Banco de dados como uma ferramenta: RAG agêntico com ADK, MCP Toolbox e Cloud SQL

1. Introdução

Os agentes de IA só são úteis com base nos dados que podem acessar. A maioria dos dados do mundo real está em bancos de dados. Conectar agentes a eles geralmente significa escrever gerenciamento de conexões, lógica de consulta e incorporar pipelines no código do agente. Cada agente que precisa de acesso ao banco de dados repete esse trabalho, e cada mudança de consulta exige a nova implantação do agente.

Este codelab mostra uma abordagem diferente. Você declara as ferramentas de banco de dados em um arquivo YAML (consultas SQL padrão, pesquisa de similaridade vetorial e até mesmo geração automática de embeddings), e a MCP Toolbox para bancos de dados processa todas as operações de banco de dados como um servidor MCP. O código do seu agente permanece mínimo: carregue as ferramentas e deixe o Gemini decidir qual chamar.

O que você vai criar

Um assistente de quadro de empregos inteligente para "TechJobs", um agente do ADK com tecnologia do Gemini que ajuda os desenvolvedores a navegar em listas de empregos de tecnologia usando filtros padrão (função, pilha de tecnologia) e descobrir vagas com descrições em linguagem natural, como "Quero um emprego remoto trabalhando com chatbots de IA". O agente lê e grava em um banco de dados PostgreSQL do Cloud SQL totalmente pela caixa de ferramentas do MCP para bancos de dados, que processa todo o acesso ao banco de dados, incluindo a geração automática de incorporações para pesquisa vetorial. No final, a caixa de ferramentas e o agente serão executados no Cloud Run.

O que você vai aprender

Como o MCP (Protocolo de Contexto de Modelo) padroniza o acesso a ferramentas para agentes de IA e como a MCP Toolbox para bancos de dados aplica isso às operações de banco de dados
Configurar a MCP Toolbox for Databases como middleware entre um agente do ADK e o Cloud SQL PostgreSQL
Defina ferramentas de banco de dados de forma declarativa em tools.yaml. Não há código de banco de dados no seu agente.
Criar um agente do ADK que carrega ferramentas de um servidor da caixa de ferramentas em execução usando ToolboxToolset
Gerar embeddings de vetores usando a função embedding() integrada do Cloud SQL e ativar a pesquisa semântica com pgvector
Usar o recurso valueFromParam para ingestão automática de vetores em operações de gravação
Implantar o servidor da caixa de ferramentas e o agente do ADK no Cloud Run

Pré-requisitos

Uma conta do Google Cloud com uma conta de faturamento de teste
Conhecimento básico de Python e SQL
Não é necessário ter experiência com ADK, MCP Toolbox ou pgvector

2. Configuração de seu ambiente

Esta etapa prepara seu ambiente do Cloud Shell, configura seu projeto do Google Cloud e clona o repositório de referência.

Abra o Cloud Shell

Abra o Cloud Shell no navegador. O Cloud Shell oferece um ambiente pré-configurado com todas as ferramentas necessárias para este codelab. Clique em Autorizar quando solicitado a

Em seguida, clique em Visualizar -> Terminal para abrir o terminal.Sua interface vai ficar parecida com esta:

Essa será nossa interface principal, com o IDE na parte de cima e o terminal na parte de baixo.

Configurar seu diretório de trabalho

Crie o diretório de trabalho. Todo o código que você escrever neste codelab vai ficar aqui:

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

Configuração no projeto do Google Cloud

Crie o arquivo .env com as variáveis de local:

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

Faça o download do script de configuração do projeto para o diretório de trabalho:

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

Execute o script. Ele verifica sua conta de faturamento de teste, cria um novo projeto (ou valida um existente), salva o ID do projeto em um arquivo .env no diretório atual e define o projeto ativo em gcloud.

bash setup_verify_trial_project.sh && source .env

O script faz o seguinte:

Verifique se você tem uma conta de faturamento de teste ativa
Verifique se há um projeto em .env (se houver).
Crie um novo projeto ou reutilize o atual
Vincular a conta de faturamento de teste ao projeto
Salve o ID do projeto em .env
Defina o projeto como o projeto gcloud ativo

Verifique se o projeto está definido corretamente conferindo o texto amarelo ao lado do diretório de trabalho no prompt do terminal do Cloud Shell. Ele vai mostrar o ID do projeto.

Se a sessão do Cloud Shell for redefinida em algum momento durante este codelab, volte ao diretório de trabalho e execute bash setup_verify_trial_project.sh && source .env novamente para restaurar a configuração do projeto. Confirme se o texto amarelo do ID do projeto reaparece no prompt do terminal.

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

API Vertex AI (aiplatform.googleapis.com): seu agente usa modelos do Gemini, e a caixa de ferramentas usa a API Embedding para pesquisa vetorial.
API Cloud SQL Admin (sqladmin.googleapis.com): você provisiona e gerencia uma instância do PostgreSQL.
API Compute Engine (compute.googleapis.com): necessária para criar instâncias do Cloud SQL.
Cloud Run, Cloud Build, Artifact Registry: usados na etapa de implantação mais adiante neste codelab.

3. Criar a instância de banco de dados

Esta etapa configura a criação da instância do Cloud SQL em segundo plano. Ela é provisionada enquanto você continua o tutorial.

Iniciar a criação da instância

Adicione a senha do banco de dados ao arquivo .env e recarregue-o:

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

Inicie a criação da instância do Cloud SQL. Isso é executado em segundo plano para que você possa continuar trabalhando:

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 é o menor nível do Cloud SQL de núcleo dedicado (1 vCPU, 3,75 GB de RAM) na edição ENTERPRISE. Leia mais detalhes aqui. Um núcleo dedicado é necessário para a integração de ML da Vertex AI. Os níveis de núcleo compartilhado (db-f1-micro, db-g1-small) não oferecem suporte a ela.
--root-password define a senha do usuário postgres padrão.
O --enable-google-ml-integration ativa a integração integrada do Cloud SQL com a Vertex AI, permitindo que você chame modelos de embedding diretamente do SQL usando a função embedding().
O & executa o comando em segundo plano.

Isso será executado em segundo plano. Em seguida, vamos fazer o download do binário da MCP Toolbox. Você pode fazer isso no mesmo terminal

Baixar o binário da caixa de ferramentas

Vamos usar a caixa de ferramentas do MCP neste tutorial. Felizmente, ela vem com um binário pré-criado pronto para ser usado no ambiente Linux. Vamos fazer o download em segundo plano, já que isso leva um tempo.

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

Deixe esse processo ser executado na guia atual. Já fazemos isso em segundo plano, mas a saída ainda será mostrada. Abra uma nova guia do terminal no Cloud Shell (clique no ícone +) para ficar mais focado.

Navegue até o diretório de trabalho novamente e ative o projeto usando o script de configuração anterior.

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

Esta etapa configura o projeto Python, instala dependências e cria a estrutura do diretório do agente do ADK.

4. Inicializar o projeto do agente

Configurar o projeto Python

uv é um gerenciador de projetos e pacotes Python rápido escrito em Rust ( documentações do uv). Este codelab o usa para velocidade e simplicidade.

Inicialize um projeto Python e adicione as dependências necessárias:

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

google-adk: o Kit de Desenvolvimento de Agente do Google, incluindo o SDK do Gemini
toolbox-adk: integração do ADK com a MCP Toolbox para bancos de dados.

Criar a estrutura de diretórios do agente

O ADK espera um layout de pasta específico: um diretório com o nome do seu agente que contenha __init__.py, agent.py e .env. Para ajudar com isso, ele tem um comando integrado para estabelecer rapidamente a estrutura:

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

Seu diretório vai ficar assim:

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

5. Propagar o banco de dados de lista de empregos

Esta etapa grava os dados de inicialização, aguarda a conclusão do provisionamento da instância do Cloud SQL e carrega a tabela jobs com 15 anúncios de emprego e a incorporação da descrição deles.

Escreva o SQL de inicialização

Vamos criar um arquivo chamado seed.sql no Editor do Cloud Shell com o conteúdo da lista de vagas. Isso cria a tabela jobs com suporte a pgvector e insere 15 vagas em empresas de tecnologia.

Primeiro, crie o arquivo seed.sql usando o seguinte comando:

cloudshell edit seed.sql

Em seguida, copie esses scripts no arquivo

-- 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.');

O script de inicialização instala duas extensões do PostgreSQL:

google_ml_integration: fornece a função SQL embedding(), que chama modelos de embedding da Vertex AI diretamente do SQL. É uma extensão no nível do banco de dados que disponibiliza funções de ML no jobs_db. A flag no nível da instância (--enable-google-ml-integration) definida durante a criação da instância permite que a VM do Cloud SQL alcance a Vertex AI. A extensão disponibiliza as funções SQL nesse banco de dados específico.
vector (pgvector): adiciona o tipo de dados vector e operadores de distância para armazenar e consultar incorporações.

A coluna description_embedding é vector(3072), uma coluna pgvector que armazena vetores de 3.072 dimensões. Por enquanto, é NULL. Você vai gerar e preencher embeddings na próxima etapa usando a função embedding().

Concluir a configuração do banco de dados

A criação da instância do Cloud SQL iniciada na etapa anterior ainda pode estar em execução e não ter sido concluída. Verifique se a instância está pronta:

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

Você verá esta resposta

RUNNABLE

Em seguida, conceda à conta de serviço da instância do Cloud SQL permissão para chamar a Vertex AI. Isso é necessário para a função embedding() integrada que você vai usar na próxima etapa:

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

Depois disso, crie um banco de dados dedicado para as vagas de emprego:

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

Você vai ver uma saída confirmando que o banco de dados foi criado:

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

Conectar e inserir dados no banco de dados

Inicie o proxy de autenticação do Cloud SQL (cloud-sql-proxy já está pré-instalado no Cloud Shell). Isso fornece uma conexão segura e autenticada do Cloud Shell à instância do Cloud SQL:

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

Se o proxy for iniciado, você verá esta saída no terminal:

... 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!

Agora, o terminal atual gera o registro do proxy do Cloud SQL continuamente. Abra uma nova guia do terminal no Cloud Shell (clique no ícone +) para ficar mais focado.

Navegue até o diretório de trabalho novamente e ative o projeto usando o script de configuração anterior.

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

Em seguida, execute o script de inicialização

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

Você vai ver uma saída de terminal como esta:

CREATE EXTENSION
CREATE EXTENSION
CREATE TABLE
INSERT 0 15

Vamos verificar os dados

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;"

Você vai encontrar 15 anúncios de vagas em várias funções:

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

Gerar embeddings para descrições de cargos

A coluna description_embedding na tabela jobs está NULL no momento. A extensão google_ml_integration integrada do Cloud SQL oferece uma função embedding() que chama a Vertex AI diretamente do SQL. Não é necessário um script Python ou SDK externo.

Inicie a geração de embeddings em segundo plano. Isso chama a Vertex AI para gerar um vetor de 3.072 dimensões usando o modelo gemini-embedding-001 para cada uma das 15 descrições de vagas:

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;" &

O script faz o seguinte:

embedding('gemini-embedding-001', description): chama o modelo de embedding Gemini da Vertex AI diretamente do SQL, transmitindo o texto description de cada vaga. Essa é a extensão google_ml_integration que você instalou no script de inicialização.
::vector: converte a matriz de ponto flutuante retornada para o tipo vector do pgvector para que ela possa ser armazenada e consultada com operadores de distância.
O UPDATE é executado em todas as 15 linhas, gerando uma incorporação de 3.072 dimensões por descrição de vaga.
O & executa o comando em segundo plano para que você possa continuar trabalhando enquanto a Vertex AI processa os embeddings.

Assim como na execução anterior do processo em segundo plano, o terminal atual vai mostrar o registro do processo. Abra uma nova guia do terminal no Cloud Shell (clique no ícone +) para ficar mais focado.

Navegue até o diretório de trabalho novamente e ative o projeto usando o script de configuração anterior.

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

Em seguida, podemos continuar para o próximo processo.

6. Configurar a MCP Toolbox para bancos de dados

Esta etapa apresenta a caixa de ferramentas do MCP para bancos de dados, configura a conexão com a instância do Cloud SQL e define duas ferramentas padrão de consulta SQL.

O que é o MCP e por que usar a Toolbox?

O MCP (Protocolo de Contexto de Modelo) é um protocolo aberto que padroniza como os agentes de IA descobrem e interagem com ferramentas externas. Ele define um modelo cliente-servidor: o agente hospeda um cliente MCP, e as ferramentas são expostas por servidores MCP. Qualquer cliente compatível com o MCP pode usar qualquer servidor compatível com o MCP. O agente não precisa de um código de integração personalizado para cada ferramenta.

A MCP Toolbox para bancos de dados é um servidor MCP de código aberto criado especificamente para acesso a bancos de dados. Sem ele, você escreveria funções Python que abrem conexões de banco de dados, gerenciam pools de conexões, criam consultas parametrizadas para evitar injeção de SQL, processam erros e incorporam todo esse código no seu agente. Cada agente que precisa de acesso ao banco de dados repete esse trabalho. Mudar uma consulta significa reimplantação do agente.

Com a caixa de ferramentas, você escreve um arquivo YAML. Cada ferramenta é mapeada para uma instrução SQL parametrizada. A caixa de ferramentas processa o pooling de conexões, consultas parametrizadas, autenticação e capacidade de observação. As ferramentas são dissociadas do agente. Para atualizar uma consulta, edite tools.yaml e reinicie a caixa de ferramentas sem mexer no código do agente. As mesmas ferramentas funcionam no ADK, LangGraph, LlamaIndex ou em qualquer framework compatível com o MCP.

Escreva a configuração das ferramentas

Agora, precisamos criar um arquivo chamado tools.yaml no editor do Cloud Shell para configurar a configuração das ferramentas.

cloudshell edit tools.yaml

O arquivo usa YAML de vários documentos. Cada bloco separado por --- é um recurso independente. Todo recurso tem um kind que declara o que ele é (sources para conexões de banco de dados, tools para ações chamáveis por agente) e um type que especifica o back-end (cloud-sql-postgres para a origem, postgres-sql para ferramentas baseadas em SQL). Uma ferramenta faz referência à origem dela por name, que é como a caixa de ferramentas sabe qual pool de conexões executar. As variáveis de ambiente usam a sintaxe ${VAR_NAME} e são resolvidas na inicialização.

Agora, vamos copiar os seguintes scripts primeiro no arquivo tools.yaml

# 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}

---