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

"টেকজবস"-এর জন্য একটি স্মার্ট জব বোর্ড অ্যাসিস্ট্যান্ট — জেমিনি দ্বারা চালিত একটি ADK এজেন্ট যা ডেভেলপারদের সাধারণ ফিল্টার (ভূমিকা, টেক স্ট্যাক) ব্যবহার করে প্রযুক্তি-সম্পর্কিত চাকরির তালিকা ব্রাউজ করতে এবং "আমি এআই চ্যাটবট নিয়ে কাজ করার জন্য একটি রিমোট চাকরি চাই"-এর মতো স্বাভাবিক ভাষার বিবরণের মাধ্যমে চাকরি খুঁজে পেতে সাহায্য করে। এজেন্টটি একটি ক্লাউড SQL PostgreSQL ডেটাবেস থেকে ডেটা পড়ে এবং লেখে, যা সম্পূর্ণভাবে MCP টুলবক্স ফর ডেটাবেসেস-এর মাধ্যমে ডেটাবেসের সমস্ত অ্যাক্সেস পরিচালনা করে — যার মধ্যে ভেক্টর সার্চের জন্য স্বয়ংক্রিয় এমবেডিং তৈরিও অন্তর্ভুক্ত। সবশেষে, টুলবক্স এবং এজেন্ট উভয়ই ক্লাউড রান-এ চলে।

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=techjobs-pwd" >> .env
echo "DB_INSTANCE=jobs-instance" >> .env
echo "DB_NAME=jobs_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_jobs_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_jobs_db.py নামের সিডিং স্ক্রিপ্ট পাইথন ফাইলটি তৈরি করুন।

cloudshell edit scripts/setup_jobs_db.py

এরপর, নিচের কোডটি scripts/setup_jobs_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)

# Job listings data (fictional, for tutorial purposes only)
JOBS = [
    ("Senior Backend Engineer", "Stripe", "Backend", "Go, PostgreSQL, gRPC, Kubernetes", "$180-250K/year", "San Francisco, Hybrid", 3,
     "Design and build high-throughput microservices powering payment infrastructure for millions of businesses. Optimize Go services for sub-100ms latency at scale, work with PostgreSQL and Redis for data persistence, and deploy on Kubernetes clusters handling billions of API calls."),
    ("Machine Learning Engineer", "Spotify", "Data/AI", "Python, TensorFlow, BigQuery, Vertex AI", "$170-230K/year", "Stockholm, Remote", 2,
     "Build and deploy ML models for music recommendation and personalization systems serving hundreds of millions of listeners. Design feature pipelines in BigQuery, train models using distributed computing, and serve predictions through real-time APIs processing thousands of requests per second."),
    ("Frontend Engineer", "Vercel", "Frontend", "React, TypeScript, Next.js", "$140-190K/year", "Remote", 4,
     "Build developer-facing dashboard interfaces and deployment tools used by millions of developers worldwide. Create responsive, accessible React components for project management, analytics, and real-time deployment monitoring with a focus on developer experience."),
    ("DevOps Engineer", "Datadog", "DevOps", "Terraform, GCP, Docker, Kubernetes, ArgoCD", "$160-220K/year", "New York, Hybrid", 2,
     "Manage cloud infrastructure powering an observability platform used by thousands of engineering teams. Automate deployment pipelines with ArgoCD, manage multi-cloud Kubernetes clusters, and implement infrastructure-as-code with Terraform across production environments."),
    ("Mobile Engineer (Android)", "Grab", "Mobile", "Kotlin, Jetpack Compose, GraphQL", "$120-170K/year", "Singapore, Hybrid", 3,
     "Develop features for a super-app serving millions of users across Southeast Asia. Build modern Android UIs with Jetpack Compose, integrate GraphQL APIs, and optimize app performance for diverse device capabilities and network conditions."),
    ("Data Engineer", "Airbnb", "Data", "Python, Apache Spark, Airflow, BigQuery", "$160-210K/year", "San Francisco, Hybrid", 2,
     "Build data pipelines that process booking, search, and pricing data for a global travel marketplace. Design ETL workflows with Apache Spark and Airflow, maintain data warehouses in BigQuery, and ensure data quality for analytics and machine learning teams."),
    ("Full Stack Engineer", "Revolut", "Full Stack", "TypeScript, Node.js, React, PostgreSQL", "$130-180K/year", "London, Remote", 5,
     "Build the next generation of financial products making banking accessible to millions of users across 35 countries. Develop real-time trading interfaces with React and WebSockets, build Node.js APIs handling market data streams, and design PostgreSQL schemas for financial transactions."),
    ("Site Reliability Engineer", "Cloudflare", "SRE", "Go, Prometheus, Grafana, GCP, Terraform", "$170-230K/year", "Austin, Hybrid", 2,
     "Ensure 99.99% uptime for a global network handling millions of requests per second. Define SLOs, build monitoring dashboards with Prometheus and Grafana, manage incident response, and automate infrastructure scaling across 300+ data centers worldwide."),
    ("Cloud Architect", "Google Cloud", "Cloud", "GCP, Terraform, Kubernetes, Python", "$200-280K/year", "Seattle, Hybrid", 1,
     "Help enterprises modernize their infrastructure on Google Cloud. Design multi-region architectures, lead migration projects from on-premises to GKE, and build reference implementations using Terraform and Cloud Foundation Toolkit."),
    ("Backend Engineer (Payments)", "Square", "Backend", "Java, Spring Boot, PostgreSQL, Kafka", "$160-220K/year", "San Francisco, Hybrid", 3,
     "Build payment processing systems handling millions of transactions for businesses of all sizes. Design event-driven architectures using Kafka, implement idempotent payment flows with Spring Boot, and ensure PCI-DSS compliance across all services."),
    ("AI Engineer", "Hugging Face", "Data/AI", "Python, LangChain, Vertex AI, FastAPI, PostgreSQL", "$150-210K/year", "Paris, Remote", 2,
     "Build AI-powered tools for the largest open-source ML community. Develop RAG pipelines that index and search model documentation, create conversational agents using LangChain, and deploy AI services with FastAPI on cloud infrastructure."),
    ("Platform Engineer", "Coinbase", "Platform", "Rust, Kubernetes, AWS, Terraform", "$180-250K/year", "Remote", 0,
     "Build the infrastructure platform for a leading cryptocurrency exchange. Develop high-performance matching engines in Rust, manage Kubernetes clusters for microservices, and design CI/CD pipelines that enable rapid feature deployment with zero downtime."),
    ("QA Automation Engineer", "Shopify", "QA", "Python, Selenium, Cypress, Jenkins", "$110-160K/year", "Toronto, Hybrid", 3,
     "Design and maintain automated test suites for a commerce platform powering millions of merchants. Build end-to-end test frameworks with Cypress and Selenium, integrate tests into Jenkins CI pipelines, and establish quality gates that prevent regressions in checkout and payment flows."),
    ("Security Engineer", "CrowdStrike", "Security", "Python, SIEM, Kubernetes, Penetration Testing", "$170-240K/year", "Austin, On-site", 1,
     "Protect enterprise customers from cyber threats on a leading endpoint security platform. Conduct penetration testing, design security monitoring with SIEM tools, implement zero-trust networking in Kubernetes environments, and lead incident response for security events."),
    ("Product Engineer", "GitLab", "Full Stack", "Go, React, PostgreSQL, Redis, GCP", "$140-200K/year", "Remote", 4,
     "Own features end-to-end for an all-in-one DevSecOps platform used by millions of developers. Build Go microservices for CI/CD pipelines, create React frontends for code review and project management, and collaborate with product managers to iterate on user-facing features using data-driven development."),
]


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 jobs 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 jobs (
            id SERIAL PRIMARY KEY,
            title VARCHAR NOT NULL,
            company VARCHAR NOT NULL,
            role VARCHAR NOT NULL,
            tech_stack VARCHAR NOT NULL,
            salary_range VARCHAR NOT NULL,
            location VARCHAR NOT NULL,
            openings INTEGER NOT NULL,
            description TEXT NOT NULL,
            description_embedding vector(3072)
        )
    """)


def seed_jobs(cursor, conn):
    """Insert job listings."""
    cursor.execute("SELECT COUNT(*) FROM jobs")
    existing_count = cursor.fetchone()[0]

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

    cursor.executemany("""
        INSERT INTO jobs (title, company, role, tech_stack, salary_range, location, openings, description)
        VALUES (%s, %s, %s, %s, %s, %s, %s, %s)
    """, JOBS)
    conn.commit()
    return len(JOBS)


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

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

    cursor.execute(f"""
        UPDATE jobs
        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_jobs(cursor, conn)
        if seeded > 0:
            print(f"      ✓ Inserted {seeded} jobs")

        # 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

এই টিউটোরিয়ালে আমরা এমসিপি টুলবক্স (MCP Toolbox) ব্যবহার করব। সৌভাগ্যবশত, এটির সাথে একটি প্রি-বিল্ট বাইনারি রয়েছে যা লিনাক্স পরিবেশে ব্যবহারের জন্য প্রস্তুত। এখন, চলুন এটিকে ব্যাকগ্রাউন্ডে ডাউনলোড করে নিই, কারণ এতে বেশ কিছুটা সময় লাগে। বাইনারিটি ডাউনলোড করতে নিচের কমান্ডটি চালান এবং logs/toolbox_dl.log এ আউটপুট লগটি পরীক্ষা করুন। এটি শেষ হওয়ার জন্য অপেক্ষা করার সময়েই আপনি পরবর্তী অংশে যেতে পারেন।

cd ~/build-agent-adk-toolbox-cloudsql
curl -O https://storage.googleapis.com/mcp-toolbox-for-databases/v1.0.0/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_jobs_db.py স্ক্রিপ্টটি চালানো হচ্ছে

সিড স্ক্রিপ্ট বোঝা `scripts/setup_jobs_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 — embedding() SQL ফাংশনটি প্রদান করে, যা সরাসরি SQL থেকে Vertex AI এমবেডিং মডেলগুলোকে কল করে। এটি একটি ডাটাবেস-স্তরের এক্সটেনশন যা jobs_db ভিতরে ML ফাংশনগুলোকে উপলব্ধ করে। ইনস্ট্যান্স তৈরির সময় আপনি যে ইনস্ট্যান্স-স্তরের ফ্ল্যাগ ( --enable-google-ml-integration ) সেট করেন, তা Cloud SQL VM-কে Vertex AI পর্যন্ত পৌঁছানোর সুযোগ দেয় — এই এক্সটেনশনটি নির্দিষ্ট ডাটাবেসের মধ্যেই SQL ফাংশনগুলোকে উপলব্ধ করে।
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 চাকরির ডেটা বীজ বপন 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 টুলবক্স ফর ডেটাবেসেস হলো একটি ওপেন-সোর্স MCP সার্ভার যা বিশেষভাবে ডেটাবেস অ্যাক্সেসের জন্য তৈরি করা হয়েছে। এটি ছাড়া, আপনাকে পাইথন ফাংশন লিখতে হতো যা ডেটাবেস কানেকশন খোলে, কানেকশন পুল পরিচালনা করে, SQL ইনজেকশন প্রতিরোধ করার জন্য প্যারামিটারযুক্ত কোয়েরি তৈরি করে, ত্রুটি সামলায় এবং এই সমস্ত কোড আপনার এজেন্টের ভিতরে এম্বেড করে। ডেটাবেস অ্যাক্সেসের প্রয়োজন এমন প্রতিটি এজেন্ট এই কাজটি পুনরাবৃত্তি করে। একটি কোয়েরি পরিবর্তন করার অর্থ হলো এজেন্টটিকে পুনরায় ডেপ্লয় করা।

টুলবক্সের সাহায্যে আপনাকে একটি YAML ফাইল লিখতে হয়। প্রতিটি টুল একটি প্যারামিটারযুক্ত SQL স্টেটমেন্টের সাথে ম্যাপ করা থাকে। টুলবক্স কানেকশন পুলিং, প্যারামিটারযুক্ত কোয়েরি, অথেনটিকেশন এবং অবজার্ভেবিলিটি পরিচালনা করে। টুলগুলো এজেন্ট থেকে বিচ্ছিন্ন থাকে — এজেন্ট কোডে হাত না দিয়েই, শুধু tools.yaml ফাইলটি এডিট করে এবং টুলবক্স রিস্টার্ট করে একটি কোয়েরি আপডেট করা যায়। একই টুলগুলো ADK, LangGraph, LlamaIndex বা যেকোনো MCP-কম্প্যাটিবল ফ্রেমওয়ার্কে কাজ করে।

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

ফাইলটি মাল্টি-ডকুমেন্ট YAML ব্যবহার করে — --- দ্বারা পৃথক করা প্রতিটি ব্লক একটি স্বতন্ত্র রিসোর্স। প্রতিটি রিসোর্সের একটি ' kind থাকে যা তার পরিচয় দেয় (যেমন ডেটাবেস কানেকশনের জন্য ' sources , এজেন্ট-কলযোগ্য অ্যাকশনের জন্য ' tools ') এবং একটি ' type থাকে যা ব্যাকএন্ড নির্দিষ্ট করে (যেমন সোর্সের জন্য ' cloud-sql-postgres , SQL-ভিত্তিক টুলের জন্য ' postgres-sql ')। একটি টুল তার সোর্সকে name দিয়ে রেফারেন্স করে, আর এভাবেই টুলবক্স জানতে পারে কোন কানেকশন পুলের বিপরীতে এটি এক্সিকিউট করতে হবে। এনভায়রনমেন্ট ভেরিয়েবলগুলো ${VAR_NAME} সিনট্যাক্স ব্যবহার করে এবং স্টার্টআপের সময় এগুলো রিজলভ করা হয়।

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

# tools.yaml

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

---