des marques commerciales appartenant à leurs propriétaires respectifs.