將資料庫做為工具：使用 ADK、MCP Toolbox 和 Cloud SQL 建構代理式 RAG

1. 簡介

AI 代理的實用度取決於可存取的資料。大多數實際資料都儲存在資料庫中，而將代理程式連線至資料庫通常表示要在代理程式碼中編寫連線管理、查詢邏輯和嵌入管道。需要存取資料庫的每個代理程式都會重複這項工作，且每次查詢變更都需要重新部署代理程式。

本程式碼研究室會介紹不同的做法。您可以在 YAML 檔案中宣告資料庫工具 (標準 SQL 查詢、向量相似度搜尋，甚至是自動產生嵌入)，而 MCP Toolbox for Databases 會以 MCP 伺服器身分處理所有資料庫作業。您的代理程式碼會保持在最低限度：載入工具，讓 Gemini 決定要呼叫哪個工具。

建構項目

「TechJobs」的智慧職缺看板助理：這個 ADK 代理程式採用 Gemini 技術，可協助開發人員使用標準篩選條件 (職位、技術堆疊) 瀏覽技術職缺，並透過自然語言說明 (例如「我想找 AI 聊天機器人相關的遠端工作」) 探索職缺。代理程式會完全透過 MCP Toolbox for Databases 讀取及寫入 Cloud SQL PostgreSQL 資料庫，處理所有資料庫存取作業，包括自動產生向量搜尋的嵌入內容。最後，Toolbox 和代理程式都會在 Cloud Run 上執行。

課程內容

• MCP (Model Context Protocol) 如何為 AI 代理標準化工具存取權，以及 MCP Toolbox for Databases 如何將這項標準套用至資料庫作業
• 將 MCP Toolbox for Databases 設為 ADK 代理程式與 Cloud SQL PostgreSQL 之間的 Middleware
• 在 tools.yaml 中以宣告方式定義資料庫工具，代理程式中不會有資料庫程式碼
• 使用 ToolboxToolset 建構 ADK 代理，從正在執行的 Toolbox 伺服器載入工具
• 使用 Cloud SQL 內建的 embedding() 函式生成向量嵌入，並透過 pgvector 啟用語意搜尋
• 在寫入作業中使用 valueFromParam 功能，自動擷取向量
• 將 Toolbox 伺服器和 ADK 代理部署至 Cloud Run

必要條件

• 具有試用帳單帳戶的 Google Cloud 帳戶
• 對 Python 和 SQL 有基本瞭解
• 不需要有 ADK、MCP Toolbox 或 pgvector 相關經驗

2. 設定環境

重要注意事項：

本教學課程需要具備有效帳單帳戶的 Google Cloud 專案。如果沒有，請按照下列步驟取得可用於本教學課程的試用帳單帳戶：

1. 開啟無痕視窗
2. 如要參加研討會，通常會在研討會中提供兌換入口網站網址，否則您可以前往這個試用帳單帳戶兌換入口網站
3. 使用個人 Gmail 帳戶登入( Google Workspace / 其他電子郵件無法登入！)
4. 請按照兌換說明逐步操作，建立連結至先前已兌換試用方案帳單帳戶的 Google Cloud 專案，以進行本教學課程。

這個步驟會準備 Cloud Shell 環境、設定 Google Cloud 專案，並複製參照存放區。

開啟 Cloud Shell

在瀏覽器中開啟 Cloud Shell。Cloud Shell 提供預先設定的環境，內含本程式碼研究室所需的所有工具。看到授權提示時，按一下「授權」。

開啟 Cloud Shell

然後依序點選「View」(檢視) ->「Terminal」(終端機)，開啟終端機。介面應與下圖類似：

這會是我們的主要介面，頂端是 IDE，底部是終端機

設定工作目錄

建立工作目錄。您在本程式碼研究室中編寫的所有程式碼都會放在這裡：

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

設定 Google Cloud 專案

建立含有位置變數的 .env 檔案：

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

將專案設定指令碼下載至工作目錄：

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

執行指令碼，這個指令會驗證試用帳單帳戶、建立新專案 (或驗證現有專案)、將專案 ID 儲存至目前目錄中的 .env 檔案，並在 gcloud 中設定有效專案。

bash setup_verify_trial_project.sh && source .env

指令碼會執行下列動作：

1. 確認您有有效的試用帳單帳戶
2. 檢查 .env 中是否有現有專案 (如有)
3. 建立新專案或重複使用現有專案
4. 將試用帳單帳戶連結至專案
5. 將專案 ID 儲存至 .env
6. 將專案設為有效 gcloud 專案

重要事項：如果您已在 .env 中設定專案，指令碼會驗證該專案是否已連結至試用帳單帳戶。如果一切正常，系統就會略過專案建立程序。

在 Cloud Shell 終端機提示中，檢查工作目錄旁的黃色文字，確認專案設定正確。應該會顯示專案 ID。

提示：如果 Cloud Shell 工作階段在本程式碼研究室進行期間重設，請返回工作目錄並重新執行 bash setup_verify_trial_project.sh && source .env，還原專案設定。確認終端機提示中重新顯示黃色專案 ID 文字。

如果 Cloud Shell 工作階段在程式碼研究室期間重設，請返回工作目錄並重新執行 bash setup_verify_trial_project.sh && source .env，還原專案設定。確認終端機提示中重新顯示黃色專案 ID 文字。

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)：代理程式會使用 Gemini 模型，而工具箱會使用嵌入 API 進行向量搜尋。
• Cloud SQL Admin API (sqladmin.googleapis.com)：用於佈建及管理 PostgreSQL 執行個體。
• Compute Engine API (compute.googleapis.com) - 建立 Cloud SQL 執行個體時需要此 API。
• Cloud Run、Cloud Build、Artifact Registry - 在本程式碼研究室稍後的部署步驟中使用

注意：啟用 API 可能需要一段時間。每個專案只需執行一次這項操作

3. 建立資料庫例項

這個步驟會在背景設定 Cloud SQL 執行個體建立作業，並在您繼續進行教學課程時佈建資源。

開始建立執行個體

將資料庫密碼新增至 .env 檔案，然後重新載入：

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

重要事項！上述硬式編碼的密碼僅供教學課程使用。在正式環境中，請使用 Secret Manager 等服務安全地儲存憑證，並在執行階段參照這些憑證，切勿將純文字密鑰提交至原始碼控管。

開始建立 Cloud SQL 執行個體。這項作業會在背景執行，因此你可以繼續工作：

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 是 ENTERPRISE 版本中最小的專屬核心 Cloud SQL 層級 (1 個 vCPU，3.75 GB RAM)。詳情請參閱這篇文章。Vertex AI 機器學習整合功能需要專用核心，共用核心層級 (db-f1-micro、db-g1-small) 不支援這項功能。
• --root-password 設定預設 postgres 使用者的密碼。
• --enable-google-ml-integration 可啟用 Cloud SQL 與 Vertex AI 的內建整合功能，讓您使用 embedding() 函式，直接從 SQL 呼叫嵌入模型。
• & 會在背景執行指令。

這項作業會在背景執行，接下來請下載 MCP Toolbox 二進位檔。您可以在同一個終端機中執行這項操作

下載 Toolbox 二進位檔

在本教學課程中，我們將使用 MCP Toolbox，幸運的是，這個工具箱隨附預建二進位檔，可在 Linux 環境中使用。下載時間較長，因此請在背景下載

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

讓這項程序在目前的分頁中執行 (我們已在背景執行，但仍會顯示輸出內容)。在 Cloud Shell 中開啟新的終端機分頁 (點選「+」圖示)，以便專心處理。

再次前往工作目錄，並使用先前的設定指令碼啟用專案。

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

這個步驟會設定 Python 專案、安裝依附元件，並搭建 ADK 代理程式目錄

4. 初始化 Agent 專案

設定 Python 專案

uv 是以 Rust 編寫的快速 Python 套件和專案管理員 ( 請參閱 uv 說明文件)。本程式碼研究室使用這個工具，是為了簡化程序並加快速度。

初始化 Python 專案，並新增必要的依附元件：

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

• google-adk - Google 的 Agent Development Kit，包括 Gemini SDK
• toolbox-adk - MCP Toolbox for Databases 的 ADK 整合。

建立虛擬服務專員目錄結構

ADK 需要特定資料夾版面配置：以代理程式命名的目錄，其中包含 __init__.py、agent.py 和 .env。為此，它內建指令可快速建立結構：

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

您的目錄現在應如下所示：

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

5. 播送徵才資訊資料庫

這個步驟會寫入種子資料、等待 Cloud SQL 執行個體完成佈建，並載入 jobs 資料表，其中包含 15 個職缺和說明嵌入內容

編寫種子 SQL

我們會在 Cloud Shell 編輯器中建立名為 seed.sql 的檔案，並加入職缺資訊內容。這會建立 jobs 資料表，並插入 15 個科技公司職缺。pgvector

重要事項：這些職缺完全是虛構的，僅供教學用途。公司名稱僅用於說明情境，職位、薪資和說明並非實際職缺。

首先，請使用下列指令建立 seed.sql 檔案：

cloudshell edit seed.sql

然後將這些指令碼複製到檔案中

-- 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.');

種子指令碼會安裝兩個 PostgreSQL 擴充功能：

• google_ml_integration：提供 embedding() SQL 函式，可直接從 SQL 呼叫 Vertex AI 嵌入模型。這是資料庫層級的擴充功能，可讓您在 jobs_db 中使用機器學習函式。您在建立執行個體時設定的執行個體層級旗標 (--enable-google-ml-integration)，可讓 Cloud SQL VM 連線至 Vertex AI，而擴充功能則會在這個特定資料庫中提供 SQL 函式。
• vector (pgvector)：新增 vector 資料類型和距離運算子，用於儲存及查詢嵌入內容。

description_embedding 資料欄是 vector(3072)，也就是儲存 3072 維度向量的 pgvector 資料欄。目前為 NULL，您會在下一個步驟中使用 embedding() 函式產生並填入嵌入內容。

完成資料庫設定

您在上一步中啟動的 Cloud SQL 執行個體建立作業可能仍在執行中，尚未完成。確認執行個體是否已準備就緒：

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

輸出內容應如下所示：

RUNNABLE

重要事項：如果沒有看到 RUNNABLE 狀態，請稍候片刻再試一次

接著，授予 Cloud SQL 執行個體的服務帳戶呼叫 Vertex AI 的權限。您會在下一個步驟中使用內建的 embedding() 函式，因此必須執行這項操作：

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

接著，為職缺資訊建立專屬資料庫：

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

您應該會看到確認資料庫已建立的輸出內容：

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

連線並植入資料庫

啟動 Cloud SQL 驗證 Proxy (Cloud Shell 中已預先安裝 cloud-sql-proxy)。這會建立從 Cloud Shell 到 Cloud SQL 執行個體的安全驗證連線：

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

解決錯誤：如果遇到「port 5432 is already in use」(連接埠 5432 已在使用中) 的錯誤，請執行下列指令終止先前的程序，然後重新執行上述指令

fuser -k 5432/tcp

如果 Proxy 啟動，終端機中應該會顯示下列輸出內容：

... 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!

注意：只有在直接存取資料庫 (播種、執行指令碼) 時，才需要 Cloud SQL 驗證 Proxy。您在下一個步驟中設定的工具箱，會自行處理與 Cloud SQL 的連線。

現在，目前的終端機會持續輸出 Cloud SQL Proxy 的記錄。在 Cloud Shell 中開啟新的終端機分頁 (點選「+」圖示)，以便專心處理。

再次前往工作目錄，並使用先前的設定指令碼啟用專案。

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

然後執行種子指令碼

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

終端機輸出內容會類似這樣：

CREATE EXTENSION
CREATE EXTENSION
CREATE TABLE
INSERT 0 15

讓我們驗證資料

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;"

您應該會看到 15 個職缺，涵蓋多個角色：

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

提示：如果輸出內容在分頁程式中開啟 (底部會顯示 : 提示)，請按下 q 鍵退出並返回終端機。

生成職務說明的嵌入項目

jobs 資料表中的 description_embedding 資料欄目前為 NULL。Cloud SQL 的內建 google_ml_integration 擴充功能提供 embedding() 函式，可直接從 SQL 呼叫 Vertex AI，不需使用 Python 指令碼或外部 SDK。

在背景中開始生成嵌入內容。這會呼叫 Vertex AI，針對 15 份職務說明各別使用 gemini-embedding-001 模型生成 3072 維度的向量：

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;" &

指令碼會執行下列作業：

• embedding('gemini-embedding-001', description)：直接從 SQL 呼叫 Vertex AI 的 Gemini 嵌入模型，並傳遞每個職務的description文字。這是您在種子指令碼中安裝的 google_ml_integration 擴充功能。
• ::vector：將傳回的浮點數陣列轉換為 pgvector 的 vector 型別，以便儲存及使用距離運算子查詢。
• UPDATE 會在所有 15 個資料列中執行，為每個職務說明生成一個 3072 維度的嵌入。
• & 會在背景執行指令，因此您可以在 Vertex AI 處理嵌入內容時繼續工作。

提示：不熟悉 embedding 概念？按這裡瞭解詳情

重要注意事項：這需要一段時間，等待此程序完成時，我們可以繼續下一個步驟

與先前的背景程序執行作業一樣，目前的終端機會輸出程序的記錄。在 Cloud Shell 中開啟新的終端機分頁 (點選「+」圖示)，以便專心處理。

再次前往工作目錄，並使用先前的設定指令碼啟用專案。

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

接著，我們就可以繼續進行下一個程序

6. 設定 MCP Toolbox for Databases

這個步驟會介紹 MCP Toolbox for Databases，並設定該工具以連線至 Cloud SQL 執行個體，以及定義兩個標準 SQL 查詢工具。

什麼是 MCP？為什麼要使用 Toolbox？

MCP (Model Context Protocol) 是一項開放通訊協定，可將 AI 代理程式探索及與外部工具互動的方式標準化。這項標準定義了用戶端/伺服器模型：代理會代管 MCP 用戶端，而工具則由 MCP 伺服器公開。任何與 MCP 相容的用戶端都能使用與 MCP 相容的伺服器，代理不需要為每個工具編寫自訂整合程式碼。

MCP Toolbox for Databases 是專為資料庫存取作業建構的開放原始碼 MCP 伺服器。如果沒有這項功能，您就必須編寫 Python 函式，開啟資料庫連線、管理連線集區、建構參數化查詢來防止 SQL 注入、處理錯誤，並將所有程式碼嵌入代理程式中。需要資料庫存取權的每位代理程式都會重複這項工作。變更查詢表示要重新部署代理程式。

使用 Toolbox 編寫 YAML 檔案。每項工具都會對應至參數化的 SQL 陳述式。Toolbox 會處理連線集區、參數化查詢、驗證和可觀測性。工具與代理程式分離，因此編輯 tools.yaml 並重新啟動 Toolbox 即可更新查詢，不必修改代理程式碼。這些工具適用於 ADK、LangGraph、LlamaIndex 或任何與 MCP 相容的架構。

撰寫工具設定

現在，我們需要在 Cloud Shell 編輯器中建立名為 tools.yaml 的檔案，設定工具設定

cloudshell edit tools.yaml

這個檔案使用多文件 YAML，以 --- 分隔的每個區塊都是獨立資源。每個資源都有 kind，可宣告資源類型 (資料庫連線為 sources，可供代理程式呼叫的動作為 tools)，以及指定後端 (來源為 cloud-sql-postgres，以 SQL 為基礎的工具為 postgres-sql)。type工具會透過 name 參照來源，Toolbox 則會藉此瞭解要執行的連線集區。環境變數使用 ${VAR_NAME} 語法，並在啟動時解析。

提示：工具箱支援 50 多個資料來源 (AlloyDB、Spanner、BigQuery、Firestore、MySQL 等)，以及自訂 SQL 以外的預先建構工具類型。如需可用的 kind 和 type 值完整清單，請參閱資源說明文件。

現在，請先將下列指令碼複製到 tools.yaml 檔案中

# 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}

---

這個指令碼會定義下列資源：

• 來源 (jobs-db)：告知 Toolbox 如何連線至 Cloud SQL PostgreSQL 執行個體。cloud-sql-postgres 類型會在內部使用 Cloud SQL 連接器，自動處理驗證和安全連線。系統會在啟動時從環境變數解析 ${GOOGLE_CLOUD_PROJECT}、${REGION} 和 ${DB_PASSWORD} 預留位置。

接著，在 tools.yaml 的 --- 符號下方附加下列指令碼：

# --- Tool 1: Search jobs by role and/or tech stack ---
kind: tools
name: search-jobs
type: postgres-sql
source: jobs-db
description: >-
  Search for job listings by role category and/or tech stack.
  Use this tool when the developer wants to browse listings
  by role (e.g., Backend, Frontend, Data) or find jobs
  using a specific technology. Both parameters accept an
  empty string to match all values.
statement: |
  SELECT title, company, role, tech_stack, salary_range, location, openings
  FROM jobs
  WHERE ($1 = '' OR LOWER(role) = LOWER($1))
  AND ($2 = '' OR LOWER(tech_stack) LIKE '%' || LOWER($2) || '%')
  ORDER BY title
  LIMIT 10
parameters:
  - name: role
    type: string
    description: "The role category to filter by (e.g., 'Backend', 'Frontend', 'Data/AI', 'DevOps'). Use empty string for all roles."
  - name: tech_stack
    type: string
    description: "A technology to search for in the tech stack (partial match, e.g., 'Python', 'Kubernetes'). Use empty string for all tech stacks."

---

# --- Tool 2: Get full details for a specific job ---
kind: tools
name: get-job-details
type: postgres-sql
source: jobs-db
description: >-
  Get full details for a specific job listing including its description,
  salary range, location, and number of openings. Use this tool when the
  developer asks about a particular job by title or company.
statement: |
  SELECT title, company, role, tech_stack, salary_range, location, openings, description
  FROM jobs
  WHERE LOWER(title) LIKE '%' || LOWER($1) || '%'
  OR LOWER(company) LIKE '%' || LOWER($1) || '%'
parameters:
  - name: search_term
    type: string
    description: "The job title or company name to look up (partial match supported)."

---

這個指令碼會定義下列資源：

• 工具 1 和 2 (search-jobs、get-job-details) - 標準 SQL 查詢工具。每個對應都會將工具名稱 (代理程式看到的內容) 對應至參數化 SQL 陳述式 (資料庫執行的內容)。參數使用 $1、$2 位置預留位置。工具箱會將這些項目做為預先準備好的陳述式執行，避免 SQL 植入。

繼續操作，在 tools.yaml 的 --- 符號下方附加下列指令碼：

# --- Embedding Model ---
kind: embeddingModels
name: gemini-embedding
type: gemini
model: gemini-embedding-001
dimension: 3072

---

這個指令碼會定義下列資源：

• 嵌入模型 (gemini-embedding) - 將工具箱設定為呼叫 Gemini 的 gemini-embedding-001 模型，生成 3072 維度的文字嵌入。Toolbox 會使用應用程式預設憑證 (ADC) 進行驗證，因此在 Cloud Shell 或 Cloud Run 中不需要 API 金鑰。請注意，這裡設定的 dimension 必須與先前設定的資料庫播種相同

繼續操作，在 tools.yaml 的 --- 符號下方附加下列指令碼：

# --- Tool 3: Semantic search by description ---
kind: tools
name: search-jobs-by-description
type: postgres-sql
source: jobs-db
description: >-
  Find jobs that match a natural language description of what the developer
  is looking for. Use this tool when the developer describes their ideal job
  using interests, work style, career goals, or project type rather than a
  specific role or tech stack. Examples: "I want to work on AI chatbots,"
  "a remote job at a fintech startup," "something involving infrastructure
  and reliability."
statement: |
  SELECT title, company, role, tech_stack, salary_range, location, description
  FROM jobs
  WHERE description_embedding IS NOT NULL
  ORDER BY description_embedding <=> $1
  LIMIT 5
parameters:
  - name: search_query
    type: string
    description: "A natural language description of the kind of job the developer is looking for."
    embeddedBy: gemini-embedding

---

這個指令碼會定義下列資源：

• 工具 3 (search-jobs-by-description) - 向量搜尋工具。search_query 參數具有 embeddedBy: gemini-embedding，可告知 Toolbox 攔截原始文字、傳送至嵌入模型，並在 SQL 陳述式中使用產生的向量。<=> 運算子是 pgvector 的餘弦距離，值越小表示說明越相似。

最後，在 tools.yaml 的 --- 符號下方附加最後一個工具

# --- Tool 4: Add a new job listing with automatic embedding ---
kind: tools
name: add-job
type: postgres-sql
source: jobs-db
description: >-
  Add a new job listing to the platform. Use this tool when a user asks
  to post a job that is not currently listed.
statement: |
  INSERT INTO jobs (title, company, role, tech_stack, salary_range, location, openings, description, description_embedding)
  VALUES ($1, $2, $3, $4, $5, $6, CAST($7 AS INTEGER), $8, $9)
  RETURNING title, company
parameters:
  - name: title
    type: string
    description: "The job title (e.g., 'Senior Backend Engineer')."
  - name: company
    type: string
    description: "The company name (e.g., 'Stripe', 'Spotify')."
  - name: role
    type: string
    description: "The role category (e.g., 'Backend', 'Frontend', 'Data/AI', 'DevOps')."
  - name: tech_stack
    type: string
    description: "Comma-separated list of technologies (e.g., 'Python, FastAPI, GCP')."
  - name: salary_range
    type: string
    description: "The salary range (e.g., '$150-200K/year')."
  - name: location
    type: string
    description: "Work location and arrangement (e.g., 'Remote')."
  - name: openings
    type: string
    description: "The number of open positions."
  - name: description
    type: string
    description: "A short description of the job (2-3 sentences)."
  - name: description_vector
    type: string
    description: "Auto-generated embedding vector for the job description."
    valueFromParam: description
    embeddedBy: gemini-embedding

這個指令碼會定義下列資源：

• 工具 4 (add-job) - 示範向量擷取作業。description_vector 參數有兩個特殊欄位：
• valueFromParam: description：工具箱會將 description 參數的值複製到這個參數中。LLM 永遠不會看到這項參數。
• embeddedBy: gemini-embedding：工具箱會將複製的文字嵌入向量，然後傳遞至 SQL。

結果：一個工具呼叫會儲存原始說明文字及其向量嵌入項目，但代理程式完全不知道嵌入項目。

多文件 YAML 格式會以 --- 分隔各項資源。每個文件都有 kind、name 和 type 欄位，可定義文件內容。總而言之，我們已設定下列所有項目：

• 定義來源資料庫
• 定義工具 ( 工具 1 和 2)，使用標準篩選條件查詢資料庫
• 定義嵌入模型
• 定義用來對資料庫執行向量搜尋的工具 ( 工具 3)
• 定義用於將向量資料擷取 ( 工具 4) 至資料庫的工具

驗證嵌入內容

啟動 Toolbox 前，請確認背景嵌入生成作業已完成。確認所有工作現在都有嵌入內容：

psql "host=127.0.0.1 port=5432 dbname=jobs_db user=postgres password=$DB_PASSWORD" \
  -c "SELECT title, (description_embedding IS NOT NULL) AS has_embedding FROM jobs ORDER BY title;"

每列的 has_embedding 欄都應顯示 t (true)。如果沒有，你可以選擇等待所有資料列嵌入建立程序完成

提示：如果部分資料列仍顯示 f，表示背景程序可能仍在執行中。等待完成，終端機輸出內容應會顯示 UPDATE 15。

           title            | has_embedding 
-----------------------------+---------------
 AI Engineer                 | t
 Backend Engineer (Payments) | t
 Cloud Architect             | t
 Data Engineer               | t
 DevOps Engineer             | t
 Frontend Engineer           | t
 Full Stack Engineer         | t

提示：如果輸出內容在分頁程式中開啟 (底部會顯示 : 提示)，請按下 q 鍵退出並返回終端機。

啟動 Toolbox 伺服器

在設定步驟中，我們已下載 toolbox 可執行檔。確認這個二進位檔存在且已成功下載，如果沒有，請下載並等待完成

cd ~/build-agent-adk-toolbox-cloudsql
if [ ! -f toolbox ]; then
  curl -O https://storage.googleapis.com/genai-toolbox/v0.27.0/linux/amd64/toolbox
fi
chmod +x toolbox

匯出必要的環境變數，然後啟動 Toolbox。由於設定包含嵌入模型，因此需要 GOOGLE_CLOUD_LOCATION 和 GOOGLE_GENAI_USE_VERTEXAI 變數。GOOGLE_GENAI_USE_VERTEXAI 會告知 Gemini SDK 透過 Vertex AI (而非消費者 Gemini API) 進行路徑設定，而 GOOGLE_CLOUD_LOCATION 則會告知要使用哪個區域端點。

export GOOGLE_CLOUD_PROJECT=$GOOGLE_CLOUD_PROJECT
export GOOGLE_CLOUD_LOCATION=$GOOGLE_CLOUD_LOCATION
export GOOGLE_GENAI_USE_VERTEXAI=true
export DB_PASSWORD=$DB_PASSWORD
export REGION=$REGION
./toolbox --tools-file tools.yaml &

您應該會看到輸出內容，確認伺服器已準備就緒，如下所示：

... INFO "Initialized 0 authServices: " 
... INFO "Initialized 1 embeddingModels: gemini-embedding" 
... INFO "Initialized 4 tools: add-job, search-jobs, get-job-details, search-jobs-by-description" 
...
... INFO "Server ready to serve!"

與上一個步驟一樣，這會產生另一個程序並輸出內容。在 Cloud Shell 中開啟新的終端機分頁 (點選「+」圖示)，以便專心處理。

再次前往工作目錄，並使用先前的設定指令碼啟用專案。

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

驗證工具

查詢 Toolbox API，列出所有已註冊的工具：

curl -s http://localhost:5000/api/toolset | python3 -m json.tool

畫面上會顯示工具及其說明和參數。如下所示

...
       

"search-jobs-by-description": {
            "description": "Find jobs that match a natural language description of what the developer is looking for. Use this tool when the developer describes their ideal job using interests, work style, career goals, or project type rather than a specific role or tech stack. Examples: \"I want to work on AI chatbots,\" \"a remote job at a fintech startup,\" \"something involving infrastructure and reliability.\"",
            "parameters": [
                {
                    "name": "search_query",
                    "type": "string",
                    "required": true,
                    "description": "A natural language description of the kind of job the developer is looking for.",
                    "authSources": []
                }
            ],
            "authRequired": []
        }
...

直接測試 search-jobs 工具：

curl -s -X POST http://localhost:5000/api/tool/search-jobs/invoke \
  -H "Content-Type: application/json" \
  -d '{"role": "Backend", "tech_stack": ""}' | jq '.result | fromjson'

回應應包含種子資料中的兩項後端工程工作。

[
  {
    "title": "Backend Engineer (Payments)",
    "company": "Square",
    "role": "Backend",
    "tech_stack": "Java, Spring Boot, PostgreSQL, Kafka",
    "salary_range": "$160-220K/year",
    "location": "San Francisco, Hybrid",
    "openings": 3
  },
  {
    "title": "Senior Backend Engineer",
    "company": "Stripe",
    "role": "Backend",
    "tech_stack": "Go, PostgreSQL, gRPC, Kubernetes",
    "salary_range": "$180-250K/year",
    "location": "San Francisco, Hybrid",
    "openings": 3
  }
]

7. 建構 ADK 代理

這個步驟會將 ADK 代理程式連線至正在執行的 Toolbox 伺服器，並測試所有四項工具：標準查詢、語意搜尋和向量擷取。代理程式碼非常簡潔：所有資料庫邏輯都位於 tools.yaml 中。

設定代理程式的環境

ADK 會從您在先前步驟中設定的殼層環境讀取 GOOGLE_GENAI_USE_VERTEXAI、GOOGLE_CLOUD_PROJECT 和 GOOGLE_CLOUD_LOCATION。唯一與代理程式相關的變數是 TOOLBOX_URL，請將其附加至代理程式的 .env 檔案：

echo -e "\nTOOLBOX_URL=http://127.0.0.1:5000" >> jobs_agent/.env

更新代理程式模組

在 Cloud Shell 編輯器中開啟 jobs_agent/agent.py

cloudshell edit jobs_agent/agent.py

並使用下列程式碼覆寫內容：

# jobs_agent/agent.py
import os

from google.adk.agents import LlmAgent
from toolbox_adk import ToolboxToolset

TOOLBOX_URL = os.environ.get("TOOLBOX_URL", "http://127.0.0.1:5000")

toolbox = ToolboxToolset(TOOLBOX_URL)

root_agent = LlmAgent(
    name="jobs_agent",
    model="gemini-2.5-flash",
    instruction="""You are a helpful assistant at "TechJobs," a tech job listing platform.

Your job:
- Help developers browse job listings by role or tech stack.
- Provide full details about specific positions, including salary range and number of openings.
- Recommend jobs based on natural language descriptions of what the developer is looking for.
- Add new job listings to the platform when asked.

When a developer asks about a specific job by title or company, use the get-job-details tool.
When a developer asks for a specific role category or tech stack, use the search-jobs tool.
When a developer describes what kind of job they want — by interest area, work style,
career goals, or project type — use the search-jobs-by-description tool for semantic search.
When in doubt between search-jobs and search-jobs-by-description, prefer
search-jobs-by-description — it searches job descriptions and finds more relevant matches.

If a position has no openings (openings is 0), let the developer know
and suggest similar alternatives from the search results.

Be conversational, knowledgeable, and concise.""",
    tools=[toolbox],
)

請注意，這裡沒有資料庫程式碼，因為 ToolboxToolset 會在啟動時連線至 Toolbox 伺服器，並載入所有可用工具。代理程式會依名稱呼叫工具；Toolbox 會將這些呼叫轉換為針對 Cloud SQL 的 SQL 查詢。

TOOLBOX_URL 環境變數在本機開發時預設為 http://127.0.0.1:5000。稍後部署至 Cloud Run 時，您會使用 Toolbox 服務的 Cloud Run URL 覆寫此設定，不需要變更程式碼。

目前指令僅參考兩個標準工具 (search-jobs 和 get-job-details)。您會在下一個步驟中新增語意搜尋和擷取工具，屆時再擴充指令。

測試代理程式

啟動 ADK 開發人員使用者介面：

cd ~/build-agent-adk-toolbox-cloudsql
uv run adk web

使用 Cloud Shell 的「網頁預覽」功能開啟終端機中顯示的網址 (通常是 http://localhost:8000)，或按住 Ctrl 鍵並點選終端機中顯示的網址。在左上角的代理下拉式選單中，選取「jobs_agent」jobs_agent。

提示：如要在 Cloud Shell 中使用網頁預覽功能，請按一下 Cloud Shell 工具列中的「網頁預覽」按鈕 (帶有眼睛的方形圖示)，然後選取「透過以下通訊埠預覽：8000」

測試標準查詢

請嘗試使用下列提示，驗證標準 SQL 工具：

What backend engineering jobs do you have?

檢查：代理程式會使用 role="Backend" 呼叫 search-jobs，並傳回兩個後端職位 (Stripe 和 Square)。

Any jobs using Kubernetes?

檢查：代理會使用 tech_stack="Kubernetes" 呼叫 search-jobs，並在多個角色中尋找相符的位置

Tell me about the Cloud Architect position

檢查：代理程式會呼叫 get-job-details，並傳回完整說明、薪資範圍、地點和職缺數量。

測試語意搜尋

請嘗試使用自然語言描述，不要對應到特定角色或技術堆疊：

I want a remote job where I can work on AI and machine learning

檢查：代理程式會呼叫 search-jobs-by-description，並傳回 Spotify 的「機器學習工程師」和 Hugging Face 的「AI 工程師」等職位。

Find me something in fintech with good work-life balance

檢查：傳回 Revolut、Stripe 和 Square 的職缺，這些公司都處理金融產品。

I'm interested in infrastructure and reliability engineering

檢查：傳回 Cloudflare 的 SRE 角色和 Datadog 的 DevOps。

代理程式會根據查詢類型嘗試選取合適的工具：結構化篩選器會經過 search-jobs，自然語言描述則會經過 search-jobs-by-description。

測試向量擷取作業

請代理商新增工作：

Add a new job: 'Robotics Software Engineer' at Boston Dynamics, role Robotics, tech stack: Python, C++, ROS, Computer Vision, salary $160-230K/year, location Waltham MA, Hybrid, 2 openings. Description: Design and implement autonomous navigation and manipulation algorithms for next-generation robots. Work on perception pipelines using computer vision and lidar, develop motion planning software in C++ and Python, and test systems on real hardware in warehouse and logistics environments.

檢查：代理程式會呼叫 add-job。Toolbox 會複製說明、使用 gemini-embedding-001 生成嵌入內容，然後將兩者儲存在資料庫中，這一切都在單一作業中完成。

現在試著搜尋：

Find me jobs involving autonomous systems and working with physical hardware

檢查：代理程式會呼叫 search-jobs-by-description，結果會顯示「Robotics Software Engineer」。

系統會在 INSERT 期間自動產生嵌入內容，因此不需要執行其他步驟。

現在，您已擁有完整的代理式 RAG 應用程式，可運用 ADK、MCP Toolbox 和 CloudSQL。恭喜！接下來，讓我們進一步將這些應用程式部署至 Cloud Run！

現在，請先按下 Ctrl+C 鍵兩次，終止程序來停止開發人員使用者介面，再繼續操作。

8. 部署至 Cloud Run

代理程式和工具箱會在本地運作。這個步驟會將兩者都部署為 Cloud Run 服務，以便透過網際網路存取。Toolbox 服務會在 Cloud Run 上以 MCP 伺服器的形式執行，而代理服務會連線至該伺服器。

準備部署 Toolbox

為 Toolbox 服務建立部署目錄：

cd ~/build-agent-adk-toolbox-cloudsql
mkdir -p deploy-toolbox
cp toolbox tools.yaml deploy-toolbox/

建立 Toolbox 的 Dockerfile。在 Cloud Shell 編輯器中開啟 deploy-toolbox/Dockerfile：

cloudshell edit deploy-toolbox/Dockerfile

並將下列指令碼複製到該檔案中

# deploy-toolbox/Dockerfile
FROM debian:bookworm-slim
RUN apt-get update && apt-get install -y ca-certificates && rm -rf /var/lib/apt/lists/*
WORKDIR /app
COPY toolbox tools.yaml ./
RUN chmod +x toolbox
EXPOSE 8080
CMD ["./toolbox", "--tools-file", "tools.yaml", "--address", "0.0.0.0", "--port", "8080"]

Toolbox 二進位檔和 tools.yaml 會封裝到最小的 Debian 映像檔中。Cloud Run 會將流量轉送至通訊埠 8080。

部署 Toolbox 服務

cd ~/build-agent-adk-toolbox-cloudsql
gcloud run deploy toolbox-service \
  --source deploy-toolbox/ \
  --region $REGION \
  --set-env-vars "DB_PASSWORD=$DB_PASSWORD,GOOGLE_CLOUD_PROJECT=$GOOGLE_CLOUD_PROJECT,REGION=$REGION,GOOGLE_CLOUD_LOCATION=$GOOGLE_CLOUD_LOCATION,GOOGLE_GENAI_USE_VERTEXAI=true" \
  --allow-unauthenticated \
  --quiet

重要事項： --allow-unauthenticated 會公開存取工具箱，這對本程式碼研究室來說沒問題。在實際工作環境中，請省略這項操作，並驗證服務對服務呼叫。詳情請參閱「在 Cloud Run 託管 MCP 伺服器」。

這個指令會將來源提交至 Cloud Build、建構容器映像檔、將映像檔推送至 Artifact Registry，並部署至 Cloud Run。這需要幾分鐘的時間，請在 Cloud Shell 中開啟新的終端機分頁 (點選「+」圖示)，以便專心處理。

再次前往工作目錄，並使用先前的設定指令碼啟用專案。

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

準備部署代理程式

在 Toolbox 建構期間，設定代理程式的部署檔案。

在專案根目錄中建立 Dockerfile。在 Cloud Shell 編輯器中開啟 Dockerfile：

cloudshell edit Dockerfile

然後複製下列內容

# Dockerfile
FROM ghcr.io/astral-sh/uv:python3.12-trixie-slim
WORKDIR /app
COPY pyproject.toml ./
COPY uv.lock ./
RUN uv sync --no-dev
COPY jobs_agent/ jobs_agent/
EXPOSE 8080
CMD ["uv", "run", "adk", "web", "--host", "0.0.0.0", "--port", "8080"]

這個 Dockerfile 使用 ghcr.io/astral-sh/uv 做為基本映像檔，其中已預先安裝 Python 和 uv，因此不需要透過 pip 分別安裝 uv。

注意：這個 Dockerfile 使用 adk web 提供開發 UI，方便進行測試。正式版部署作業應改用 adk api_server。

建立 .dockerignore 檔案，從容器映像檔中排除不必要的檔案：

cloudshell edit .dockerignore

然後將下列指令碼複製到該檔案中

# .dockerignore
.venv/
__pycache__/
*.pyc
.env
jobs_agent/.env
toolbox
tools.yaml
seed.sql
deploy-toolbox/

部署代理服務

等待 Toolbox 部署作業完成。使用下列指令擷取 Cloud Run 網址

TOOLBOX_URL=$(gcloud run services describe toolbox-service \
  --region=$REGION \
  --format='value(status.url)')
echo "Toolbox URL: $TOOLBOX_URL"

畫面會顯示類似以下的輸出：

Toolbox URL: https://toolbox-service-xxxxxx-xx.a.run.app

接著，讓我們確認部署的工具箱是否正常運作：

curl -s "$TOOLBOX_URL/api/toolset" | python3 -m json.tool | head -5

如果輸出內容與這個範例類似，表示部署作業已成功

{
    "serverVersion": "0.27.0+binary.linux.amd64.c5524d3",
    "tools": {
        "add-job": {
            "description": "Add a new job listing to the platform. Use this tool when a user asks to post a job that is not currently listed.",

接著，請部署代理程式，並將 Toolbox 網址做為環境變數傳遞：

cd ~/build-agent-adk-toolbox-cloudsql
gcloud run deploy jobs-agent \
  --source . \
  --region $REGION \
  --set-env-vars "TOOLBOX_URL=$TOOLBOX_URL,GOOGLE_CLOUD_PROJECT=$GOOGLE_CLOUD_PROJECT,GOOGLE_CLOUD_LOCATION=$GOOGLE_CLOUD_LOCATION,GOOGLE_GENAI_USE_VERTEXAI=TRUE" \
  --allow-unauthenticated \
  --quiet

代理程式碼會從環境讀取 TOOLBOX_URL (您先前已設定)。在本地端，這個變數會指向 http://127.0.0.1:5000；在 Cloud Run 中，則會指向 Toolbox 服務網址。不必變更程式碼。

測試已部署的代理

擷取代理程式的 Cloud Run 網址：

AGENT_URL=$(gcloud run services describe jobs-agent \
  --region=$REGION \
  --format='value(status.url)')
echo "Agent URL: $AGENT_URL"

在瀏覽器中開啟網址。ADK 開發人員 UI 會載入，這個介面與您在本機使用的介面相同，現在會在 Cloud Run 上執行。

從下拉式選單中選取「jobs_agent」jobs_agent，然後測試：

What backend engineering jobs do you have?

檢查：透過 search-jobs 進行標準查詢

I want a remote job working on AI and machine learning

檢查：透過 search-jobs-by-description 進行語意搜尋

這兩項查詢都會透過已部署的服務運作：Cloud Run 上的代理程式會呼叫 Cloud Run 上的工具箱，然後查詢 Cloud SQL。

9. 恭喜 / 清除

您已建構並部署智慧型求職看板助理，使用 MCP Toolbox for Databases 連結 ADK 代理和 Cloud SQL PostgreSQL，並執行標準 SQL 查詢和語意向量搜尋。

您已經瞭解的內容

• MCP 如何為 AI 代理標準化工具存取權，以及 MCP Toolbox for Databases 如何將這項功能套用至資料庫作業，以宣告式 YAML 設定取代自訂資料庫程式碼
• 如何使用 cloud-sql-postgres 來源類型，將 Cloud SQL PostgreSQL 設定為工具箱資料來源
• 如何使用參數化陳述式定義標準 SQL 查詢工具，防止 SQL 注入攻擊
• 如何使用 pgvector 和 gemini-embedding-001 啟用向量搜尋，並使用 embeddedBy 參數自動嵌入查詢
• valueFromParam 如何啟用自動向量擷取功能：LLM 提供文字說明，而 Toolbox 會在背景複製、嵌入及儲存向量和文字
• ADK 的 ToolboxToolset 如何從執行中的 Toolbox 伺服器載入工具，盡量減少代理程式碼，並完全分離資料庫邏輯
• 如何將 Toolbox MCP 伺服器和 ADK 代理分別部署至 Cloud Run 做為獨立服務

清理

如要避免系統向您的 Google Cloud 帳戶收取本程式碼研究室所建立資源的費用，請刪除個別資源或整個專案。

方法 1：刪除專案 (建議)

最簡單的清理方式就是刪除專案。這會移除與專案相關聯的所有資源。

gcloud projects delete $GOOGLE_CLOUD_PROJECT

重要事項：您可以使用這個指令 gcloud projects undelete ${GOOGLE_CLOUD_PROJECT}，在一段時間內復原這項刪除作業

方法 2：刪除個別資源

如要保留專案，但只移除在本程式碼研究室中建立的資源，請按照下列步驟操作：

gcloud run services delete jobs-agent --region=$REGION --quiet
gcloud run services delete toolbox-service --region=$REGION --quiet
gcloud sql instances delete jobs-instance --quiet
gcloud artifacts repositories delete cloud-run-source-deploy --location=$REGION --quiet 2>/dev/null