ฐานข้อมูลในฐานะเครื่องมือ: RAG แบบเอเจนต์ที่มี ADK, MCP Toolbox และ Cloud SQL

1. บทนำ

เอเจนต์ AI จะมีประโยชน์เพียงใดก็ขึ้นอยู่กับข้อมูลที่เข้าถึงได้ ข้อมูลในโลกแห่งความเป็นจริงส่วนใหญ่อยู่ในฐานข้อมูล และการเชื่อมต่อเอเจนต์กับฐานข้อมูลมักหมายถึงการเขียนการจัดการการเชื่อมต่อ ตรรกะการค้นหา และไปป์ไลน์การฝังภายในโค้ดของเอเจนต์ ตัวแทนทุกรายที่ต้องการเข้าถึงฐานข้อมูลจะต้องทำซ้ำงานนี้ และการเปลี่ยนแปลงการค้นหาทุกครั้งจะต้องมีการติดตั้งใช้งานตัวแทนอีกครั้ง

Codelab นี้แสดงแนวทางที่แตกต่างออกไป คุณประกาศเครื่องมือฐานข้อมูลในไฟล์ YAML ซึ่งได้แก่ การค้นหา SQL มาตรฐาน การค้นหาความคล้ายกันของเวกเตอร์ หรือแม้แต่การสร้างการฝังอัตโนมัติ และ MCP Toolbox for Databases จะจัดการการดำเนินการฐานข้อมูลทั้งหมดในฐานะเซิร์ฟเวอร์ MCP โค้ดของเอเจนต์จะยังคงมีขนาดเล็ก: โหลดเครื่องมือ แล้วปล่อยให้ Gemini ตัดสินใจว่าจะเรียกใช้เครื่องมือใด

สิ่งที่คุณจะสร้าง

ผู้ช่วยกระดานหางานอัจฉริยะสำหรับ "TechJobs" ซึ่งเป็นเอเจนต์ ADK ที่ทำงานด้วยระบบ Gemini ซึ่งช่วยให้นักพัฒนาซอฟต์แวร์เรียกดูประกาศรับสมัครงานด้านเทคโนโลยีโดยใช้ตัวกรองมาตรฐาน (บทบาท กลุ่มเทคโนโลยี) และค้นพบงานผ่านคำอธิบายภาษาธรรมชาติ เช่น "ฉันต้องการงานระยะไกลที่ทำงานเกี่ยวกับแชทบอท AI" เอเจนต์จะอ่านและเขียนไปยังฐานข้อมูล Cloud SQL PostgreSQL ผ่าน MCP Toolbox for Databases ทั้งหมด ซึ่งจะจัดการการเข้าถึงฐานข้อมูลทั้งหมด รวมถึงการสร้างการฝังอัตโนมัติสำหรับการค้นหาเวกเตอร์ ในท้ายที่สุด ทั้งกล่องเครื่องมือและเอเจนต์จะทำงานใน Cloud Run

สิ่งที่คุณจะได้เรียนรู้

วิธีที่ MCP (Model Context Protocol) สร้างมาตรฐานการเข้าถึงเครื่องมือสำหรับเอเจนต์ AI และวิธีที่ MCP Toolbox for Databases ใช้มาตรฐานนี้กับการดำเนินการฐานข้อมูล
ตั้งค่า MCP Toolbox for Databases เป็นมิดเดิลแวร์ระหว่างตัวแทน ADK กับ Cloud SQL PostgreSQL
กำหนดเครื่องมือฐานข้อมูลแบบประกาศใน tools.yaml โดยไม่ต้องมีโค้ดฐานข้อมูลใน Agent
สร้างเอเจนต์ ADK ที่โหลดเครื่องมือจากเซิร์ฟเวอร์กล่องเครื่องมือที่กําลังทํางานโดยใช้ ToolboxToolset
สร้างการฝังเวกเตอร์โดยใช้ฟังก์ชัน embedding() ในตัวของ Cloud SQL และเปิดใช้การค้นหาเชิงความหมายด้วย pgvector
ใช้ฟีเจอร์ valueFromParam เพื่อการนำเข้าเวกเตอร์อัตโนมัติในการดำเนินการเขียน
ทำให้ทั้งเซิร์ฟเวอร์ Toolbox และเอเจนต์ ADK ใช้งานได้ใน Cloud Run

ข้อกำหนดเบื้องต้น

บัญชี Google Cloud ที่มีบัญชีสำหรับการเรียกเก็บเงินเวอร์ชันทดลอง
มีความรู้พื้นฐานเกี่ยวกับ Python และ SQL
ไม่จำเป็นต้องมีประสบการณ์เกี่ยวกับ ADK, MCP Toolbox หรือ pgvector มาก่อน

2. ตั้งค่าสภาพแวดล้อม

หมายเหตุสำคัญ:

บทแนะนำนี้ต้องใช้โปรเจ็กต์ Google Cloud ที่มีบัญชีสำหรับการเรียกเก็บเงินที่ใช้งานอยู่ หากยังไม่มีบัญชี โปรดทำตามขั้นตอนด้านล่างเพื่อรับบัญชีสำหรับการเรียกเก็บเงินช่วงทดลองใช้ที่ใช้กับบทแนะนำนี้ได้

เปิดหน้าต่างที่ไม่ระบุตัวตน
หากเข้าร่วมเซสชันเวิร์กช็อป โดยปกติแล้ว URL ของพอร์ทัลการแลกรับข้อเสนอจะอยู่ในเซสชันดังกล่าว หรือคุณจะไปที่พอร์ทัลการแลกรับข้อเสนอสำหรับบัญชีการเรียกเก็บเงินแบบทดลองใช้นี้ก็ได้
เข้าสู่ระบบโดยใช้บัญชี Gmail ส่วนตัว ( Google Workspace / อีเมลอื่นๆ จะใช้ไม่ได้ )
ทำตามวิธีการแลกรับข้อเสนอแบบทีละขั้นตอนเพื่อสร้างโปรเจ็กต์ Google Cloud ใหม่ที่ลิงก์กับบัญชีสำหรับการเรียกเก็บเงินรุ่นทดลองที่อ้างสิทธิ์ไว้ก่อนหน้านี้สำหรับบทแนะนำนี้ให้สำเร็จ

ขั้นตอนนี้จะเตรียมสภาพแวดล้อม Cloud Shell กำหนดค่าโปรเจ็กต์ Google Cloud และโคลนที่เก็บข้อมูลอ้างอิง

เปิด Cloud Shell

เปิด Cloud Shell ในเบราว์เซอร์ Cloud Shell มีสภาพแวดล้อมที่กำหนดค่าไว้ล่วงหน้าพร้อมเครื่องมือทั้งหมดที่คุณต้องการสำหรับ Codelab นี้ คลิกให้สิทธิ์เมื่อมีข้อความแจ้งให้ทำ

จากนั้นคลิก "ดู" -> "เทอร์มินัล" เพื่อเปิดเทอร์มินัล อินเทอร์เฟซของคุณควรมีลักษณะคล้ายกับอินเทอร์เฟซนี้

นี่จะเป็นอินเทอร์เฟซหลักของเรา โดยมี IDE อยู่ด้านบนและเทอร์มินัลอยู่ด้านล่าง

ตั้งค่าไดเรกทอรีการทำงาน

สร้างไดเรกทอรีที่ใช้งานอยู่ โค้ดทั้งหมดที่คุณเขียนใน Codelab นี้จะอยู่ที่นี่

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

สร้างโปรเจ็กต์ Google Cloud

สร้างไฟล์ .env ที่มีตัวแปรสถานที่ตั้ง

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

ดาวน์โหลดสคริปต์การตั้งค่าโปรเจ็กต์ลงในไดเรกทอรีการทำงาน

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

เรียกใช้สคริปต์ โดยจะยืนยันบัญชีสำหรับการเรียกเก็บเงินของช่วงทดลองใช้ สร้างโปรเจ็กต์ใหม่ (หรือตรวจสอบโปรเจ็กต์ที่มีอยู่) บันทึกรหัสโปรเจ็กต์ลงในไฟล์ .env ในไดเรกทอรีปัจจุบัน และตั้งค่าโปรเจ็กต์ที่ใช้งานอยู่ใน gcloud

bash setup_verify_trial_project.sh && source .env

สคริปต์จะทำสิ่งต่อไปนี้

ตรวจสอบว่าคุณมีบัญชีสำหรับการเรียกเก็บเงินสำหรับการทดลองใช้ที่ใช้งานอยู่
ตรวจสอบโปรเจ็กต์ที่มีอยู่ใน .env (หากมี)
สร้างโปรเจ็กต์ใหม่หรือใช้โปรเจ็กต์ที่มีอยู่
ลิงก์บัญชีสำหรับการเรียกเก็บเงินของช่วงทดลองใช้กับโปรเจ็กต์
บันทึกรหัสโปรเจ็กต์ไปยัง .env
ตั้งค่าโปรเจ็กต์เป็นโปรเจ็กต์ gcloud ที่ใช้งานอยู่

ยืนยันว่าตั้งค่าโปรเจ็กต์ถูกต้องแล้วโดยตรวจสอบข้อความสีเหลืองข้างไดเรกทอรีการทำงานในพรอมต์เทอร์มินัลของ Cloud Shell โดยควรแสดงรหัสโปรเจ็กต์ของคุณ

หากเซสชัน Cloud Shell รีเซ็ตเมื่อใดก็ตามในระหว่างการทำ Codelab นี้ ให้กลับไปที่ไดเรกทอรีการทำงานแล้วเรียกใช้ bash setup_verify_trial_project.sh && source .env อีกครั้งเพื่อกู้คืนการกำหนดค่าโปรเจ็กต์ ยืนยันว่าข้อความรหัสโปรเจ็กต์สีเหลืองปรากฏขึ้นอีกครั้งในพรอมต์ของเทอร์มินัล

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) - Agent ของคุณใช้โมเดล Gemini และกล่องเครื่องมือใช้ Embedding API สำหรับการค้นหาเวกเตอร์
Cloud SQL Admin API (sqladmin.googleapis.com) - คุณจัดสรรและจัดการอินสแตนซ์ PostgreSQL
Compute Engine API (compute.googleapis.com) — จำเป็นสำหรับการสร้างอินสแตนซ์ Cloud SQL
Cloud Run, Cloud Build, Artifact Registry - ใช้ในขั้นตอนการทำให้ใช้งานได้ในภายหลังในโค้ดแล็บนี้

3. สร้างอินสแตนซ์ฐานข้อมูล

ขั้นตอนนี้จะตั้งค่าการสร้างอินสแตนซ์ Cloud SQL ในเบื้องหลัง ซึ่งจะจัดสรรในขณะที่คุณทำตามบทแนะนำต่อ

เริ่มสร้างอินสแตนซ์

เพิ่มรหัสผ่านฐานข้อมูลลงในไฟล์ .env แล้วโหลดซ้ำ

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

เริ่มสร้างอินสแตนซ์ Cloud SQL โดยจะทำงานในเบื้องหลังเพื่อให้คุณทำงานต่อไปได้

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 คือระดับ Cloud SQL แบบคอร์เฉพาะที่เล็กที่สุด (1 vCPU, RAM 3.75 GB) ในรุ่น ENTERPRISE อ่านรายละเอียดเพิ่มเติมได้ที่นี่ ต้องใช้คอร์เฉพาะสำหรับการผสานรวม Vertex AI ML โดยที่ระดับคอร์ที่ใช้ร่วมกัน (db-f1-micro, db-g1-small) ไม่รองรับ
--root-password ตั้งค่ารหัสผ่านสำหรับผู้ใช้ postgres เริ่มต้น
--enable-google-ml-integration ช่วยให้การผสานรวมในตัวของ Cloud SQL กับ Vertex AI ทำงานได้ ซึ่งช่วยให้คุณเรียกใช้โมเดลการฝังจาก SQL ได้โดยตรงโดยใช้ฟังก์ชัน embedding()
& จะเรียกใช้คำสั่งในเบื้องหลัง

โดยจะทำงานในเบื้องหลัง จากนั้นให้ดาวน์โหลดไบนารีของ MCP Toolbox ซึ่งทำได้ในเทอร์มินัลเดียวกัน

ดาวน์โหลดไบนารีของกล่องเครื่องมือ

ในบทแนะนำนี้ เราจะใช้ MCP Toolbox ซึ่งมาพร้อมกับไบนารีที่สร้างไว้ล่วงหน้าซึ่งพร้อมใช้งานในสภาพแวดล้อม Linux มาดาวน์โหลดในเบื้องหลังกันเลยเพราะอาจใช้เวลานาน

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

ปล่อยให้กระบวนการนี้ทำงานในแท็บปัจจุบัน (เราได้เรียกใช้กระบวนการนี้ในเบื้องหลังแล้ว แต่อินพุตจะยังคงแสดงอยู่) มาเปิดแท็บเทอร์มินัลใหม่ใน Cloud Shell (คลิกไอคอน +) เพื่อให้เราโฟกัสได้มากขึ้น

ไปที่ไดเรกทอรีการทำงานอีกครั้งและเปิดใช้งานโปรเจ็กต์โดยใช้สคริปต์การตั้งค่าก่อนหน้า

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

ขั้นตอนนี้จะตั้งค่าโปรเจ็กต์ Python ติดตั้งการอ้างอิง และสร้างโครงสร้างไดเรกทอรีของตัวแทน ADK

4. เริ่มต้นโปรเจ็กต์ Agent

ตั้งค่าโปรเจ็กต์ Python

uv เป็นเครื่องมือจัดการแพ็กเกจและโปรเจ็กต์ Python ที่รวดเร็วซึ่งเขียนด้วย Rust ( เอกสารประกอบของ uv ) Codelab นี้ใช้เพื่อความเร็วและความเรียบง่าย

เริ่มต้นโปรเจ็กต์ Python และเพิ่มการอ้างอิงที่จำเป็น

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

google-adk - ชุดพัฒนาเอเจนต์ของ Google ซึ่งรวมถึง Gemini SDK
toolbox-adk — การผสานรวม ADK สำหรับกล่องเครื่องมือ MCP สำหรับฐานข้อมูล

สร้างโครงสร้างไดเรกทอรีของเอเจนต์

ADK คาดหวังเลย์เอาต์โฟลเดอร์ที่เฉพาะเจาะจง ได้แก่ ไดเรกทอรีที่มีชื่อตามเอเจนต์ของคุณซึ่งมี __init__.py, agent.py และ .env โดยมีคำสั่งในตัวเพื่อสร้างโครงสร้างได้อย่างรวดเร็ว ดังนี้

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

ตอนนี้ไดเรกทอรีควรมีลักษณะดังนี้

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

5. เริ่มต้นฐานข้อมูลข้อมูลงาน

ขั้นตอนนี้จะเขียนข้อมูลเริ่มต้น รอให้อินสแตนซ์ Cloud SQL จัดสรรเสร็จสมบูรณ์ และโหลดตาราง jobs ที่มีประกาศรับสมัครงาน 15 รายการและการฝังคำอธิบาย

เขียน SQL เริ่มต้น

เราจะสร้างไฟล์ชื่อ seed.sql ใน Cloud Shell Editor โดยมีเนื้อหารายการงาน ซึ่งจะสร้างjobsตารางที่มีpgvectorการสนับสนุนและแทรกประกาศรับสมัครงาน 15 รายการที่บริษัทเทคโนโลยี

ก่อนอื่นให้สร้างไฟล์ seed.sql โดยใช้คำสั่งต่อไปนี้

cloudshell edit seed.sql

จากนั้นคัดลอกสคริปต์เหล่านี้ลงในไฟล์

-- 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.');

สคริปต์เริ่มต้นจะติดตั้งส่วนขยาย PostgreSQL 2 รายการ ได้แก่

google_ml_integration — มีฟังก์ชัน SQL ของ embedding() ซึ่งเรียกใช้โมเดลการฝังของ Vertex AI จาก SQL โดยตรง ส่วนขยายนี้เป็นส่วนขยายระดับฐานข้อมูลที่ทำให้ฟังก์ชัน ML พร้อมใช้งานภายใน jobs_db แฟล็กระดับอินสแตนซ์ (--enable-google-ml-integration) ที่คุณตั้งค่าในระหว่างการสร้างอินสแตนซ์จะอนุญาตให้ VM ของ Cloud SQL เข้าถึง Vertex AI ได้ ส่วนการขยายจะทำให้ฟังก์ชัน SQL พร้อมใช้งานภายในฐานข้อมูลที่เฉพาะเจาะจงนี้
vector (pgvector) — เพิ่มประเภทข้อมูล vector และตัวดำเนินการระยะทางสำหรับการจัดเก็บและค้นหาการฝัง

คอลัมน์ description_embedding คือ vector(3072) ซึ่งเป็นคอลัมน์ pgvector ที่จัดเก็บเวกเตอร์ 3072 มิติ ตอนนี้ค่าจะเป็น NULL คุณจะสร้างและป้อนข้อมูลการฝังในขั้นตอนถัดไปโดยใช้ฟังก์ชัน embedding()

ตั้งค่าฐานข้อมูลให้เสร็จ

การสร้างอินสแตนซ์ Cloud SQL ที่คุณเริ่มในขั้นตอนก่อนหน้าอาจยังทำงานอยู่และยังไม่เสร็จ ตรวจสอบว่าอินสแตนซ์พร้อมใช้งานแล้ว

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

คุณควรเห็นเอาต์พุตต่อไปนี้

RUNNABLE

จากนั้นให้สิทธิ์บัญชีบริการของอินสแตนซ์ Cloud SQL ในการเรียกใช้ Vertex AI คุณต้องระบุข้อมูลนี้สำหรับฟังก์ชัน embedding() ในตัวที่จะใช้ในขั้นตอนถัดไป

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

หลังจากนั้น ให้สร้างฐานข้อมูลเฉพาะสำหรับข้อมูลงาน โดยทำดังนี้

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

คุณควรเห็นเอาต์พุตที่ยืนยันว่าสร้างฐานข้อมูลแล้ว

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

เชื่อมต่อและเริ่มต้นฐานข้อมูล

เริ่มพร็อกซีการตรวจสอบสิทธิ์ Cloud SQL (cloud-sql-proxy ติดตั้งไว้ล่วงหน้าใน Cloud Shell) ซึ่งจะช่วยให้การเชื่อมต่อจาก Cloud Shell ไปยังอินสแตนซ์ Cloud SQL ของคุณมีความปลอดภัยและมีการตรวจสอบสิทธิ์

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

หากพร็อกซีเริ่มทำงาน คุณควรเห็นเอาต์พุตต่อไปนี้ในเทอร์มินัล

... 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!

ตอนนี้เทอร์มินัลปัจจุบันจะแสดงบันทึกของ Cloud SQL Proxy อย่างต่อเนื่อง มาเปิดแท็บเทอร์มินัลใหม่ใน Cloud Shell (คลิกไอคอน +) เพื่อให้เราโฟกัสได้มากขึ้น

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

จากนั้นเรียกใช้สคริปต์เริ่มต้น

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

คุณจะเห็นเอาต์พุตของเทอร์มินัลดังนี้

CREATE EXTENSION
CREATE EXTENSION
CREATE TABLE
INSERT 0 15

มาตรวจสอบข้อมูลกัน

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;"

คุณควรเห็นประกาศรับสมัครงาน 15 รายการในหลายบทบาท ดังนี้

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

สร้างการฝังสำหรับรายละเอียดงาน

ขณะนี้ description_embedding คอลัมน์ในตาราง jobs เป็น NULL google_ml_integrationส่วนขยายในตัวของ Cloud SQL มีembedding()ฟังก์ชันที่เรียกใช้ Vertex AI จาก SQL ได้โดยตรง โดยไม่ต้องใช้สคริปต์ Python หรือ SDK ภายนอก

เริ่มสร้างการฝังในเบื้องหลัง คำสั่งนี้เรียกใช้ Vertex AI เพื่อสร้างเวกเตอร์ 3072 มิติโดยใช้โมเดล gemini-embedding-001 สำหรับคำอธิบายงานทั้ง 15 รายการ

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;" &

สคริปต์นี้จะทำสิ่งต่อไปนี้

embedding('gemini-embedding-001', description) — เรียกใช้โมเดลการฝัง Gemini ของ Vertex AI โดยตรงจาก SQL โดยส่งdescriptionข้อความของแต่ละงาน นี่คือส่วนขยาย google_ml_integration ที่คุณติดตั้งในสคริปต์เริ่มต้น
::vector — แปลงอาร์เรย์ของค่าทศนิยมที่ส่งคืนเป็นประเภท vector ของ pgvector เพื่อให้จัดเก็บและค้นหาด้วยโอเปอเรเตอร์ระยะทางได้
UPDATE จะทำงานในทั้ง 15 แถว โดยสร้างการฝังมิติ 3072 จำนวน 1 รายการต่อคำอธิบายงาน
& จะเรียกใช้คำสั่งในเบื้องหลังเพื่อให้คุณทำงานต่อไปได้ในขณะที่ Vertex AI ประมวลผลการฝัง

เช่นเดียวกับการดำเนินการกระบวนการเบื้องหลังก่อนหน้านี้ เทอร์มินัลปัจจุบันจะแสดงบันทึกของกระบวนการ มาเปิดแท็บเทอร์มินัลใหม่ใน Cloud Shell (คลิกไอคอน +) เพื่อให้เราโฟกัสได้มากขึ้น

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

จากนั้นเราจะดำเนินการในกระบวนการถัดไปได้

6. กำหนดค่ากล่องเครื่องมือ MCP สำหรับฐานข้อมูล

ขั้นตอนนี้จะแนะนำกล่องเครื่องมือ MCP สำหรับฐานข้อมูล กำหนดค่าให้เชื่อมต่อกับอินสแตนซ์ Cloud SQL และกำหนดเครื่องมือค้นหา SQL มาตรฐาน 2 รายการ

MCP คืออะไรและเหตุใดจึงควรใช้กล่องเครื่องมือ

MCP (Model Context Protocol) เป็นโปรโตคอลแบบเปิดที่กำหนดมาตรฐานวิธีที่ AI Agent ค้นพบและโต้ตอบกับเครื่องมือภายนอก โดยจะกำหนดรูปแบบไคลเอ็นต์-เซิร์ฟเวอร์ ซึ่งเอเจนต์จะโฮสต์ไคลเอ็นต์ MCP และเซิร์ฟเวอร์ MCP จะแสดงเครื่องมือ ไคลเอ็นต์ที่เข้ากันได้กับ MCP สามารถใช้เซิร์ฟเวอร์ที่เข้ากันได้กับ MCP ได้ โดยเอเจนต์ไม่จำเป็นต้องใช้โค้ดการผสานรวมที่กำหนดเองสำหรับแต่ละเครื่องมือ

กล่องเครื่องมือ MCP สำหรับฐานข้อมูลคือเซิร์ฟเวอร์ MCP แบบโอเพนซอร์สที่สร้างขึ้นเพื่อการเข้าถึงฐานข้อมูลโดยเฉพาะ หากไม่มีฟีเจอร์นี้ คุณจะต้องเขียนฟังก์ชัน Python ที่เปิดการเชื่อมต่อฐานข้อมูล จัดการกลุ่มการเชื่อมต่อ สร้างการค้นหาที่มีพารามิเตอร์เพื่อป้องกันการแทรก SQL จัดการข้อผิดพลาด และฝังโค้ดทั้งหมดนั้นไว้ใน Agent ตัวแทนทุกคนที่ต้องการเข้าถึงฐานข้อมูลจะต้องทำซ้ำ การเปลี่ยนคำค้นหาหมายถึงการติดตั้งใช้งาน Agent อีกครั้ง

โดยคุณจะเขียนไฟล์ YAML ด้วยกล่องเครื่องมือ เครื่องมือแต่ละอย่างจะแมปกับคำสั่ง SQL ที่มีพารามิเตอร์ กล่องเครื่องมือจะจัดการการจัดกลุ่มการเชื่อมต่อ คำค้นที่มีพารามิเตอร์ การตรวจสอบสิทธิ์ และการสังเกตการณ์ เครื่องมือจะแยกออกจากเอเจนต์ โดยคุณสามารถอัปเดตคําค้นหาได้โดยการแก้ไข tools.yaml และรีสตาร์ทกล่องเครื่องมือโดยไม่ต้องแตะต้องโค้ดเอเจนต์ เครื่องมือเดียวกันนี้ใช้ได้กับ ADK, LangGraph, LlamaIndex หรือเฟรมเวิร์กที่เข้ากันได้กับ MCP

เขียนการกำหนดค่าเครื่องมือ

ตอนนี้เราต้องสร้างไฟล์ชื่อ tools.yaml ใน Cloud Shell Editor เพื่อตั้งค่าเครื่องมือ

cloudshell edit tools.yaml

ไฟล์ใช้ YAML แบบหลายเอกสาร โดยแต่ละบล็อกที่คั่นด้วย --- จะเป็นทรัพยากรแบบสแตนด์อโลน ทรัพยากรทุกรายการมี kind ที่ประกาศว่าทรัพยากรนั้นคืออะไร (sources สำหรับการเชื่อมต่อฐานข้อมูล tools สำหรับการดำเนินการที่เรียกใช้ได้ของเอเจนต์) และ type ที่ระบุแบ็กเอนด์ (cloud-sql-postgres สำหรับแหล่งที่มา postgres-sql สำหรับเครื่องมือที่ใช้ SQL) เครื่องมือจะอ้างอิงแหล่งที่มาโดยใช้ name ซึ่งเป็นวิธีที่กล่องเครื่องมือทราบว่าควรใช้ Connection Pool ใด ตัวแปรสภาพแวดล้อมใช้ไวยากรณ์ ${VAR_NAME} และจะได้รับการแก้ไขเมื่อเริ่มต้นระบบ

ตอนนี้มาคัดลอกสคริปต์ต่อไปนี้ลงในไฟล์ tools.yaml ก่อน

# 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}

---