এই পৃষ্ঠাটি Cloud Translation API অনুবাদ করেছে।

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

1. ভূমিকা

এআই এজেন্টরা কেবল ততটাই কার্যকর যতটা তারা অ্যাক্সেস করতে পারে। বেশিরভাগ বাস্তব-বিশ্বের ডেটা ডাটাবেসে থাকে — এবং এজেন্টদের ডাটাবেসের সাথে সংযুক্ত করার অর্থ সাধারণত সংযোগ ব্যবস্থাপনা, কোয়েরি লজিক লেখা এবং আপনার এজেন্ট কোডের ভিতরে পাইপলাইন এম্বেড করা। যে এজেন্টের ডাটাবেস অ্যাক্সেসের প্রয়োজন হয় তারা এই কাজটি পুনরাবৃত্তি করে এবং প্রতিটি কোয়েরি পরিবর্তনের জন্য এজেন্টকে পুনরায় মোতায়েন করতে হয়।

এই কোডল্যাবটি একটি ভিন্ন পদ্ধতি দেখায়। আপনি আপনার ডাটাবেস টুলগুলিকে একটি YAML ফাইলে ঘোষণা করেন — স্ট্যান্ডার্ড SQL কোয়েরি, ভেক্টর সাদৃশ্য অনুসন্ধান, এমনকি স্বয়ংক্রিয় এম্বেডিং জেনারেশন — এবং MCP টুলবক্স ফর ডাটাবেস একটি MCP সার্ভার হিসাবে সমস্ত ডাটাবেস অপারেশন পরিচালনা করে। আপনার এজেন্ট কোডটি ন্যূনতম থাকে: টুলগুলি লোড করুন, কোনটি কল করবেন তা জেমিনিকে সিদ্ধান্ত নিতে দিন।

তুমি কী তৈরি করবে

"TechJobs"-এর জন্য একজন স্মার্ট জব বোর্ড অ্যাসিস্ট্যান্ট — জেমিনি দ্বারা চালিত একটি ADK এজেন্ট যা ডেভেলপারদের স্ট্যান্ডার্ড ফিল্টার (ভূমিকা, টেক স্ট্যাক) ব্যবহার করে টেক জব তালিকা ব্রাউজ করতে এবং "আমি AI চ্যাটবটগুলিতে কাজ করে একটি দূরবর্তী কাজ চাই" এর মতো প্রাকৃতিক ভাষার বর্ণনার মাধ্যমে কাজ আবিষ্কার করতে সহায়তা করে। এজেন্ট MCP টুলবক্স ফর ডাটাবেসের মাধ্যমে সম্পূর্ণরূপে ক্লাউড SQL PostgreSQL ডাটাবেস থেকে পড়ে এবং লেখে, যা সমস্ত ডাটাবেস অ্যাক্সেস পরিচালনা করে — ভেক্টর অনুসন্ধানের জন্য স্বয়ংক্রিয় এম্বেডিং জেনারেশন সহ। শেষ পর্যন্ত, টুলবক্স এবং এজেন্ট উভয়ই ক্লাউড রানে চলে।

তুমি কি শিখবে

এমসিপি (মডেল কনটেক্সট প্রোটোকল) কীভাবে এআই এজেন্টদের জন্য টুল অ্যাক্সেসকে মানসম্মত করে এবং ডেটাবেসের জন্য এমসিপি টুলবক্স কীভাবে এটি ডাটাবেস অপারেশনে প্রয়োগ করে
ADK এজেন্ট এবং ক্লাউড SQL এর মধ্যে মিডলওয়্যার হিসেবে ডেটাবেসের জন্য MCP টুলবক্স সেট আপ করুন PostgreSQL
tools.yaml এ ডাটাবেস টুলগুলিকে ঘোষণামূলকভাবে সংজ্ঞায়িত করুন — আপনার এজেন্টে কোনও ডাটাবেস কোড নেই
ToolboxToolset ব্যবহার করে চলমান Toolbox সার্ভার থেকে টুল লোড করে এমন একটি ADK এজেন্ট তৈরি করুন।
ক্লাউড SQL এর বিল্ট-ইন embedding() ফাংশন ব্যবহার করে ভেক্টর এম্বেডিং তৈরি করুন এবং pgvector দিয়ে সিমান্টিক অনুসন্ধান সক্ষম করুন।
লেখার ক্রিয়াকলাপে স্বয়ংক্রিয় ভেক্টর ইনজেশনের জন্য valueFromParam বৈশিষ্ট্যটি ব্যবহার করুন
ক্লাউড রানে টুলবক্স সার্ভার এবং ADK এজেন্ট উভয়ই স্থাপন করুন।

পূর্বশর্ত

একটি Google ক্লাউড অ্যাকাউন্ট যার একটি ট্রায়াল বিলিং অ্যাকাউন্ট রয়েছে
পাইথন এবং এসকিউএল এর সাথে প্রাথমিক পরিচিতি
ADK, MCP টুলবক্স, অথবা pgvector সাথে পূর্ব অভিজ্ঞতার প্রয়োজন নেই।

2. আপনার পরিবেশ সেট আপ করুন

গুরুত্বপূর্ণ নোট:

এই টিউটোরিয়ালের জন্য একটি সক্রিয় বিলিং অ্যাকাউন্ট সহ একটি Google Cloud Project প্রয়োজন। যদি আপনার এখনও একটি না থাকে, তাহলে এই টিউটোরিয়ালের জন্য ব্যবহার করা যেতে পারে এমন একটি ট্রায়াল বিলিং অ্যাকাউন্ট পেতে নীচের ধাপগুলি অনুসরণ করুন:

ছদ্মবেশী উইন্ডো খুলুন
যদি আপনি কোনও কর্মশালা অধিবেশনে যোগদান করেন, তাহলে সাধারণত সেশনে রিডেম্পশন পোর্টালের URL প্রদান করা হবে, অন্যথায় আপনি এই ট্রায়াল বিলিং অ্যাকাউন্ট রিডেম্পশন পোর্টালে যেতে পারেন।
আপনার ব্যক্তিগত জিমেইল অ্যাকাউন্ট ব্যবহার করে লগ ইন করুন (গুগল ওয়ার্কস্পেস / অন্যান্য ইমেল কাজ করবে না!)
এই টিউটোরিয়ালের জন্য পূর্বে দাবি করা ট্রায়াল বিলিং অ্যাকাউন্টের সাথে লিঙ্ক করা একটি নতুন গুগল ক্লাউড প্রকল্প সফলভাবে তৈরি করতে ধাপে ধাপে রিডেম্পশন নির্দেশাবলী অনুসরণ করুন।

এই ধাপটি আপনার ক্লাউড শেল পরিবেশ প্রস্তুত করে, আপনার গুগল ক্লাউড প্রকল্প কনফিগার করে এবং রেফারেন্স রিপোজিটরি ক্লোন করে।

ওপেন ক্লাউড শেল

আপনার ব্রাউজারে Cloud Shell খুলুন। Cloud Shell এই কোডল্যাবের জন্য প্রয়োজনীয় সমস্ত সরঞ্জাম সহ একটি পূর্ব-কনফিগার করা পরিবেশ প্রদান করে। অনুরোধ করা হলে Authorize এ ক্লিক করুন।

তারপর টার্মিনাল খুলতে " View " -> " Terminal " এ ক্লিক করুন। আপনার ইন্টারফেসটি দেখতে এইরকম হওয়া উচিত।

86307fac5da2f077.png সম্পর্কে

এটি আমাদের প্রধান ইন্টারফেস হবে, উপরে IDE, নীচে টার্মিনাল

আপনার ওয়ার্কিং ডিরেক্টরি সেট আপ করুন

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

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

আপনার গুগল ক্লাউড প্রোজেক্ট সেট আপ করুন

লোকেশন ভেরিয়েবল 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

আপনার কার্যকরী ডিরেক্টরিতে প্রকল্প সেটআপ স্ক্রিপ্টটি 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 প্রকল্প তৈরি করে (অথবা বিদ্যমান একটি যাচাই করে), আপনার প্রকল্প আইডি বর্তমান ডিরেক্টরিতে একটি .env ফাইলে সংরক্ষণ করে এবং সক্রিয় প্রকল্পটি gcloud এ সেট করে।

bash setup_verify_trial_project.sh && source .env

স্ক্রিপ্টটি হবে:

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

ক্লাউড শেল টার্মিনাল প্রম্পটে আপনার ওয়ার্কিং ডিরেক্টরির পাশে হলুদ টেক্সটটি পরীক্ষা করে প্রকল্পটি সঠিকভাবে সেট করা আছে কিনা তা যাচাই করুন। এটিতে আপনার প্রকল্প আইডি প্রদর্শিত হওয়া উচিত।

dcba35ce1389f313.png সম্পর্কে

যদি আপনার ক্লাউড শেল সেশন এই কোডল্যাব চলাকালীন যেকোনো সময় 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 প্রোজেক্ট আইডি টেক্সটটি পুনরায় প্রদর্শিত হবে তা নিশ্চিত করুন।

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

Vertex AI API ( aiplatform.googleapis.com ) — আপনার এজেন্ট Gemini মডেল ব্যবহার করে, এবং Toolbox ভেক্টর অনুসন্ধানের জন্য এম্বেডিং API ব্যবহার করে।
ক্লাউড এসকিউএল অ্যাডমিন এপিআই ( sqladmin.googleapis.com ) — আপনি একটি পোস্টগ্রেএসকিউএল ইনস্ট্যান্স সরবরাহ এবং পরিচালনা করেন।
কম্পিউট ইঞ্জিন API ( compute.googleapis.com ) — ক্লাউড SQL ইনস্ট্যান্স তৈরির জন্য প্রয়োজনীয়।
ক্লাউড রান, ক্লাউড বিল্ড, আর্টিফ্যাক্ট রেজিস্ট্রি — এই কোডল্যাবের পরবর্তী সময়ে স্থাপনার ধাপে ব্যবহৃত হয়েছে

৩. ডাটাবেস ইনস্ট্যান্স তৈরি করুন

এই ধাপটি ব্যাকগ্রাউন্ডে ক্লাউড SQL ইনস্ট্যান্স তৈরি সেট আপ করে — এটি টিউটোরিয়ালটি চালিয়ে যাওয়ার সময় ব্যবস্থা করে।

ইনস্ট্যান্স তৈরি শুরু করুন

আপনার .env ফাইলে ডাটাবেস পাসওয়ার্ড যোগ করুন এবং এটি পুনরায় লোড করুন:

echo "DB_PASSWORD=techjobs-pwd-2025" >> .env
source .env

ক্লাউড SQL ইনস্ট্যান্স তৈরি শুরু করুন। এটি ব্যাকগ্রাউন্ডে চলে যাতে আপনি কাজ চালিয়ে যেতে পারেন:

gcloud sql instances create jobs-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 &

db-custom-1-3840 হল ENTERPRISE সংস্করণের সবচেয়ে ছোট ডেডিকেটেড-কোর ক্লাউড SQL স্তর (1 vCPU, 3.75 GB RAM)। আপনি এখানে আরও বিস্তারিত পড়তে পারেন। Vertex AI ML ইন্টিগ্রেশনের জন্য একটি ডেডিকেটেড কোর প্রয়োজন — শেয়ার্ড-কোর স্তর ( db-f1-micro , db-g1-small ) এটি সমর্থন করে না।
--root-password ডিফল্ট postgres ব্যবহারকারীর জন্য পাসওয়ার্ড সেট করে।
--enable-google-ml-integration ক্লাউড SQL-এর অন্তর্নির্মিত ইন্টিগ্রেশনকে Vertex AI-এর সাথে সক্ষম করে, যা আপনাকে embedding() ফাংশন ব্যবহার করে SQL থেকে সরাসরি এম্বেডিং মডেল কল করতে দেয়।
& কমান্ডটি ব্যাকগ্রাউন্ডে চালায়।

এটি ব্যাকগ্রাউন্ডে চলবে, এরপর MCP টুলবক্স বাইনারি ডাউনলোড করা যাক। আপনি একই টার্মিনালে এটি করতে পারেন।

টুলবক্স বাইনারি ডাউনলোড করুন

এই টিউটোরিয়ালে আমরা MCP টুলবক্স ব্যবহার করব, সৌভাগ্যবশত এটি একটি পূর্ব-নির্মিত বাইনারি সহ আসে যা লিনাক্স পরিবেশে ব্যবহারের জন্য প্রস্তুত। আসুন এটি ব্যাকগ্রাউন্ডে ডাউনলোড করি কারণ এটি বেশ সময় নেয়।

cd ~/build-agent-adk-toolbox-cloudsql
curl -O https://storage.googleapis.com/genai-toolbox/v0.27.0/linux/amd64/toolbox &

এই প্রক্রিয়াটি বর্তমান ট্যাবে চলতে দিন (আমরা ইতিমধ্যেই এটি ব্যাকগ্রাউন্ডে চালাচ্ছি, তবে আউটপুট এখনও প্রদর্শিত হবে)। আসুন ক্লাউড শেলে একটি নতুন টার্মিনাল ট্যাব খুলি (+ আইকনে ক্লিক করুন) যাতে আমরা আরও মনোযোগী হতে পারি।

b01e3fbd89f17332.png সম্পর্কে

আপনার ওয়ার্কিং ডিরেক্টরিতে আবার যান এবং পূর্ববর্তী সেটআপ স্ক্রিপ্ট ব্যবহার করে প্রকল্পটি সক্রিয় করুন।

cd ~/build-agent-adk-toolbox-cloudsql
bash setup_verify_trial_project.sh && source .env

এই ধাপটি পাইথন প্রকল্প সেট আপ করে, নির্ভরতা ইনস্টল করে এবং ADK এজেন্ট ডিরেক্টরি স্ক্যাফোল্ড করে।

৪. এজেন্ট প্রকল্পটি শুরু করুন

পাইথন প্রকল্প সেট আপ করুন

uv হল একটি দ্রুত পাইথন প্যাকেজ এবং প্রজেক্ট ম্যানেজার যা Rust ( uv documentations ) তে লেখা। এই কোডল্যাবটি গতি এবং সরলতার জন্য এটি ব্যবহার করে।

একটি পাইথন প্রকল্প শুরু করুন এবং প্রয়োজনীয় নির্ভরতা যোগ করুন:

uv init
uv add google-adk==1.25.0 toolbox-adk==0.6.0

google-adk — গুগলের এজেন্ট ডেভেলপমেন্ট কিট, যার মধ্যে রয়েছে জেমিনি SDK
toolbox-adk — ডাটাবেসের জন্য এমসিপি টুলবক্সের জন্য এডিকে ইন্টিগ্রেশন।

এজেন্ট ডিরেক্টরি কাঠামো তৈরি করুন

ADK একটি নির্দিষ্ট ফোল্ডার লেআউট আশা করে: আপনার এজেন্টের নামে একটি ডিরেক্টরি যার নাম __init__.py , agent.py , এবং .env । এটিতে সহায়তা করার জন্য, কাঠামোটি দ্রুত স্থাপন করার জন্য এটিতে বিল্ট-ইন কমান্ড রয়েছে:

uv run adk create jobs_agent \
    --model gemini-2.5-flash \
    --project ${GOOGLE_CLOUD_PROJECT} \
    --region ${GOOGLE_CLOUD_LOCATION}

আপনার ডিরেক্টরিটি এখন এইরকম দেখাবে:

build-agent-adk-toolbox-cloudsql/
├── jobs_agent/
│   ├── __init__.py
│   ├── agent.py
│   └── .env
├── pyproject.toml
├── .env              (project setup — already exists)
└── .venv/

৫. চাকরির তালিকার ডাটাবেস তৈরি করুন

এই ধাপে সিড ডেটা লেখা হয়, ক্লাউড SQL ইনস্ট্যান্সের প্রভিশনিং শেষ হওয়ার জন্য অপেক্ষা করা হয় এবং ১৫টি চাকরির তালিকা এবং তাদের বিবরণ এম্বেডিং সহ jobs টেবিল লোড করা হয়।

বীজ SQL লিখুন

আমরা ক্লাউড শেল এডিটরে seed.sql নামে একটি ফাইল তৈরি করব যেখানে চাকরির তালিকার বিষয়বস্তু থাকবে। এটি pgvector সাপোর্ট সহ jobs টেবিল তৈরি করবে এবং টেক কোম্পানিতে ১৫টি চাকরির তালিকা সন্নিবেশ করবে।

প্রথমে, নিম্নলিখিত কমান্ড ব্যবহার করে seed.sql ফাইলটি তৈরি করুন:

cloudshell edit seed.sql

তারপর, এই স্ক্রিপ্টগুলি ফাইলে কপি করুন

-- seed.sql
-- DISCLAIMER: These job listings are entirely fictional and created for tutorial
-- purposes only. Company names are used for illustrative context — the positions,
-- salaries, and descriptions do not reflect real openings.

CREATE EXTENSION IF NOT EXISTS google_ml_integration;
CREATE EXTENSION IF NOT EXISTS vector;

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)
);

INSERT INTO jobs (title, company, role, tech_stack, salary_range, location, openings, description) VALUES
('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.');

সীড স্ক্রিপ্ট দুটি PostgreSQL এক্সটেনশন ইনস্টল করে:

google_ml_integration — embedding() SQL ফাংশন প্রদান করে, যা SQL থেকে সরাসরি Vertex AI এম্বেডিং মডেলগুলিকে কল করে। এটি একটি ডাটাবেস-স্তরের এক্সটেনশন যা jobs_db ভিতরে ML ফাংশনগুলি উপলব্ধ করে। ইনস্ট্যান্স তৈরির সময় আপনি যে ইনস্ট্যান্স-স্তরের ফ্ল্যাগ ( --enable-google-ml-integration ) সেট করেন তা ক্লাউড SQL VM কে Vertex AI এ পৌঁছাতে দেয় — এক্সটেনশনটি এই নির্দিষ্ট ডাটাবেসের মধ্যে SQL ফাংশনগুলি উপলব্ধ করে।
vector ( pgvector ) — এম্বেডিং সংরক্ষণ এবং অনুসন্ধানের জন্য vector ডেটা টাইপ এবং দূরত্ব অপারেটর যোগ করে।

description_embedding কলামটি হল vector(3072) — একটি pgvector কলাম যা 3072-মাত্রিক ভেক্টর সংরক্ষণ করে। আপাতত এটি NULL; আপনি পরবর্তী ধাপে embedding() ফাংশন ব্যবহার করে এম্বেডিং তৈরি এবং পূরণ করতে পারবেন।

ডাটাবেস সেটআপ সম্পূর্ণ করুন

আগের ধাপে আপনি যে ক্লাউড SQL ইনস্ট্যান্স তৈরি শুরু করেছিলেন তা এখনও চলমান থাকতে পারে এবং এখনও শেষ হয়নি। ইনস্ট্যান্সটি প্রস্তুত কিনা তা যাচাই করুন:

gcloud sql instances describe jobs-instance --format="value(state)"

আপনি নিম্নলিখিত আউটপুট দেখতে পাবেন

RUNNABLE

34f5b48006b4cb3a.png সম্পর্কে

এরপর, ক্লাউড SQL ইনস্ট্যান্সের সার্ভিস অ্যাকাউন্টকে Vertex AI কল করার অনুমতি দিন। পরবর্তী ধাপে আপনি যে বিল্ট-ইন embedding() ফাংশনটি ব্যবহার করবেন তার জন্য এটি প্রয়োজন:

SERVICE_ACCOUNT=$(gcloud sql instances describe jobs-instance --format="value(serviceAccountEmailAddress)")

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

এরপর, চাকরির তালিকার জন্য একটি ডেডিকেটেড ডাটাবেস তৈরি করুন:

gcloud sql databases create jobs_db --instance=jobs-instance

ডাটাবেস তৈরি হয়েছে কিনা তা নিশ্চিত করে আপনি আউটপুট দেখতে পাবেন:

Creating Cloud SQL database...done.                                                                         
Created database [jobs_db].
instance: jobs-instance
name: jobs_db
project: workshop-xxxxxxx

ডাটাবেস সংযুক্ত করুন এবং তৈরি করুন

ক্লাউড এসকিউএল অথ প্রক্সি শুরু করুন ( cloud-sql-proxy ক্লাউড শেলে আগে থেকে ইনস্টল করা আছে)। এটি ক্লাউড শেল থেকে আপনার ক্লাউড এসকিউএল ইনস্ট্যান্সের সাথে একটি নিরাপদ, প্রমাণিত সংযোগ প্রদান করে:

d72e56478b517b5c.jpeg সম্পর্কে

cloud-sql-proxy ${GOOGLE_CLOUD_PROJECT}:${REGION}:jobs-instance --port 5432 &

যদি প্রক্সি শুরু হয়, তাহলে টার্মিনালে আপনি এই আউটপুটগুলি দেখতে পাবেন:

... Authorizing with Application Default Credentials
... [workshop-xxxxxx:your-location:jobs-instance] Listening on 127.0.0.1:5432
... The proxy has started successfully and is ready for new connections!

এখন বর্তমান টার্মিনালটি ক্লাউড এসকিউএল প্রক্সির লগ ক্রমাগত আউটপুট করে। আসুন ক্লাউড শেলে একটি নতুন টার্মিনাল ট্যাব খুলি (+ আইকনে ক্লিক করুন) যাতে আমরা আরও মনোযোগী হতে পারি।

b01e3fbd89f17332.png সম্পর্কে

cd ~/build-agent-adk-toolbox-cloudsql
bash setup_verify_trial_project.sh && source .env

তারপর, সীড স্ক্রিপ্টটি চালান।

psql "host=127.0.0.1 port=5432 dbname=jobs_db user=postgres password=$DB_PASSWORD" -f seed.sql

তুমি টার্মিনাল আউটপুট এভাবে দেখতে পাবে।

CREATE EXTENSION
CREATE EXTENSION
CREATE TABLE
INSERT 0 15

তথ্য যাচাই করা যাক

psql "host=127.0.0.1 port=5432 dbname=jobs_db user=postgres password=$DB_PASSWORD" \
  -c "SELECT title, company, role, openings FROM jobs ORDER BY role, title;"

আপনি একাধিক পদে ১৫টি চাকরির তালিকা দেখতে পাবেন:

             title              |    company     |   role    | openings
---------------------------------+----------------+-----------+----------
 Senior Backend Engineer         | Stripe         | Backend   |        3
 Backend Engineer (Payments)     | Square         | Backend   |        3
 Cloud Architect                 | Google Cloud   | Cloud     |        1
 ...
(15 rows)

কাজের বিবরণের জন্য এম্বেডিং তৈরি করুন

jobs টেবিলের description_embedding কলামটি বর্তমানে NULL। ক্লাউড SQL এর অন্তর্নির্মিত google_ml_integration এক্সটেনশনটি একটি embedding() ফাংশন প্রদান করে যা SQL থেকে সরাসরি Vertex AI কল করে — কোন Python স্ক্রিপ্ট বা বহিরাগত SDK এর প্রয়োজন নেই।

ব্যাকগ্রাউন্ডে এম্বেডিং জেনারেশন শুরু করুন। এটি Vertex AI কে ১৫টি কাজের বিবরণের প্রতিটির জন্য gemini-embedding-001 মডেল ব্যবহার করে একটি 3072-মাত্রিক ভেক্টর তৈরি করতে বলে:

psql "host=127.0.0.1 port=5432 dbname=jobs_db user=postgres password=$DB_PASSWORD" \
  -c "UPDATE jobs SET description_embedding = embedding('gemini-embedding-001', description)::vector;" &

স্ক্রিপ্টটি এই কাজটি করে:

embedding('gemini-embedding-001', description) — SQL থেকে সরাসরি Vertex AI এর Gemini embedding মডেলকে কল করে, প্রতিটি কাজের description টেক্সট পাস করে। এটি হল google_ml_integration এক্সটেনশন যা আপনি seed script এ ইনস্টল করেছেন।
::vector — ফিরে আসা ফ্লোট অ্যারেটিকে pgvector এর vector টাইপে কাস্ট করে যাতে এটি সংরক্ষণ করা যায় এবং দূরত্ব অপারেটরদের সাথে জিজ্ঞাসা করা যায়।
UPDATE ১৫টি সারিতে চলে, প্রতিটি কাজের বিবরণে একটি ৩০৭২-মাত্রিক এম্বেডিং তৈরি করে।
& কমান্ডটি ব্যাকগ্রাউন্ডে চালায় যাতে আপনি Vertex AI এম্বেডিং প্রক্রিয়া করার সময় কাজ চালিয়ে যেতে পারেন।

পূর্ববর্তী ব্যাকগ্রাউন্ড প্রক্রিয়া সম্পাদনের মতো, বর্তমান টার্মিনালটি প্রক্রিয়াটির লগ আউটপুট করবে। আসুন ক্লাউড শেলে একটি নতুন টার্মিনাল ট্যাব খুলি (+ আইকনে ক্লিক করুন) যাতে আমরা আরও মনোযোগী হতে পারি।

b01e3fbd89f17332.png সম্পর্কে

cd ~/build-agent-adk-toolbox-cloudsql
bash setup_verify_trial_project.sh && source .env

তারপর, আমরা পরবর্তী প্রক্রিয়ায় এগিয়ে যেতে পারি

৬. ডাটাবেসের জন্য MCP টুলবক্স কনফিগার করুন

এই ধাপে ডেটাবেসের জন্য MCP টুলবক্স প্রবর্তন করা হয়েছে, এটিকে আপনার ক্লাউড SQL ইনস্ট্যান্সের সাথে সংযোগ করার জন্য কনফিগার করা হয়েছে এবং দুটি স্ট্যান্ডার্ড SQL কোয়েরি টুল সংজ্ঞায়িত করা হয়েছে।

MCP কী এবং কেন টুলবক্স ব্যবহার করবেন?

অনুসরণ

MCP (মডেল কনটেক্সট প্রোটোকল) হল একটি উন্মুক্ত প্রোটোকল যা AI এজেন্টরা কীভাবে বহিরাগত সরঞ্জামগুলি আবিষ্কার করে এবং তাদের সাথে ইন্টারঅ্যাক্ট করে তা মানসম্মত করে। এটি একটি ক্লায়েন্ট-সার্ভার মডেল সংজ্ঞায়িত করে: এজেন্ট একটি MCP ক্লায়েন্ট হোস্ট করে এবং সরঞ্জামগুলি MCP সার্ভার দ্বারা প্রকাশিত হয়। যেকোনো MCP-সামঞ্জস্যপূর্ণ ক্লায়েন্ট যেকোনো MCP-সামঞ্জস্যপূর্ণ সার্ভার ব্যবহার করতে পারে — এজেন্টের প্রতিটি সরঞ্জামের জন্য কাস্টম ইন্টিগ্রেশন কোডের প্রয়োজন হয় না।

d5baa77423f0f465.png সম্পর্কে

ডেটাবেসের জন্য MCP টুলবক্স হল একটি ওপেন-সোর্স MCP সার্ভার যা বিশেষভাবে ডাটাবেস অ্যাক্সেসের জন্য তৈরি। এটি ছাড়া, আপনি Python ফাংশন লিখতেন যা ডাটাবেস সংযোগগুলি খুলত, সংযোগ পুল পরিচালনা করত, SQL ইনজেকশন প্রতিরোধ করার জন্য প্যারামিটারাইজড কোয়েরি তৈরি করত, ত্রুটিগুলি পরিচালনা করত এবং আপনার এজেন্টের ভিতরে সেই সমস্ত কোড এম্বেড করত। প্রতিটি এজেন্ট যার ডাটাবেস অ্যাক্সেসের প্রয়োজন হয় তারা এই কাজটি পুনরাবৃত্তি করে। একটি কোয়েরি পরিবর্তন করার অর্থ এজেন্টকে পুনরায় মোতায়েন করা।

টুলবক্সের সাহায্যে আপনি একটি YAML ফাইল লিখবেন। প্রতিটি টুল একটি প্যারামিটারাইজড SQL স্টেটমেন্টের সাথে ম্যাপ করবে। টুলবক্স সংযোগ পুলিং, প্যারামিটারাইজড কোয়েরি, প্রমাণীকরণ এবং পর্যবেক্ষণযোগ্যতা পরিচালনা করবে। এজেন্ট থেকে টুলগুলিকে আলাদা করা হয় — এজেন্ট কোড স্পর্শ না করেই tools.yaml সম্পাদনা করে এবং টুলবক্স পুনরায় চালু করে একটি কোয়েরি আপডেট করুন। একই টুলগুলি ADK, LangGraph, LlamaIndex, অথবা যেকোনো MCP-সামঞ্জস্যপূর্ণ ফ্রেমওয়ার্ক জুড়ে কাজ করে।

টুল 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 — প্রতিটি ব্লক --- দ্বারা পৃথক করা একটি স্বতন্ত্র রিসোর্স। প্রতিটি রিসোর্সের একটি kind থাকে যা এটি কী তা ঘোষণা করে (ডাটাবেস সংযোগের জন্য sources , এজেন্ট-কলযোগ্য ক্রিয়াকলাপের জন্য tools ) এবং একটি type যা ব্যাকএন্ড নির্দিষ্ট করে (সোর্সের জন্য cloud-sql-postgres , SQL-ভিত্তিক সরঞ্জামগুলির জন্য postgres-sql )। একটি টুল তার উৎসকে name দিয়ে উল্লেখ করে, যা টুলবক্স জানে কোন সংযোগ পুলের বিরুদ্ধে কার্যকর করতে হবে। পরিবেশ ভেরিয়েবল ${VAR_NAME} সিনট্যাক্স ব্যবহার করে এবং স্টার্টআপে সমাধান করা হয়।

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

# tools.yaml

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

---