Эта страница переведена с помощью Cloud Translation API.

База данных как инструмент: Agentic RAG с ADK, MCP Toolbox и Cloud SQL.

1. Введение

Полезность ИИ-агентов зависит от качества данных, к которым они имеют доступ. Большая часть реальных данных хранится в базах данных, а подключение агентов к базам данных обычно подразумевает написание кода для управления соединениями, логики запросов и встраивания конвейеров обработки данных в код агента. Каждый агент, которому необходим доступ к базе данных, повторяет эту работу, и каждое изменение запроса требует повторного развертывания агента.

В этом практическом занятии показан другой подход. Вы объявляете инструменты для работы с базой данных в файле YAML — стандартные SQL-запросы, поиск векторного сходства, даже автоматическое создание векторных представлений — а MCP Toolbox for Databases обрабатывает все операции с базой данных как MCP-сервер. Код вашего агента остается минимальным: загружаете инструменты, а Gemini решает, какой из них вызвать.

Что вы построите

Интеллектуальный помощник для поиска работы на платформе "TechJobs" — агент ADK на базе Gemini, который помогает разработчикам просматривать объявления о вакансиях в сфере технологий, используя стандартные фильтры (роль, технологический стек), и находить вакансии на основе описаний на естественном языке, например: "Я хочу удаленную работу над чат-ботами с искусственным интеллектом". Агент считывает и записывает данные в базу данных Cloud SQL PostgreSQL полностью через MCP Toolbox for Databases, который обрабатывает весь доступ к базе данных, включая автоматическую генерацию векторных представлений для векторного поиска. В итоге и Toolbox, и агент работают на платформе Cloud Run.

Что вы узнаете

Как протокол MCP (Model Context Protocol) стандартизирует доступ к инструментам для агентов ИИ, и как MCP Toolbox for Databases применяет это к операциям с базами данных.
Настройте MCP Toolbox for Databases в качестве промежуточного программного обеспечения между агентом ADK и Cloud SQL PostgreSQL.
Инструменты базы данных определяются декларативно в файле tools.yaml — в вашем агенте не используется код базы данных.
Создайте агент ADK, который загружает инструменты с работающего сервера Toolbox, используя ToolboxToolset
Создавайте векторные представления данных с помощью встроенной функции embedding() Cloud SQL и включайте семантический поиск с помощью pgvector
Используйте функцию valueFromParam для автоматического приема вектора при операциях записи.
Разверните сервер Toolbox и агент ADK в Cloud Run.

Предварительные требования

Учетная запись Google Cloud с пробной платной учетной записью.
Базовые знания Python и SQL.
Опыт работы с ADK, MCP Toolbox или pgvector не требуется.

2. Настройте свою среду.

ВАЖНЫЕ ЗАМЕЧАНИЯ:

Для выполнения этого руководства необходим проект Google Cloud с активным платёжным аккаунтом . Если у вас его ещё нет, выполните следующие шаги, чтобы получить пробный платёжный аккаунт , который можно использовать для этого руководства:

Открыть окно в режиме инкогнито
Если вы присоединяетесь к мастер-классу, URL-адрес портала активации обычно предоставляется во время занятия; в противном случае вы можете перейти на портал активации этой учетной записи для оплаты пробной версии.
Войдите в систему, используя свой личный аккаунт Gmail (Google Workspace / другие адреса электронной почты не подойдут!).
Следуйте пошаговым инструкциям по активации , чтобы успешно создать новый проект Google Cloud, связанный с ранее активированной пробной учетной записью, использованной в этом руководстве.

На этом этапе подготавливается среда Cloud Shell, настраивается проект Google Cloud и клонируется репозиторий ссылок.

Открытая облачная оболочка

Откройте Cloud Shell в браузере. Cloud Shell предоставляет предварительно настроенную среду со всеми необходимыми инструментами для выполнения этого практического задания. При появлении запроса нажмите «Авторизовать».

Затем нажмите « Вид » -> « Терминал », чтобы открыть терминал. Ваш интерфейс должен выглядеть примерно так.

Это будет наш основной интерфейс: IDE сверху, терминал снизу.

Настройте рабочую директорию.

Создайте свою рабочую директорию. Весь код, написанный вами в этом практическом занятии, будет находиться здесь:

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

Настройте свой проект в Google Cloud.

Создайте файл .env с переменными location:

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

Загрузите скрипт установки проекта в свою рабочую директорию:

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

Запустите скрипт. Он проверит вашу учетную запись для оплаты пробной версии, создаст новый проект (или проверит существующий), сохранит идентификатор вашего проекта в файл .env в текущем каталоге и установит активный проект в gcloud .

bash setup_verify_trial_project.sh && source .env

Сценарий будет:

Убедитесь, что у вас есть активный пробный аккаунт для оплаты.
Проверьте наличие существующего проекта в .env (если таковой имеется).
Создайте новый проект или используйте существующий.
Свяжите пробный аккаунт с вашим проектом.
Сохраните идентификатор проекта в файл .env
Установите этот проект в качестве активного проекта gcloud

Убедитесь, что проект настроен правильно, проверив желтый текст рядом с вашим рабочим каталогом в командной строке терминала Cloud Shell. Там должен отображаться идентификатор вашего проекта.

Если ваша сессия Cloud Shell сбросится в любой момент во время выполнения этого практического задания, вернитесь в свой рабочий каталог и повторно запустите команду bash setup_verify_trial_project.sh && source .env чтобы восстановить конфигурацию проекта. Убедитесь, что желтый текст с идентификатором проекта снова появился в командной строке терминала.

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 ) — ваш агент использует модели Gemini, а Toolbox использует API встраивания для векторного поиска.
Cloud SQL Admin API ( sqladmin.googleapis.com ) — позволяет создавать и управлять экземпляром PostgreSQL.
API Compute Engine ( compute.googleapis.com ) — необходим для создания экземпляров Cloud SQL.
Cloud Run, Cloud Build, Artifact Registry — используются на этапе развертывания, который будет рассмотрен далее в этом практическом занятии.

3. Создайте экземпляр базы данных.

На этом шаге в фоновом режиме выполняется настройка создания экземпляра Cloud SQL — инициализация происходит параллельно с продолжением обучения.

Начать создание экземпляра

Добавьте пароль к базе данных в файл .env и перезагрузите её:

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

Начните создание экземпляра Cloud SQL. Этот процесс выполняется в фоновом режиме, поэтому вы можете продолжать работу:

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 — это самый маленький выделенный уровень Cloud SQL (1 vCPU, 3,75 ГБ ОЗУ) в версии ENTERPRISE . Подробнее можно прочитать здесь . Для интеграции Vertex AI ML требуется выделенное ядро — уровни с общим ядром ( db-f1-micro , db-g1-small ) его не поддерживают.
--root-password устанавливает пароль для пользователя postgres по умолчанию.
--enable-google-ml-integration включает встроенную интеграцию Cloud SQL с Vertex AI, которая позволяет вызывать модели встраивания непосредственно из SQL с помощью функции embedding() .
Символ & запускает команду в фоновом режиме.

Эта процедура будет выполняться в фоновом режиме, затем давайте загрузим исполняемый файл MCP Toolbox. Это можно сделать в том же терминале.

Загрузите исполняемый файл Toolbox.

В этом руководстве мы будем использовать MCP Toolbox, к счастью, он поставляется с предварительно собранным бинарным файлом, готовым к использованию в среде Linux. Давайте загрузим его в фоновом режиме, так как это займет довольно много времени.

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

Пусть этот процесс выполняется в текущей вкладке (мы уже запустили его в фоновом режиме, однако вывод всё равно будет отображаться). Давайте откроем новую вкладку терминала в Cloud Shell (нажмём значок «+»), чтобы лучше сосредоточиться.

Снова перейдите в свою рабочую директорию и активируйте проект, используя предыдущий скрипт настройки.

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

На этом этапе настраивается проект Python, устанавливаются зависимости и создается структура каталога агента ADK.

4. Инициализация проекта агента.

Настройте проект Python.

uv — это быстрый пакет Python и менеджер проектов, написанный на Rust ( документация uv ). В этом практическом занятии он используется для повышения скорости и простоты.

Инициализируйте проект Python и добавьте необходимые зависимости:

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

google-adk — комплект разработки агентов от Google, включая SDK Gemini.
toolbox-adk — интеграция ADK для MCP Toolbox for Databases.

Создайте структуру каталогов агента.

ADK ожидает определенную структуру папок: каталог, названный в честь вашего агента и содержащий файлы __init__.py , agent.py и .env . Для этого предусмотрена встроенная команда, позволяющая быстро установить структуру:

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

Теперь ваша директория должна выглядеть примерно так:

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

5. Формирование базы данных вакансий.

На этом этапе записываются исходные данные, ожидается завершение подготовки экземпляра Cloud SQL, и таблица jobs загружается 15 объявлениями о вакансиях и их описаниями.

Напишите SQL-запрос с начальным значением.

Мы создадим в редакторе Cloud Shell файл с именем seed.sql , содержащий список вакансий. Это создаст таблицу jobs с поддержкой pgvector и добавит 15 вакансий в технологических компаниях.

Сначала создайте файл seed.sql , используя следующую команду:

cloudshell edit seed.sql

Затем скопируйте эти скрипты в файл.

-- 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.');

Скрипт установки устанавливает два расширения PostgreSQL:

google_ml_integration — предоставляет SQL-функцию embedding() , которая вызывает модели встраивания Vertex AI непосредственно из SQL. Это расширение на уровне базы данных, которое делает функции машинного обучения доступными внутри jobs_db . Флаг уровня экземпляра ( --enable-google-ml-integration ), который вы устанавливаете при создании экземпляра, позволяет виртуальной машине Cloud SQL обращаться к Vertex AI — расширение делает SQL-функции доступными в этой конкретной базе данных.
vector ( pgvector ) — добавляет vector тип данных и операторы расстояния для хранения и запроса векторных представлений.

Столбец description_embedding имеет vector(3072) — это столбец pgvector , хранящий 3072-мерные векторы. Сейчас он равен NULL; вы сгенерируете и заполните эмбеддинги на следующем шаге, используя функцию embedding() .

Завершите настройку базы данных.

Создание экземпляра Cloud SQL, начатое на предыдущем шаге, может еще не завершиться. Убедитесь, что экземпляр готов:

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

Вы должны увидеть следующий результат.

RUNNABLE

Далее предоставьте учетной записи службы экземпляра Cloud SQL разрешение на вызов Vertex AI. Это необходимо для встроенной функции embedding() которую вы будете использовать на следующем шаге:

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

После этого создайте отдельную базу данных для объявлений о вакансиях:

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

Вы должны увидеть сообщение, подтверждающее создание базы данных:

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

Подключитесь и заполните базу данных.

Запустите прокси-сервер аутентификации Cloud SQL ( cloud-sql-proxy предустановлен в Cloud Shell). Это обеспечит безопасное, аутентифицированное соединение между Cloud Shell и вашим экземпляром Cloud SQL:

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

После запуска прокси-сервера в терминале вы должны увидеть следующий вывод:

... 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!

Сейчас в терминале непрерывно отображается лог прокси-сервера Cloud SQL. Давайте откроем новую вкладку терминала в Cloud Shell (нажмем значок «+»), чтобы лучше сосредоточиться.

Снова перейдите в свою рабочую директорию и активируйте проект, используя предыдущий скрипт настройки.

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

Затем запустите скрипт инициализации.

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

В терминале вы увидите примерно такой вывод.

CREATE EXTENSION
CREATE EXTENSION
CREATE TABLE
INSERT 0 15

Давайте проверим данные.

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;"

Вы должны увидеть 15 вакансий по различным должностям:

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

Создание векторных представлений для описаний вакансий

В таблице jobs столбец description_embedding в данный момент имеет значение NULL. Встроенное расширение google_ml_integration в Cloud SQL предоставляет функцию embedding() , которая вызывает Vertex AI непосредственно из SQL — без необходимости использования скрипта Python или внешнего SDK.

Запустите генерацию векторных представлений в фоновом режиме. Это вызовет Vertex AI для генерации 3072-мерного вектора с использованием модели gemini-embedding-001 для каждого из 15 описаний вакансий:

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;" &

Вот что делает этот скрипт:

embedding('gemini-embedding-001', description) — вызывает модель встраивания Gemini от Vertex AI напрямую из SQL, передавая текст description каждого задания. Это расширение google_ml_integration которое вы установили в скрипте инициализации.
::vector — преобразует возвращаемый массив чисел с плавающей запятой в vector тип pgvector, чтобы его можно было хранить и запрашивать с помощью операторов расстояния.
UPDATE применяется ко всем 15 строкам, генерируя одно 3072-мерное векторное представление для каждого описания вакансии.
Символ & запускает команду в фоновом режиме, поэтому вы можете продолжать работу, пока Vertex AI обрабатывает эмбеддинги.

Как и в случае с предыдущими фоновыми процессами, текущий терминал выведет лог этого процесса. Давайте откроем новую вкладку терминала в Cloud Shell (нажмите значок «+»), чтобы сосредоточиться на главном.

Снова перейдите в свою рабочую директорию и активируйте проект, используя предыдущий скрипт настройки.

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

Затем мы можем перейти к следующему этапу.

6. Настройка MCP Toolbox для баз данных.

На этом шаге представлен MCP Toolbox for Databases, настроено подключение к вашему экземпляру Cloud SQL и определены два стандартных инструмента для выполнения SQL-запросов.

Что такое MCP и зачем использовать Toolbox?

MCP (Model Context Protocol) — это открытый протокол, стандартизирующий способы обнаружения внешних инструментов и взаимодействия с ними у агентов искусственного интеллекта. Он определяет модель «клиент-сервер»: агент размещает MCP-клиент, а инструменты предоставляются MCP-серверами. Любой MCP-совместимый клиент может использовать любой MCP-совместимый сервер — агенту не требуется собственный код интеграции для каждого инструмента.

MCP Toolbox for Databases — это сервер MCP с открытым исходным кодом, созданный специально для доступа к базам данных. Без него вам пришлось бы писать функции на Python, которые открывают соединения с базами данных, управляют пулами соединений, формируют параметризованные запросы для предотвращения SQL-инъекций, обрабатывают ошибки и встраивают весь этот код в ваш агент. Каждый агент, которому необходим доступ к базе данных, повторяет эту работу. Изменение запроса означает повторное развертывание агента.

С помощью Toolbox вы пишете YAML-файл. Каждый инструмент соответствует параметризованному SQL-запросу. Toolbox обрабатывает пулы соединений, параметризованные запросы, аутентификацию и мониторинг. Инструменты независимы от агента — обновить запрос можно, отредактировав tools.yaml и перезапустив Toolbox, без изменения кода агента. Те же инструменты работают с ADK, LangGraph, LlamaIndex или любой совместимой с MCP платформой.

Напишите конфигурацию инструментов

Теперь нам нужно создать файл tools.yaml в редакторе Cloud Shell, чтобы настроить конфигурацию наших инструментов.

cloudshell edit tools.yaml

Файл использует многодокументный YAML — каждый блок, разделённый символами --- представляет собой отдельный ресурс. Каждый ресурс имеет kind , который определяет его назначение ( sources для подключений к базам данных, tools для действий, вызываемых агентом), и type , указывающий на бэкэнд ( cloud-sql-postgres для источника, postgres-sql для инструментов на основе SQL). Инструмент ссылается на свой источник по name , благодаря чему Toolbox знает, к какому пулу подключений следует обращаться. Переменные среды используют синтаксис ${VAR_NAME} и разрешаются при запуске.

Теперь давайте сначала скопируем следующие скрипты в файл 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}

---