এই পৃষ্ঠাটি Cloud Translation API অনুবাদ করেছে।

একটি টুল হিসেবে ডাটাবেস: ADK, MCP টুলবক্স এবং ক্লাউড SQL সহ এজেন্টিক RAG

১. ভূমিকা

এআই এজেন্টগুলো ঠিক ততটাই কার্যকর, যতটা ডেটা তারা অ্যাক্সেস করতে পারে। বাস্তব জগতের বেশিরভাগ ডেটা ডেটাবেসে থাকে — এবং এজেন্টদের ডেটাবেসের সাথে সংযুক্ত করার অর্থ হলো সাধারণত আপনার এজেন্ট কোডের মধ্যে কানেকশন ম্যানেজমেন্ট, কোয়েরি লজিক লেখা এবং পাইপলাইন এমবেড করা। ডেটাবেস অ্যাক্সেসের প্রয়োজন এমন প্রতিটি এজেন্টকে এই কাজটি বারবার করতে হয়, এবং প্রতিটি কোয়েরি পরিবর্তনের জন্য এজেন্টটিকে পুনরায় ডেপ্লয় করতে হয়।

এই কোডল্যাবটি একটি ভিন্ন পদ্ধতি দেখায়। আপনি একটি YAML ফাইলে আপনার ডাটাবেস টুলগুলো ঘোষণা করেন — যেমন সাধারণ SQL কোয়েরি, ভেক্টর সিমিলারিটি সার্চ, এমনকি স্বয়ংক্রিয় এমবেডিং জেনারেশন — এবং MCP টুলবক্স ফর ডাটাবেস একটি MCP সার্ভার হিসেবে সমস্ত ডাটাবেস অপারেশন পরিচালনা করে। আপনার এজেন্ট কোড ন্যূনতম থাকে: টুলগুলো লোড করুন, এবং কোনটি কল করতে হবে তা জেমিনিকে সিদ্ধান্ত নিতে দিন।

আপনি যা তৈরি করবেন

A Restaurant Concierge for "Foodie Finds" — an ADK agent powered by Gemini that helps diners browse a restaurant's menu using standard filters (category, cuisine type) and discover dishes through natural language descriptions like "I want something spicy and vegetarian." The agent reads from and writes to a Cloud SQL PostgreSQL database entirely through MCP Toolbox for Databases, which handles all database access — including automatic embedding generation for vector search. By the end, both the Toolbox and the agent run on Cloud Run.

আপনি যা শিখবেন

কীভাবে এমসিপি (মডেল কনটেক্সট প্রোটোকল) এআই এজেন্টদের জন্য টুল অ্যাক্সেসকে প্রমিত করে, এবং কীভাবে এমসিপি টুলবক্স ফর ডেটাবেসেস এটিকে ডেটাবেস অপারেশনে প্রয়োগ করে।
ADK এজেন্ট এবং ক্লাউড SQL PostgreSQL-এর মধ্যে মিডলওয়্যার হিসেবে MCP টুলবক্স ফর ডেটাবেস সেট আপ করুন।
tools.yaml ফাইলে ডিক্লারেটিভভাবে ডাটাবেস টুলস সংজ্ঞায়িত করুন — আপনার এজেন্টে কোনো ডাটাবেস কোড থাকবে না
ToolboxToolset ব্যবহার করে একটি ADK এজেন্ট তৈরি করুন যা একটি চলমান টুলবক্স সার্ভার থেকে টুল লোড করে।
Cloud SQL-এর বিল্ট-ইন embedding() ফাংশন ব্যবহার করে ভেক্টর এমবেডিং তৈরি করুন এবং pgvector সাহায্যে সিমান্টিক সার্চ সক্রিয় করুন।
রাইট অপারেশনে স্বয়ংক্রিয় ভেক্টর ইনজেশনের জন্য valueFromParam ফিচারটি ব্যবহার করুন।
টুলবক্স সার্ভার এবং ADK এজেন্ট উভয়কেই ক্লাউড রান-এ স্থাপন করুন।

পূর্বশর্ত

ট্রায়াল বিলিং অ্যাকাউন্ট সহ একটি গুগল ক্লাউড অ্যাকাউন্ট
পাইথন এবং SQL সম্পর্কে প্রাথমিক ধারণা।
ক্লাউড ডেটাবেস এবং ADK-এর পূর্ব অভিজ্ঞতা থাকলে সহায়ক হবে।

২. আপনার পরিবেশ প্রস্তুত করুন

এই ধাপে আপনার ক্লাউড শেল এনভায়রনমেন্ট প্রস্তুত করা হয়, আপনার গুগল ক্লাউড প্রজেক্ট কনফিগার করা হয় এবং রেফারেন্স রিপোজিটরি ক্লোন করা হয়।

ওপেন ক্লাউড শেল

আপনার ব্রাউজারে ক্লাউড শেল খুলুন। ক্লাউড শেল এই কোডল্যাবের জন্য আপনার প্রয়োজনীয় সমস্ত সরঞ্জাম সহ একটি পূর্ব-কনফিগার করা পরিবেশ প্রদান করে। অনুরোধ করা হলে অনুমোদন করুন (Authorize) বোতামে ক্লিক করুন।

এরপর টার্মিনাল খোলার জন্য " ভিউ " -> " টার্মিনাল "-এ ক্লিক করুন। আপনার ইন্টারফেসটি দেখতে এইরকম হবে।

এটাই হবে আমাদের মূল ইন্টারফেস, উপরে IDE, নিচে টার্মিনাল।

আপনার ওয়ার্কিং ডিরেক্টরি সেট আপ করুন

আপনার ওয়ার্কিং ডিরেক্টরি তৈরি করুন। এই কোডল্যাবে আপনার লেখা সমস্ত কোড এখানেই থাকবে:

mkdir -p ~/build-agent-adk-toolbox-cloudsql
cloudshell workspace ~/build-agent-adk-toolbox-cloudsql && cd ~/build-agent-adk-toolbox-cloudsql

এরপরে, সিডিং স্ক্রিপ্ট এবং লগের মতো বিষয়গুলো পরিচালনা করার জন্য কয়েকটি ডিরেক্টরি প্রস্তুত করা যাক।

mkdir -p ~/build-agent-adk-toolbox-cloudsql/scripts
mkdir -p ~/build-agent-adk-toolbox-cloudsql/logs

আপনার গুগল ক্লাউড প্রজেক্ট সেট আপ করুন

অবস্থান ভেরিয়েবলগুলো দিয়ে .env ফাইলটি তৈরি করুন:

# For Vertex AI / Gemini API calls
echo "GOOGLE_CLOUD_LOCATION=global" > .env
# For Cloud SQL, Cloud Run, Artifact Registry
echo "REGION=us-central1" >> .env

গুরুত্বপূর্ণ! নিচের ধাপটি একটি ট্রায়াল বিলিং অ্যাকাউন্টের (কঠোর) সাথে লিঙ্ক করা গুগল ক্লাউড প্রজেক্ট দ্রুত সেটআপ করতে সাহায্য করার জন্য দেওয়া হয়েছে। আপনি যদি আপনার নিজের পূর্ববর্তী প্রজেক্ট ব্যবহার করতে চান, তাহলে আপনি নিম্নলিখিত ধাপটি এড়িয়ে যেতে পারেন এবং এর পরিবর্তে নিম্নলিখিত ধাপটি অনুসরণ করতে পারেন:

.env ফাইলে GOOGLE_CLOUD_PROJECT ভেরিয়েবল হিসেবে আপনার নিজের প্রোজেক্টের নাম যোগ করুন।
টার্মিনালে gcloud config set project your-project-id ব্যবহার করে আপনার প্রজেক্টটি সক্রিয় করুন।

এরপরে, আপনি সরাসরি এপিআই অ্যাক্টিভেশন বিভাগে চলে যেতে পারেন।

আপনি যদি এ বিষয়ে নিশ্চিত না হন, তবে নিচের অংশটি পড়তে থাকুন।

আপনার টার্মিনালে প্রজেক্ট সেটআপ সহজ করার জন্য, এই প্রজেক্ট সেটআপ স্ক্রিপ্টটি আপনার ওয়ার্কিং ডিরেক্টরিতে ডাউনলোড করুন:

curl -sL https://raw.githubusercontent.com/alphinside/cloud-trial-project-setup/main/setup_verify_trial_project.sh -o setup_verify_trial_project.sh

স্ক্রিপ্টটি চালান। এটি আপনার ট্রায়াল বিলিং অ্যাকাউন্ট যাচাই করে, একটি নতুন প্রজেক্ট তৈরি করে (অথবা বিদ্যমান কোনো প্রজেক্টকে বৈধতা দেয়), আপনার প্রজেক্ট আইডি বর্তমান ডিরেক্টরির একটি .env ফাইলে সংরক্ষণ করে এবং gcloud এ সক্রিয় প্রজেক্টটি সেট করে।

bash setup_verify_trial_project.sh && source .env

স্ক্রিপ্টটি করবে:

আপনার একটি সক্রিয় ট্রায়াল বিলিং অ্যাকাউন্ট আছে কিনা তা যাচাই করুন।
.env ফাইলে কোনো বিদ্যমান প্রজেক্ট আছে কিনা তা পরীক্ষা করুন (যদি থাকে)।
একটি নতুন প্রকল্প তৈরি করুন অথবা বিদ্যমান প্রকল্পটি পুনরায় ব্যবহার করুন।
ট্রায়াল বিলিং অ্যাকাউন্টটি আপনার প্রোজেক্টের সাথে লিঙ্ক করুন।
প্রজেক্ট আইডিটি .env ফাইলে সংরক্ষণ করুন।
প্রজেক্টটিকে সক্রিয় gcloud প্রজেক্ট হিসেবে সেট করুন।

ক্লাউড শেল টার্মিনাল প্রম্পটে আপনার ওয়ার্কিং ডিরেক্টরির পাশে থাকা হলুদ লেখাটি দেখে প্রজেক্টটি সঠিকভাবে সেট করা হয়েছে কিনা তা যাচাই করুন। সেখানে আপনার প্রজেক্ট আইডি প্রদর্শিত হওয়া উচিত।

পরামর্শ: এই কোডল্যাব চলাকালীন যেকোনো মুহূর্তে যদি আপনার ক্লাউড শেল সেশন রিসেট হয়ে যায়, তাহলে আপনার ওয়ার্কিং ডিরেক্টরিতে ফিরে যান এবং আপনার প্রোজেক্ট কনফিগারেশন পুনরুদ্ধার করতে bash setup_verify_trial_project.sh && source .env পুনরায় চালান। টার্মিনাল প্রম্পটে হলুদ রঙের প্রোজেক্ট আইডি লেখাটি আবার দেখা যাচ্ছে কিনা তা নিশ্চিত করুন।

প্রয়োজনীয় এপিআই সক্রিয় করুন

এরপরে, পণ্যটির জন্য আমাদের কয়েকটি API সক্রিয় করতে হবে, যেগুলোর সাথে আমরা কাজ করব:

gcloud services enable \
  aiplatform.googleapis.com \
  sqladmin.googleapis.com \
  compute.googleapis.com \
  run.googleapis.com \
  cloudbuild.googleapis.com \
  artifactregistry.googleapis.com

ভার্টেক্স এআই এপিআই ( aiplatform.googleapis.com ) — আপনার এজেন্ট জেমিনি মডেল ব্যবহার করে, এবং টুলবক্স ভেক্টর সার্চের জন্য এমবেডিং এপিআই ব্যবহার করে।
ক্লাউড এসকিউএল অ্যাডমিন এপিআই ( sqladmin.googleapis.com ) — এর মাধ্যমে আপনি একটি পোস্টগ্রেসকিউএল ইনস্ট্যান্স প্রোভিশন এবং ম্যানেজ করতে পারেন।
কম্পিউট ইঞ্জিন এপিআই ( compute.googleapis.com ) — ক্লাউড এসকিউএল ইনস্ট্যান্স তৈরি করার জন্য এটি প্রয়োজন।
ক্লাউড রান, ক্লাউড বিল্ড, আর্টিফ্যাক্ট রেজিস্ট্রি — এই কোডল্যাবের পরবর্তী অংশে ডিপ্লয়মেন্ট ধাপে ব্যবহৃত হবে।

৩. ডাটাবেস প্রারম্ভিককরণের জন্য স্ক্রিপ্ট প্রস্তুত করা

এই ধাপে ক্লাউড এসকিউএল ইনস্ট্যান্স তৈরি শুরু হয় এবং একটি স্বয়ংক্রিয় সেটআপ স্ক্রিপ্ট চলে, যা ইনস্ট্যান্সটি প্রস্তুত হওয়ার জন্য অপেক্ষা করে, তারপর ডেটাবেস তৈরি করে, জব লিস্টিং দিয়ে সেটিকে সিড করে এবং এমবেডিং জেনারেট করে — এই সবকিছু একটিমাত্র অপারেশনেই সম্পন্ন হয়।

প্রথমে, আপনার .env ফাইলে ডাটাবেস পাসওয়ার্ডটি যোগ করুন এবং ফাইলটি রিলোড করুন:

echo "DB_PASSWORD=restaurant-pwd" >> .env
echo "DB_INSTANCE=restaurant-instance" >> .env
echo "DB_NAME=restaurant_db" >> .env
source .env

গুরুত্বপূর্ণ! উপরে দেওয়া হার্ডকোডেড পাসওয়ার্ডটি শুধুমাত্র টিউটোরিয়ালের উদ্দেশ্যে দেওয়া হয়েছে। প্রোডাকশন এনভায়রনমেন্টে, সিক্রেট ম্যানেজারের মতো কোনো সার্ভিস ব্যবহার করে ক্রেডেনশিয়ালগুলো নিরাপদে সংরক্ষণ করুন এবং রানটাইমে সেগুলোকে রেফারেন্স হিসেবে ব্যবহার করুন — কখনোই প্লেইনটেক্সট সিক্রেট সোর্স কন্ট্রোলে কমিট করবেন না।

ইনস্ট্যান্স এবং ডাটাবেস তৈরির জন্য ব্যাশ স্ক্রিপ্ট তৈরি করা

এরপর, নিচের কমান্ডটি ব্যবহার করে scripts/setup_database.sh স্ক্রিপ্টটি তৈরি করুন।

mkdir -p ~/build-agent-adk-toolbox-cloudsql/scripts
cloudshell edit scripts/setup_database.sh

এরপর, নিচের কোডটি scripts/setup_database.sh ফাইলে কপি করুন।

#!/bin/bash
set -e
source .env

echo "================================================"
echo "Database Setup"
echo "================================================"
echo ""

# Step 1: Create Cloud SQL instance
echo "[1/5] Creating Cloud SQL instance..."

# Check if instance already exists
if gcloud sql instances describe "$DB_INSTANCE" --quiet >/dev/null 2>&1; then
    echo "      Instance already exists"
else
    echo "      Creating instance (takes 5-10 minutes)..."
    gcloud sql instances create "$DB_INSTANCE" \
        --database-version=POSTGRES_17 \
        --tier=db-custom-1-3840 \
        --edition=ENTERPRISE \
        --region="$REGION" \
        --root-password="$DB_PASSWORD" \
        --enable-google-ml-integration \
        --database-flags cloudsql.enable_google_ml_integration=on \
        --quiet
fi
echo "      ✓ Instance ready"
echo ""

# Step 2: Verify instance is ready
echo "[2/5] Verifying instance state..."

STATE=$(gcloud sql instances describe "$DB_INSTANCE" --format='value(state)')

if [ "$STATE" != "RUNNABLE" ]; then
    echo "ERROR: Instance not ready (state: $STATE)"
    exit 1
fi
echo "      ✓ Instance is RUNNABLE"
echo ""

# Step 3: Grant IAM permissions
echo "[3/5] Granting Vertex AI permissions..."

SERVICE_ACCOUNT=$(gcloud sql instances describe "$DB_INSTANCE" \
    --format='value(serviceAccountEmailAddress)')

if [ -z "$SERVICE_ACCOUNT" ]; then
    echo "ERROR: Could not retrieve service account"
    exit 1
fi

gcloud projects add-iam-policy-binding "$GOOGLE_CLOUD_PROJECT" \
    --member="serviceAccount:$SERVICE_ACCOUNT" \
    --role="roles/aiplatform.user" \
    --quiet

echo "      ✓ Permissions granted"
echo ""

# Step 4: Create database
echo "[4/5] Creating database..."

# Check if database already exists
if gcloud sql databases describe "$DB_NAME" \
    --instance="$DB_INSTANCE" --quiet >/dev/null 2>&1; then
    echo "      Database already exists"
else
    gcloud sql databases create "$DB_NAME" \
        --instance="$DB_INSTANCE" \
        --quiet
fi

echo "      ✓ Database '$DB_NAME' ready"
echo ""

# Step 5: Seed database and generate embeddings
echo "[5/5] Seeding database and generating embeddings..."

SCRIPT_DIR="$(cd "$(dirname "${BASH_SOURCE[0]}")" && pwd)"
SETUP_SCRIPT="${SCRIPT_DIR}/setup_restaurant_db.py"

if [ ! -f "$SETUP_SCRIPT" ]; then
    echo "ERROR: Setup script not found: $SETUP_SCRIPT"
    exit 1
fi

uv run "$SETUP_SCRIPT"

echo ""
echo "================================================"
echo "Setup complete!"
echo "================================================"
echo ""

ডেটা সিডের জন্য পাইথন স্ক্রিপ্ট তৈরি করা

এরপরে, নিচের কমান্ডটি ব্যবহার করে scripts/setup_restaurant_db.py নামের সিডিং স্ক্রিপ্ট পাইথন ফাইলটি তৈরি করুন।

cloudshell edit scripts/setup_restaurant_db.py

এরপর, নিচের কোডটি scripts/setup_restaurant_db.py ফাইলে কপি করুন।

import os
import sys
from pathlib import Path
from dotenv import load_dotenv
from google.cloud.sql.connector import Connector
import pg8000
import time

# Load environment variables from .env file
env_path = Path(__file__).parent.parent / '.env'
load_dotenv(env_path)
EMBEDDING_MODEL='gemini-embedding-001'

# Verify required environment variables
required_vars = ['GOOGLE_CLOUD_PROJECT', 'REGION', 'DB_PASSWORD']
missing_vars = [var for var in required_vars if not os.environ.get(var)]

if missing_vars:
    print(f"ERROR: Missing required environment variables: {', '.join(missing_vars)}", file=sys.stderr)
    print(f"", file=sys.stderr)
    print(f"Expected .env file location: {env_path}", file=sys.stderr)
    if not env_path.exists():
        print(f"✗ File not found at that location", file=sys.stderr)
    else:
        print(f"✓ File exists but is missing the variables above", file=sys.stderr)
    print(f"", file=sys.stderr)
    print(f"Make sure your .env file contains:", file=sys.stderr)
    for var in missing_vars:
        print(f"  {var}=<value>", file=sys.stderr)
    sys.exit(1)

# Menu items data
MENU_ITEMS = [
    ("Truffle Mushroom Risotto", "Italian", "Main Course",
     "Arborio rice, truffle oil, porcini mushrooms, parmesan, white wine",
     "$28", "Vegetarian, Gluten-Free", True,
     "A creamy, luxurious risotto made with arborio rice slow-cooked in white wine and mushroom broth, finished with shaved black truffle and aged parmesan. The porcini mushrooms add a deep, earthy flavor that pairs beautifully with the delicate truffle oil drizzled on top."),
    ("Spicy Tuna Tartare", "Japanese", "Appetizer",
     "Ahi tuna, sriracha, sesame oil, avocado, crispy wonton",
     "$22", "Gluten-Free, Dairy-Free", True,
     "Fresh ahi tuna diced and tossed with sriracha aioli, toasted sesame oil, and lime juice, served atop creamy avocado slices with crispy wonton chips. A perfect balance of heat, richness, and crunch inspired by modern Japanese fusion cuisine."),
    ("Lamb Kofta Kebab", "Middle Eastern", "Main Course",
     "Ground lamb, cumin, coriander, yogurt sauce, flatbread",
     "$24", "Halal", True,
     "Hand-formed spiced lamb kebabs grilled over charcoal, seasoned with cumin, coriander, and sumac. Served with warm flatbread, tangy yogurt-cucumber sauce, and a fresh herb salad. A classic Middle Eastern street food elevated with premium ingredients."),
    ("Pad Thai", "Thai", "Main Course",
     "Rice noodles, shrimp, tamarind, peanuts, bean sprouts, lime",
     "$19", "Gluten-Free, Dairy-Free", True,
     "Stir-fried rice noodles with tiger shrimp, scrambled egg, and a sweet-sour tamarind sauce, topped with crushed peanuts, fresh bean sprouts, and a squeeze of lime. This classic Thai street food dish balances sweet, sour, salty, and umami in every bite."),
    ("Margherita Pizza", "Italian", "Main Course",
     "San Marzano tomatoes, fresh mozzarella, basil, olive oil",
     "$18", "Vegetarian", True,
     "A Neapolitan-style pizza with a thin, charred crust topped with crushed San Marzano tomatoes, creamy buffalo mozzarella, fresh basil leaves, and a drizzle of extra virgin olive oil. Simple, classic, and made with imported Italian ingredients."),
    ("Miso Glazed Black Cod", "Japanese", "Main Course",
     "Black cod, white miso, mirin, sake, pickled ginger",
     "$36", "Gluten-Free, Dairy-Free", True,
     "Buttery black cod marinated for 72 hours in a sweet white miso glaze with mirin and sake, then broiled until caramelized. Served with pickled ginger and steamed bok choy. A signature dish inspired by Nobu's iconic preparation."),
    ("Caesar Salad", "American", "Appetizer",
     "Romaine lettuce, parmesan, croutons, anchovy dressing",
     "$14", "Contains Gluten", True,
     "Crisp romaine hearts tossed with a house-made anchovy-garlic dressing, shaved parmesan, and golden sourdough croutons. A timeless salad that serves as the perfect light starter or side dish with grilled proteins."),
    ("Chicken Tikka Masala", "Indian", "Main Course",
     "Chicken thigh, tomato cream sauce, garam masala, basmati rice",
     "$21", "Gluten-Free", True,
     "Tender chunks of tandoori-marinated chicken simmered in a rich, creamy tomato sauce spiced with garam masala, cumin, and fenugreek. Served over fragrant basmati rice with warm garlic naan on the side."),
    ("Chocolate Lava Cake", "French", "Dessert",
     "Dark chocolate, butter, eggs, vanilla, powdered sugar",
     "$15", "Vegetarian", True,
     "A warm, individual-sized chocolate cake with a molten dark chocolate center that flows when you break through the delicate outer shell. Made with 70% Belgian dark chocolate and served with a scoop of vanilla bean ice cream."),
    ("Pho Bo", "Vietnamese", "Main Course",
     "Rice noodles, beef brisket, star anise, cinnamon, bean sprouts, Thai basil",
     "$17", "Gluten-Free, Dairy-Free", True,
     "A deeply aromatic beef broth simmered for 12 hours with star anise, cinnamon, and charred ginger, ladled over rice noodles and thinly sliced beef brisket. Served with fresh Thai basil, bean sprouts, jalapeño, and lime for the table to customize."),
    ("Lobster Bisque", "French", "Appetizer",
     "Lobster, heavy cream, cognac, tarragon, cayenne",
     "$19", "Gluten-Free", True,
     "A velvety smooth soup made from roasted lobster shells, finished with heavy cream, a splash of cognac, and fresh tarragon. Each bowl is garnished with tender lobster meat and a pinch of cayenne for subtle warmth."),
    ("Falafel Plate", "Middle Eastern", "Main Course",
     "Chickpeas, herbs, tahini, pickled vegetables, hummus",
     "$16", "Vegan, Gluten-Free", True,
     "Crispy-on-the-outside, fluffy-on-the-inside chickpea fritters seasoned with fresh parsley, cilantro, and cumin. Served with creamy tahini sauce, house-made hummus, pickled turnips, and warm pita bread."),
    ("Crème Brûlée", "French", "Dessert",
     "Heavy cream, vanilla bean, egg yolks, caramelized sugar",
     "$13", "Vegetarian, Gluten-Free", True,
     "A classic French custard made with Madagascar vanilla bean and farm-fresh egg yolks, topped with a perfectly torched layer of caramelized sugar that cracks with a satisfying snap. Rich, creamy, and elegantly simple."),
    ("Korean BBQ Short Ribs", "Korean", "Main Course",
     "Beef short ribs, soy sauce, sesame, garlic, pear marinade",
     "$32", "Dairy-Free", False,
     "Premium beef short ribs marinated overnight in a sweet and savory blend of soy sauce, Asian pear, garlic, and toasted sesame. Grilled tableside over charcoal and served with lettuce wraps, pickled daikon, and gochujang dipping sauce."),
    ("Tiramisu", "Italian", "Dessert",
     "Mascarpone, espresso, ladyfingers, cocoa, Marsala wine",
     "$14", "Vegetarian, Contains Gluten", True,
     "Layers of espresso-soaked ladyfingers and whipped mascarpone cream flavored with Marsala wine, dusted with premium Dutch cocoa powder. Made fresh daily and chilled for 24 hours to develop rich, complex flavors."),
]


def get_connection():
    """Create a connection to Cloud SQL using the connector."""
    project = os.environ['GOOGLE_CLOUD_PROJECT']
    region = os.environ['REGION']
    password = os.environ['DB_PASSWORD']
    instance = os.environ['DB_INSTANCE']
    database = os.environ['DB_NAME']

    connector = Connector()
    conn = connector.connect(
        f"{project}:{region}:{instance}",
        "pg8000",
        user="postgres",
        password=password,
        db=database
    )
    return conn, connector


def create_schema(cursor):
    """Create extensions and menu_items table."""
    cursor.execute("CREATE EXTENSION IF NOT EXISTS google_ml_integration")
    cursor.execute("CREATE EXTENSION IF NOT EXISTS vector")
    cursor.execute("""
        CREATE TABLE IF NOT EXISTS menu_items (
            id SERIAL PRIMARY KEY,
            name VARCHAR NOT NULL,
            cuisine_type VARCHAR NOT NULL,
            category VARCHAR NOT NULL,
            ingredients VARCHAR NOT NULL,
            price VARCHAR NOT NULL,
            dietary_tags VARCHAR NOT NULL,
            available BOOLEAN NOT NULL DEFAULT TRUE,
            description TEXT NOT NULL,
            description_embedding vector(3072)
        )
    """)


def seed_menu_items(cursor, conn):
    """Insert menu items."""
    cursor.execute("SELECT COUNT(*) FROM menu_items")
    existing_count = cursor.fetchone()[0]

    if existing_count > 0:
        print(f"      {existing_count} menu items already exist, skipping seed")
        return 0

    cursor.executemany("""
        INSERT INTO menu_items (name, cuisine_type, category, ingredients, price, dietary_tags, available, description)
        VALUES (%s, %s, %s, %s, %s, %s, %s, %s)
    """, MENU_ITEMS)
    conn.commit()
    return len(MENU_ITEMS)


def generate_embeddings(cursor, conn):
    """Generate embeddings using Cloud SQL's embedding() function."""
    cursor.execute("SELECT COUNT(*) FROM menu_items WHERE description_embedding IS NULL")
    null_count = cursor.fetchone()[0]

    if null_count == 0:
        print("      All menu items already have embeddings")
        return 0

    cursor.execute(f"""
        UPDATE menu_items
        SET description_embedding = embedding('{EMBEDDING_MODEL}', description)::vector
        WHERE description_embedding IS NULL
    """)
    rows_updated = cursor.rowcount
    conn.commit()
    return rows_updated


def main():
    conn, connector = get_connection()
    cursor = conn.cursor()

    try:
        create_schema(cursor)
        conn.commit()

        seeded = seed_menu_items(cursor, conn)
        if seeded > 0:
            print(f"      ✓ Inserted {seeded} menu items")

        # Waiting for vertex role propagation
        time.sleep(60)
        embedded = generate_embeddings(cursor, conn)
        if embedded > 0:
            print(f"      ✓ Generated {embedded} embeddings")

    except Exception as e:
        print(f"ERROR: {e}", file=sys.stderr)
        sys.exit(1)
    finally:
        cursor.close()
        conn.close()
        connector.close()


if __name__ == "__main__":
    main()

এবার, পরবর্তী ধাপে যাওয়া যাক।

৪. ডাটাবেস তৈরি এবং প্রারম্ভিকীকরণ করুন

এখন আমাদের স্ক্রিপ্টগুলো চালানোর জন্য প্রস্তুত। আমাদের তৈরি করা স্ক্রিপ্টটি চালানোর জন্য পাইথন প্রয়োজন হবে, তাই চলুন প্রথমে সেটি প্রস্তুত করে নেওয়া যাক।

পাইথন প্রজেক্টটি সেট আপ করুন

uv হলো রাস্ট (Rust) ভাষায় লেখা একটি দ্রুতগতির পাইথন প্যাকেজ ও প্রজেক্ট ম্যানেজার ( uv ডকুমেন্টেশন দেখুন )। এই কোডল্যাবটি পাইথন প্রজেক্ট রক্ষণাবেক্ষণে গতি ও সরলতার জন্য এটি ব্যবহার করে।

একটি পাইথন প্রজেক্ট শুরু করুন এবং প্রয়োজনীয় ডিপেন্ডেন্সিগুলো যোগ করুন:

uv init
uv add cloud-sql-python-connector --extra pg8000
uv add python-dotenv

উল্লেখ্য যে, আমরা এখানে আমাদের ডাটাবেস ইনস্ট্যান্সের সাথে একটি সুরক্ষিত সংযোগ স্থাপন করতে cloud-sql-python-connector পাইথন SDK ব্যবহার করছি, যা অ্যাপ্লিকেশন ডিফল্ট ক্রেডেনশিয়াল ব্যবহার করে প্রমাণীকৃত হয়।

সেটআপ স্ক্রিপ্টটি চালান।

এখন, আমরা নিম্নলিখিত কমান্ডটি ব্যবহার করে সেটআপ স্ক্রিপ্টটি ব্যাকগ্রাউন্ডে চালাতে এবং logs/atabase_setup.log ফাইলে লেখা কনসোল আউটপুট পরীক্ষা করতে পারি। এটি শেষ হওয়ার জন্য অপেক্ষা করার সময় আপনি পরবর্তী বিভাগে যেতে পারেন।

mkdir -p ~/build-agent-adk-toolbox-cloudsql/logs
bash scripts/setup_database.sh > logs/database_setup.log 2>&1 &

টুলবক্স বাইনারি ডাউনলোড করুন

We will utilize MCP Toolbox in this tutorial, fortunately it comes with a pre-built binary that is ready to be used in the Linux environment. Now, let's download it in the background as well as it takes quite a while. Run the following command to download the binary and inspect the output log on the logs/toolbox_dl.log . You can continue to the next section while waiting this to be finished

cd ~/build-agent-adk-toolbox-cloudsql
curl -O https://storage.googleapis.com/mcp-toolbox-for-databases/v1.1.0/linux/amd64/toolbox > logs/toolbox_dl.log 2>&1 &

সেটআপ স্ক্রিপ্ট `scripts/setup_database.sh` বোঝা

এখন আমরা পূর্বে কনফিগার করা সেটআপ স্ক্রিপ্টটি বোঝার চেষ্টা করব। এটি নিম্নলিখিত প্রক্রিয়াটি সম্পন্ন করে।

সেখানে আমরা সর্বপ্রথম যে কমান্ডটি চালাই, সেটি হলো gcloud sql instances create কমান্ড, সাথে নিম্নলিখিত ফ্ল্যাগটি ব্যবহার করি।

db-custom-1-3840 হলো ENTERPRISE সংস্করণের সবচেয়ে ছোট ডেডিকেটেড-কোর ক্লাউড এসকিউএল টিয়ার (১ vCPU, ৩.৭৫ জিবি র‍্যাম)। আপনি এখানে আরও বিস্তারিত জানতে পারবেন। ভার্টেক্স এআই এমএল ইন্টিগ্রেশনের জন্য একটি ডেডিকেটেড কোর প্রয়োজন — শেয়ার্ড-কোর টিয়ারগুলো ( db-f1-micro , db-g1-small ) এটি সমর্থন করে না।
--root-password ডিফল্ট postgres ব্যবহারকারীর পাসওয়ার্ড সেট করে।
--enable-google-ml-integration ক্লাউড এসকিউএল-এর ভার্টেক্স এআই (Vertex AI)-এর সাথে অন্তর্নির্মিত ইন্টিগ্রেশন সক্রিয় করে, যা আপনাকে embedding() ফাংশন ব্যবহার করে সরাসরি এসকিউএল (SQL) থেকে এম্বেডিং মডেল কল করতে দেয়।

ইনস্ট্যান্সটি ইতিমধ্যেই RUNNABLE অবস্থায় আছে কিনা যাচাই করুন।
gcloud projects add-iam-policy-binding কমান্ডটি ব্যবহার করে ক্লাউড SQL ইনস্ট্যান্সের সার্ভিস অ্যাকাউন্টকে Vertex AI কল করার অনুমতি দিন। ডাটাবেস সিড করার সময় আমরা যে বিল্ট-ইন ` embedding() ফাংশনটি ব্যবহার করব, তার জন্য এটি প্রয়োজন।
ডাটাবেস তৈরি করা
সিডিং স্ক্রিপ্ট setup_restaurant_db.py স্ক্রিপ্টটি চালানো হচ্ছে

সিড স্ক্রিপ্ট বোঝা `scripts/setup_restaurant_db.py`

এবার সিডিং স্ক্রিপ্টের কথায় আসা যাক, এই স্ক্রিপ্টটি নিম্নলিখিত কাজগুলো করে:

ডাটাবেস ইনস্ট্যান্সের সাথে সংযোগ শুরু করুন
দুটি PostgreSQL এক্সটেনশন ইনস্টল করে:

google_ml_integration — provides the embedding() SQL function, which calls Vertex AI embedding models directly from SQL. This is a database-level extension that makes ML functions available inside restaurant_db . The instance-level flag ( --enable-google-ml-integration ) you set during instance creation allows the Cloud SQL VM to reach Vertex AI — the extension makes the SQL functions available within this specific database.
vector ( pgvector ) — এমবেডিং সংরক্ষণ এবং কোয়েরি করার জন্য vector ডেটা টাইপ এবং ডিসট্যান্স অপারেটর যোগ করে।

টেবিলটি তৈরি করুন, লক্ষ্য করুন যে description_embedding কলামটি হলো vector(3072) — এটি একটি pgvector কলাম যা ৩০৭২-মাত্রিক ভেক্টর সংরক্ষণ করে।
প্রাথমিক মেনু আইটেমগুলির ডেটা সিড করুন
description ফিল্ড থেকে এমবেডিং ডেটা তৈরি করুন এবং embedding() ফাংশনের মাধ্যমে বিল্ট-ইন ভার্টেক্স ইন্টিগ্রেশন ব্যবহার করে description_embedding পূরণ করুন।

embedding('gemini-embedding-001', description) — প্রতিটি জবের description টেক্সট পাস করে সরাসরি SQL থেকে Vertex AI-এর Gemini এমবেডিং মডেলকে কল করে। এটি হলো সেই google_ml_integration এক্সটেনশন যা আপনি সিড স্ক্রিপ্টে ইনস্টল করেছেন।
::vector — রিটার্ন করা ফ্লোট অ্যারেটিকে pgvector-এর vector টাইপে রূপান্তর করে, যাতে এটিকে ডিসটেন্স অপারেটর ব্যবহার করে সংরক্ষণ ও কোয়েরি করা যায়।
UPDATE ১৫টি সারির সবকটিতে চলে এবং প্রতিটি কাজের বিবরণের জন্য একটি করে ৩০৭২-মাত্রিক এমবেডিং তৈরি করে।

এর মাধ্যমে প্রাথমিক তথ্য প্রস্তুত করা হবে, যা আমাদের এজেন্ট ব্যবহার করতে পারবে।

৫. ডেটাবেসের জন্য এমসিপি টুলবক্স কনফিগার করুন

এই ধাপে MCP টুলবক্স ফর ডেটাবেস-এর সাথে পরিচয় করিয়ে দেওয়া হয়, আপনার ক্লাউড SQL ইনস্ট্যান্সের সাথে সংযোগ করার জন্য এটিকে কনফিগার করা হয় এবং দুটি স্ট্যান্ডার্ড SQL কোয়েরি টুল সংজ্ঞায়িত করা হয়।

এমসিপি কী এবং টুলবক্স কেন ব্যবহার করা হয়?

এমসিপি (মডেল কনটেক্সট প্রোটোকল) হলো একটি উন্মুক্ত প্রোটোকল যা এআই এজেন্টরা কীভাবে বাহ্যিক টুলগুলো খুঁজে বের করে এবং সেগুলোর সাথে মিথস্ক্রিয়া করে, তার একটি মান নির্ধারণ করে। এটি একটি ক্লায়েন্ট-সার্ভার মডেল সংজ্ঞায়িত করে: এজেন্ট একটি এমসিপি ক্লায়েন্ট হোস্ট করে এবং এমসিপি সার্ভারগুলোর মাধ্যমে টুলগুলো উন্মুক্ত করা হয়। যেকোনো এমসিপি-উপযোগী ক্লায়েন্ট যেকোনো এমসিপি-উপযোগী সার্ভার ব্যবহার করতে পারে — প্রতিটি টুলের জন্য এজেন্টের আলাদা ইন্টিগ্রেশন কোডের প্রয়োজন হয় না।

MCP Toolbox for Databases is an open-source MCP server built specifically for database access. Without it, you would write Python functions that open database connections, manage connection pools, construct parameterized queries to prevent SQL injection, handle errors, and embed all of that code inside your agent. Every agent that needs database access repeats this work. Changing a query means redeploying the agent.

With Toolbox, you write a YAML file. Each tool maps to a parameterized SQL statement. Toolbox handles connection pooling, parameterized queries, authentication, and observability. Tools are decoupled from the agent — update a query by editing tools.yaml and restarting Toolbox, without touching agent code. The same tools work across ADK, LangGraph, LlamaIndex, or any MCP-compatible framework.

টুলস কনফিগারেশন লিখুন

এখন, আমাদের টুলস কনফিগারেশন সেট আপ করার জন্য ক্লাউড শেল এডিটরে tools.yaml নামে একটি ফাইল তৈরি করতে হবে।

cloudshell edit tools.yaml

The file uses multi-document YAML — each block separated by --- is a standalone resource. Every resource has a kind that declares what it is ( sources for database connections, tools for agent-callable actions) and a type that specifies the backend ( cloud-sql-postgres for the source, postgres-sql for SQL-based tools). A tool references its source by name , which is how Toolbox knows which connection pool to execute against. Environment variables use ${VAR_NAME} syntax and are resolved at startup.

এখন, প্রথমে নিচের স্ক্রিপ্টগুলো tools.yaml ফাইলে কপি করা যাক।

# tools.yaml

# --- Data Source ---
kind: source
name: restaurant-db
type: cloud-sql-postgres
project: ${GOOGLE_CLOUD_PROJECT}
region: ${REGION}
instance: ${DB_INSTANCE}
database: ${DB_NAME}
user: postgres
password: ${DB_PASSWORD}

---