1. Einführung
Übersicht
In diesem Lab erstellen und stellen Sie einen MCP-Server (Model Context Protocol) bereit. MCP-Server sind nützlich, um LLMs Zugriff auf externe Tools und Dienste zu gewähren. Sie konfigurieren ihn als sicheren, produktionsbereiten Dienst in Cloud Run, auf den von mehreren Clients aus zugegriffen werden kann. Anschließend stellen Sie über die Gemini CLI eine Verbindung zum Remote-MCP-Server her.
Aufgaben
Wir verwenden Genkit, um einen Zoo-MCP-Server mit zwei Tools zu erstellen: get_animals_by_species und get_animal_details. Mit Genkit lassen sich MCP-Server und ‑Clients schnell mit Node.js erstellen.
Lerninhalte
- MCP-Server in Cloud Run bereitstellen
- Endpunkt des Servers schützen, indem Sie für alle Anfragen eine Authentifizierung erfordern, damit nur autorisierte Clients und Agenten mit ihm kommunizieren können
- Über die Gemini CLI eine Verbindung zum sicheren MCP-Serverendpunkt herstellen
2. Projekt einrichten
- Wenn Sie noch kein Google-Konto haben, müssen Sie eines erstellen.
- Verwenden Sie ein privates Konto anstelle eines Arbeits- oder Schulkontos. Bei Arbeits- und Schulkonten können Einschränkungen gelten, die verhindern, dass Sie die für dieses Lab erforderlichen APIs aktivieren.
- Melden Sie sich in der Google Cloud Console an.
- Abrechnung aktivieren in der Cloud Console.
- Die Kosten für dieses Lab sollten weniger als 1 $an Cloud-Ressourcen betragen.
- Am Ende dieses Labs finden Sie eine Anleitung zum Löschen von Ressourcen, um weitere Kosten zu vermeiden.
- Neue Nutzer können die kostenlose Testversion im Wert von 300$ nutzen.
- Erstellen Sie ein neues Projekt oder verwenden Sie ein vorhandenes Projekt wieder.
- Wenn ein Fehler wegen des Projektkontingents angezeigt wird, verwenden Sie ein vorhandenes Projekt wieder oder löschen Sie ein vorhandenes Projekt, um ein neues zu erstellen.
3. Cloud Shell-Editor öffnen
- Klicken Sie auf diesen Link, um direkt zu Cloud Shell-Editor zu gelangen.
- Wenn Sie aufgefordert werden, sich zu authentifizieren, klicken Sie auf Autorisieren , um fortzufahren.
- Wenn das Terminal unten auf dem Bildschirm nicht angezeigt wird, öffnen Sie es:
- Klicken Sie auf Ansehen.
- Klicken Sie auf Terminal
- Legen Sie im Terminal Ihr Projekt mit diesem Befehl fest:
- Format:
gcloud config set project [PROJECT_ID] - Beispiel:
gcloud config set project lab-project-id-example - Wenn Sie sich nicht an Ihre Projekt-ID erinnern können:
- Sie können alle Ihre Projekt-IDs mit diesem Befehl auflisten:
gcloud projects list | awk '/PROJECT_ID/{print $2}'
- Sie können alle Ihre Projekt-IDs mit diesem Befehl auflisten:
- Format:
- Es sollte folgende Meldung angezeigt werden:
Updated property [core/project].
WARNING-Meldung sehen und gefragt werden, ob Sie fortfahren möchten (Do you want to continue (Y/n)?), haben Sie wahrscheinlich die Projekt-ID falsch eingegeben. Drücken Sien, dann dieEnterund versuchen Sie noch einmal, den Befehlgcloud config set projectauszuführen.
4. APIs aktivieren
Aktivieren Sie im Terminal die APIs:
gcloud services enable \
run.googleapis.com \
artifactregistry.googleapis.com \
cloudbuild.googleapis.com
Wenn Sie aufgefordert werden, sich zu authentifizieren, klicken Sie auf Autorisieren , um fortzufahren.
Die Ausführung dieses Befehls kann einige Minuten dauern. Am Ende sollte jedoch eine Erfolgsmeldung ähnlich dieser angezeigt werden:
Operation "operations/acf.p2-73d90d00-47ee-447a-b600" finished successfully.
5. JavaScript-Projekt vorbereiten
- Erstellen Sie einen Ordner mit dem Namen
mcp-on-cloudrun, um den Quellcode für die Bereitstellung zu speichern:mkdir mcp-on-cloudrun && cd mcp-on-cloudrun - Erstellen Sie mit dem Tool
npmein Node.js-Projekt, um einepackage.json-Datei zu generieren:npm init es6 -ynpm initwird einepackage.json-Datei für Ihr Projekt erstellt. - Installieren Sie die Abhängigkeiten
@modelcontextprotocol/sdk,expressundzod:npm install @modelcontextprotocol/sdk express zod
6. Zoo-MCP-Server erstellen
Um wertvollen Kontext zur Verbesserung der Verwendung von LLMs mit MCP bereitzustellen, richten Sie mit Genkit einen Zoo-MCP-Server ein. Genkit ist ein Standard-Framework für die Arbeit mit dem Model Context Protocol. Mit Genkit lassen sich MCP-Server und ‑Clients schnell mit Node.js erstellen. Dieser MCP-Server stellt Daten zu Tieren in einem fiktiven Zoo bereit. Zur Vereinfachung speichern wir die Daten im Arbeitsspeicher. Für einen Produktions-MCP-Server sollten Sie Daten aus Quellen wie Datenbanken oder APIs bereitstellen.
- Führen Sie den folgenden Befehl aus, um Genkit als Abhängigkeit in der Datei
package.jsonhinzuzufügen:npm install genkitpackage-lock.json-Datei hinzugefügt. - Führen Sie den folgenden Befehl aus, um die Genkit AI MCP-Bibliothek in der Datei
package.jsonhinzuzufügen:npm install @genkit-ai/mcp - Erstellen und öffnen Sie eine neue Datei
index.jsfür den Quellcode des MCP-Servers:cloudshell edit index.jscloudshell editwird die Dateiindex.jsim Editor über dem Terminal geöffnet. - Fügen Sie der Datei
index.jsden folgenden Quellcode des Zoo-MCP-Servers hinzu:import express from 'express'; import { genkit, z } from 'genkit'; import { createMcpServer } from '@genkit-ai/mcp'; import { StreamableHTTPServerTransport } from '@modelcontextprotocol/sdk/server/streamableHttp.js'; // Dictionary of animals at the zoo const ZOO_ANIMALS = [ { "species": "lion", "name": "Leo", "age": 7, "enclosure": "The Big Cat Plains", "trail": "Savannah Heights" }, { "species": "lion", "name": "Nala", "age": 6, "enclosure": "The Big Cat Plains", "trail": "Savannah Heights" }, { "species": "lion", "name": "Simba", "age": 3, "enclosure": "The Big Cat Plains", "trail": "Savannah Heights" }, { "species": "lion", "name": "King", "age": 8, "enclosure": "The Big Cat Plains", "trail": "Savannah Heights" }, { "species": "penguin", "name": "Waddles", "age": 2, "enclosure": "The Arctic Exhibit", "trail": "Polar Path" }, { "species": "penguin", "name": "Pip", "age": 4, "enclosure": "The Arctic Exhibit", "trail": "Polar Path" }, { "species": "penguin", "name": "Skipper", "age": 5, "enclosure": "The Arctic Exhibit", "trail": "Polar Path" }, { "species": "penguin", "name": "Chilly", "age": 3, "enclosure": "The Arctic Exhibit", "trail": "Polar Path" }, { "species": "penguin", "name": "Pingu", "age": 6, "enclosure": "The Arctic Exhibit", "trail": "Polar Path" }, { "species": "penguin", "name": "Noot", "age": 1, "enclosure": "The Arctic Exhibit", "trail": "Polar Path" }, { "species": "elephant", "name": "Ellie", "age": 15, "enclosure": "The Pachyderm Sanctuary", "trail": "Savannah Heights" }, { "species": "elephant", "name": "Peanut", "age": 12, "enclosure": "The Pachyderm Sanctuary", "trail": "Savannah Heights" }, { "species": "elephant", "name": "Dumbo", "age": 5, "enclosure": "The Pachyderm Sanctuary", "trail": "Savannah Heights" }, { "species": "elephant", "name": "Trunkers", "age": 10, "enclosure": "The Pachyderm Sanctuary", "trail": "Savannah Heights" }, { "species": "bear", "name": "Smokey", "age": 10, "enclosure": "The Grizzly Gulch", "trail": "Polar Path" }, { "species": "bear", "name": "Grizzly", "age": 8, "enclosure": "The Grizzly Gulch", "trail": "Polar Path" }, { "species": "bear", "name": "Barnaby", "age": 6, "enclosure": "The Grizzly Gulch", "trail": "Polar Path" }, { "species": "bear", "name": "Bruin", "age": 12, "enclosure": "The Grizzly Gulch", "trail": "Polar Path" }, { "species": "giraffe", "name": "Gerald", "age": 4, "enclosure": "The Tall Grass Plains", "trail": "Savannah Heights" }, { "species": "giraffe", "name": "Longneck", "age": 5, "enclosure": "The Tall Grass Plains", "trail": "Savannah Heights" }, { "species": "giraffe", "name": "Patches", "age": 3, "enclosure": "The Tall Grass Plains", "trail": "Savannah Heights" }, { "species": "giraffe", "name": "Stretch", "age": 6, "enclosure": "The Tall Grass Plains", "trail": "Savannah Heights" }, { "species": "antelope", "name": "Speedy", "age": 2, "enclosure": "The Tall Grass Plains", "trail": "Savannah Heights" }, { "species": "antelope", "name": "Dash", "age": 3, "enclosure": "The Tall Grass Plains", "trail": "Savannah Heights" }, { "species": "antelope", "name": "Gazelle", "age": 4, "enclosure": "The Tall Grass Plains", "trail": "Savannah Heights" }, { "species": "antelope", "name": "Swift", "age": 5, "enclosure": "The Tall Grass Plains", "trail": "Savannah Heights" }, { "species": "polar bear", "name": "Snowflake", "age": 7, "enclosure": "The Arctic Exhibit", "trail": "Polar Path" }, { "species": "polar bear", "name": "Blizzard", "age": 5, "enclosure": "The Arctic Exhibit", "trail": "Polar Path" }, { "species": "polar bear", "name": "Iceberg", "age": 9, "enclosure": "The Arctic Exhibit", "trail": "Polar Path" }, { "species": "walrus", "name": "Wally", "age": 10, "enclosure": "The Walrus Cove", "trail": "Polar Path" }, { "species": "walrus", "name": "Tusker", "age": 12, "enclosure": "The Walrus Cove", "trail": "Polar Path" }, { "species": "walrus", "name": "Moby", "age": 8, "enclosure": "The Walrus Cove", "trail": "Polar Path" }, { "species": "walrus", "name": "Flippers", "age": 9, "enclosure": "The Walrus Cove", "trail": "Polar Path" } ]; // Initialize Genkit const ai = genkit({}); // Define tools using Genkit ai.defineTool( { name: 'get_animals_by_species', description: "Retrieves all animals of a specific species from the zoo. Can also be used to collect the base data for aggregate queries of animals of a specific species - like counting the number of penguins or finding the oldest lion.", inputSchema: z.object({ species: z.string() }), }, async ({ species }) => { console.log(`>>> 🛠️ Tool: 'get_animals_by_species' called for '${species}'`); const animals = ZOO_ANIMALS.filter(animal => animal.species.toLowerCase() === species.toLowerCase()); return animals; } ); ai.defineTool( { name: 'get_animal_details', description: "Retrieves the details of a specific animal by its name.", inputSchema: z.object({ name: z.string() }), }, async ({ name }) => { console.log(`>>> 🛠️ Tool: 'get_animal_details' called for '${name}'`); const animal = ZOO_ANIMALS.find(a => a.name.toLowerCase() === name.toLowerCase()); return animal; } ); // Create Genkit MCP server wrapper const mcpWrapper = createMcpServer(ai, { name: 'zoo-animal-server', version: '1.0.0', }); // HTTP server mode const app = express(); app.use(express.json()); // Initialize Genkit MCP server once const mcpServerPromise = mcpWrapper.setup().then(() => mcpWrapper.server); app.post('/mcp', async (req, res) => { console.log('/mcp Received:', req.body); console.log('Using HTTP transport mode.'); const server = await mcpServerPromise; const transport = new StreamableHTTPServerTransport({ sessionIdGenerator: undefined, }); if (!server) { console.error('MCP Server not initialized correctly.'); res.sendStatus(500); return; } await server.connect(transport); await transport.handleRequest(req, res, req.body); res.on('close', () => { console.log('Request closed'); transport.close(); }); }); app.get('/mcp', async (req, res) => { console.log('Received GET MCP request'); res.sendStatus(405); }); app.delete('/mcp', async (req, res) => { console.log('Received DELETE MCP request'); res.sendStatus(405); }); // Start the server const PORT = process.env.PORT || 8080; app.listen(PORT, () => { console.log(`Zoo Animal MCP server listening on port ${PORT}`); });
Ihr Code ist fertig. Jetzt können Sie den MCP-Server in Cloud Run bereitstellen.
7. In Cloud Run bereitstellen
Stellen Sie jetzt einen MCP-Server direkt aus dem Quellcode in Cloud Run bereit.
- Erstellen Sie ein Dienstkonto mit dem Namen
mcp-server-sa:gcloud iam service-accounts create mcp-server-sa --display-name="MCP Server Service Account" - Führen Sie den Befehl
gcloudaus, um die Anwendung in Cloud Run bereitzustellen.gcloud run deploy zoo-mcp-server \ --service-account=mcp-server-sa@$GOOGLE_CLOUD_PROJECT.iam.gserviceaccount.com \ --no-allow-unauthenticated \ --region=europe-west4 \ --source=. \ --labels=dev-tutorial=codelab-mcp--no-allow-unauthenticated, um eine Authentifizierung zu erzwingen. Das ist aus Sicherheitsgründen wichtig. Wenn Sie keine Authentifizierung erzwingen, kann jeder Ihren MCP-Server aufrufen und möglicherweise Schäden an Ihrem System verursachen. - Bestätigen Sie die Erstellung eines neuen Artifact Registry-Repositorys. Da Sie zum ersten Mal aus dem Quellcode in Cloud Run bereitstellen, wird Folgendes angezeigt:
Deploying from source requires an Artifact Registry Docker repository to store built containers. A repository named [cloud-run-source-deploy] in region [europe-west4] will be created. Do you want to continue (Y/n)?
Yein und drücken Sie dieEnter. Dadurch wird ein Artifact Registry-Repository für Ihre Bereitstellung erstellt. Dies ist erforderlich, um den Docker-Container des MCP-Servers für den Cloud Run-Dienst zu speichern. - Nach einigen Minuten wird eine Meldung wie diese angezeigt:
Service [zoo-mcp-server] revision [zoo-mcp-server-12345-abc] has been deployed and is serving 100 percent of traffic.
Sie haben Ihren MCP-Server bereitgestellt. Jetzt können Sie ihn verwenden.
8. Remote-MCP-Server zur Gemini CLI hinzufügen
Nachdem Sie einen Remote-MCP-Server erfolgreich bereitgestellt haben, können Sie mit verschiedenen Anwendungen wie Google Code Assist oder der Gemini CLI eine Verbindung zu ihm herstellen. In diesem Abschnitt stellen wir mit der Gemini CLI eine Verbindung zu Ihrem neuen Remote-MCP-Server her.
- Gewähren Sie Ihrem Nutzerkonto die Berechtigung, den Remote-MCP-Server aufzurufen.
gcloud projects add-iam-policy-binding $GOOGLE_CLOUD_PROJECT \ --member=user:$(gcloud config get-value account) \ --role='roles/run.invoker' - Speichern Sie Ihre Google Cloud-Anmeldedaten und die Projektnummer in Umgebungsvariablen, um sie in der Gemini-Einstellungsdatei zu verwenden:
export PROJECT_NUMBER=$(gcloud projects describe $GOOGLE_CLOUD_PROJECT --format="value(projectNumber)") export ID_TOKEN=$(gcloud auth print-identity-token) - Öffnen Sie die Einstellungsdatei der Gemini CLI.
cloudshell edit ~/.gemini/settings.json - Ersetzen Sie die Einstellungsdatei der Gemini CLI, um den Cloud Run-MCP-Server hinzuzufügen.
{ "ide": { "hasSeenNudge": true }, "mcpServers": { "zoo-remote": { "httpUrl": "https://zoo-mcp-server-$PROJECT_NUMBER.europe-west4.run.app/mcp", "headers": { "Authorization": "Bearer $ID_TOKEN" } } }, "security": { "auth": { "selectedType": "cloud-shell" } } }
- Starten Sie die Gemini CLI in Cloud Shell.
geminiEnterdrücken, um einige Standardeinstellungen zu akzeptieren.
- Lassen Sie Gemini die MCP-Tools auflisten, die im Kontext verfügbar sind.
/mcp - Bitten Sie Gemini, etwas im Zoo zu suchen.
Where can I find penguins?zoo-remoteverwenden soll, und Sie fragen, ob Sie die Ausführung von MCP zulassen möchten. - Verwenden Sie die Nach-unten-Taste und drücken Sie dann
Enter, um auszuwählen.Yes, always allow all tools from server "zoo-remote"
Die Ausgabe sollte die richtige Antwort und ein Feld enthalten, in dem angezeigt wird, dass der MCP-Server verwendet wurde.
Fertig! Sie haben einen Remote-MCP-Server erfolgreich in Cloud Run bereitgestellt und mit der Gemini CLI getestet.
Wenn Sie die Sitzung beenden möchten, geben Sie /quit ein und drücken Sie dann die Enter, um die Gemini CLI zu beenden.
Debugging
Wenn ein Fehler wie dieser angezeigt wird:
🔍 Attempting OAuth discovery for 'zoo-remote'... ❌ 'zoo-remote' requires authentication but no OAuth configuration found Error connecting to MCP server 'zoo-remote': MCP server 'zoo-remote' requires authentication. Please configure OAuth or check server settings.
Wahrscheinlich ist das ID-Token abgelaufen und Sie müssen ID_TOKEN noch einmal festlegen.
- Geben Sie
/quitein und drücken Sie dann dieEnter, um die Gemini CLI zu beenden. - Legen Sie Ihr Projekt im Terminal fest.
gcloud config set project [PROJECT_ID] - Führen Sie den Befehl für die Google Cloud-Anmeldedaten noch einmal aus, um ein neues
ID_TOKENzu erhalten, da Ihr Token möglicherweise abgelaufen ist.export PROJECT_NUMBER=$(gcloud projects describe $GOOGLE_CLOUD_PROJECT --format="value(projectNumber)") export ID_TOKEN=$(gcloud auth print-identity-token)
9. (Optional) Toolaufrufe in Serverlogs prüfen
Prüfen Sie die Dienstlogs, um zu bestätigen, dass Ihr Cloud Run-MCP-Server aufgerufen wurde.
gcloud run services logs read zoo-mcp-server --region europe-west4 --limit=5
Sie sollten ein Ausgabeprotokoll sehen, das bestätigt, dass ein Toolaufruf erfolgt ist. 🛠️
2025-08-05 19:50:31 INFO: 169.254.169.126:39444 - "POST /mcp/ HTTP/1.1" 200 OK 2025-08-05 19:50:31 [INFO]: Processing request of type CallToolRequest 2025-08-05 19:50:31 [INFO]: >>> 🛠️ Tool: 'get_animals_by_species' called for 'penguin'
10. (Optional) MCP-Prompt zum Server hinzufügen
Ein MCP-Prompt kann Ihren Workflow für häufig ausgeführte Prompts beschleunigen, indem er eine Kurzform für einen längeren Prompt erstellt.
Die Gemini CLI wandelt MCP-Prompts automatisch in benutzerdefinierte Slash-Befehle um, sodass Sie einen MCP-Prompt aufrufen können, indem Sie /prompt_name eingeben, wobei prompt_name der Name Ihres MCP-Prompts ist.
Erstellen Sie einen MCP-Prompt, damit Sie schnell ein Tier im Zoo finden können, indem Sie /find animal in die Gemini CLI eingeben.
- Fügen Sie diesen Code in der Datei
index.jsüber der Zeile// Create Genkit MCP server wrapperein:ai.definePrompt( { name: 'find', description: 'Find which exhibit and trail a specific animal is located.', inputSchema: z.object({ animal: z.string() }), }, async ({ animal }) => { console.log(`>>> 💬 Prompt: 'find' called'`); return { messages: [ { role: 'user', content: [ { text: `Please find the exhibit and trail information for ${animal} in the zoo. Respond with '[animal] can be found in the [exhibit] on the [trail].' Example: Penguins can be found in The Arctic Exhibit on the Polar Path.` } ] } ] }; } ); - Stellen Sie Ihre Anwendung noch einmal in Cloud Run bereit.
gcloud run deploy zoo-mcp-server \ --service-account=mcp-server-sa@$GOOGLE_CLOUD_PROJECT.iam.gserviceaccount.com \ --no-allow-unauthenticated \ --region=europe-west4 \ --source=. \ --labels=dev-tutorial=codelab-mcp - Aktualisieren Sie das ID-Token für Ihren Remote-MCP-Server.
export ID_TOKEN=$(gcloud auth print-identity-token) - Nachdem die neue Version Ihrer Anwendung bereitgestellt wurde, starten Sie die Gemini CLI.
gemini - Verwenden Sie im Prompt den neuen benutzerdefinierten Befehl, den Sie erstellt haben:
/find --animal="lions"
Sie sollten sehen, dass die Gemini CLI das Tool get_animals_by_species aufruft und die Antwort wie im MCP-Prompt angegeben formatiert.
╭───────────────────────────╮
│ > /find --animal="lion" │
╰───────────────────────────╯
╭───────────────────────────────────────────────────────────────────────────────────────────────────╮
│ ✔ get_animals_by_species (zoo-remote MCP Server) get_animals_by_species (zoo-remote MCP Server) │
│ │
│ [{"species":"lion","name":"Leo","age":7,"enclosure":"The Big Cat │
│ Plains","trail":"Savannah │
│ Heights"},{"species":"lion","name":"Nala","age":6,"enclosure":"The Big Cat │
│ Plains","trail":"Savannah │
│ Heights"},{"species":"lion","name":"Simba","age":3,"enclosure":"The Big Cat │
│ Plains","trail":"Savannah │
│ Heights"},{"species":"lion","name":"King","age":8,"enclosure":"The Big Cat │
│ Plains","trail":"Savannah Heights"}] │
╰───────────────────────────────────────────────────────────────────────────────────────────────────╯
✦ Lions can be found in The Big Cat Plains on the Savannah Heights.
11. (Optional) Gemini Flash Lite für schnellere Antworten verwenden
Mit der Gemini CLI können Sie das verwendete Modell auswählen.
- Gemini 2.5 Pro ist das hochmoderne Denkmodell von Google, das komplexe Probleme in Code, Mathematik und Naturwissenschaften lösen sowie große Datensätze, Codebasen und Dokumente mit langem Kontext analysieren kann.
- Gemini 2.5 Flash ist das beste Modell von Google in Bezug auf das Preis-Leistungs-Verhältnis und bietet umfassende Funktionen. 2.5 Flash eignet sich am besten für die Verarbeitung großer Datenmengen, Aufgaben mit niedriger Latenz und hohem Volumen, die Denkprozesse erfordern, sowie für KI-Agenten-Anwendungsfälle.
- Gemini 2.5 Flash Lite ist das schnellste Flash-Modell von Google, das für Kosteneffizienz und hohen Durchsatz optimiert ist.
Da für die Anfragen zum Finden der Zootiere keine Denkprozesse erforderlich sind, können Sie die Geschwindigkeit erhöhen, indem Sie ein schnelleres Modell verwenden.
Erstellen Sie einen MCP-Prompt, damit Sie schnell ein Tier im Zoo finden können, indem Sie /find animal in die Gemini CLI eingeben.
- Nachdem die neue Version Ihrer Anwendung bereitgestellt wurde, starten Sie die Gemini CLI.
gemini --model=gemini-2.5-flash-lite - Verwenden Sie im Prompt den neuen benutzerdefinierten Befehl, den Sie erstellt haben:
/find --animal="lions"
Sie sollten weiterhin sehen, dass die Gemini CLI das Tool get_animals_by_species aufruft und die Antwort wie im MCP-Prompt angegeben formatiert, aber die Antwort sollte viel schneller angezeigt werden.
╭───────────────────────────╮
│ > /find --animal="lion" │
╰───────────────────────────╯
╭───────────────────────────────────────────────────────────────────────────────────────────────────╮
│ ✔ get_animals_by_species (zoo-remote MCP Server) get_animals_by_species (zoo-remote MCP Server) │
│ │
│ [{"species":"lion","name":"Leo","age":7,"enclosure":"The Big Cat │
│ Plains","trail":"Savannah │
│ Heights"},{"species":"lion","name":"Nala","age":6,"enclosure":"The Big Cat │
│ Plains","trail":"Savannah │
│ Heights"},{"species":"lion","name":"Simba","age":3,"enclosure":"The Big Cat │
│ Plains","trail":"Savannah │
│ Heights"},{"species":"lion","name":"King","age":8,"enclosure":"The Big Cat │
│ Plains","trail":"Savannah Heights"}] │
╰───────────────────────────────────────────────────────────────────────────────────────────────────╯
✦ Lions can be found in The Big Cat Plains on the Savannah Heights.
Zusätzliche Aufgaben zum Testen Ihrer Kenntnisse
Wenn Sie eine zusätzliche Herausforderung suchen, versuchen Sie, mit den gleichen Schritten einen Prompt zu erstellen, der interessante Fakten zu bestimmten Tierarten im Zoo zurückgibt.
Oder, um Ihr Wissen noch weiter zu testen, überlegen Sie sich ein Tool, das Sie häufig verwenden würden, und stellen Sie einen zweiten Remote-MCP-Server bereit. Fügen Sie ihn dann Ihren Gemini CLI-Einstellungen hinzu, um zu prüfen, ob er funktioniert.
Debugging
Wenn ein Fehler wie dieser angezeigt wird:
✕ Unknown command: /find --animal="lions"
Führen Sie /mcp aus. Wenn zoo-remote - Disconnected ausgegeben wird, müssen Sie möglicherweise noch einmal bereitstellen oder die folgenden Befehle ausführen:
gcloud projects add-iam-policy-binding $GOOGLE_CLOUD_PROJECT \
--member=user:$(gcloud config get-value account) \
--role='roles/run.invoker'
export PROJECT_NUMBER=$(gcloud projects describe $GOOGLE_CLOUD_PROJECT --format="value(projectNumber)")
export ID_TOKEN=$(gcloud auth print-identity-token)
12. Fazit
Glückwunsch! Sie haben einen sicheren Remote-MCP-Server erfolgreich bereitgestellt und eine Verbindung zu ihm hergestellt.
Nächstes Lab aufrufen
Dieses Lab ist das erste in einer dreiteiligen Reihe. Im zweiten Lab verwenden Sie den erstellten MCP-Server mit einem ADK-Agenten.
MCP-Server in Cloud Run mit einem ADK-Agenten verwenden
(Optional) Bereinigen
Wenn Sie nicht mit dem nächsten Lab fortfahren und die erstellten Ressourcen bereinigen möchten, können Sie Ihr Cloud-Projekt löschen, um zusätzliche Kosten zu vermeiden.
Während für Cloud Run keine Kosten anfallen, wenn der Dienst nicht verwendet wird, wird Ihnen dennoch das Speichern des Container-Images in Artifact Registry möglicherweise in Rechnung gestellt. Wenn Sie Ihr Cloud-Projekt löschen, wird die Abrechnung für alle in diesem Projekt verwendeten Ressourcen beendet.
Wenn Sie möchten, löschen Sie das Projekt:
gcloud projects delete $GOOGLE_CLOUD_PROJECT
Möglicherweise möchten Sie auch unnötige Ressourcen von Ihrem Cloud Shell-Laufwerk löschen. Sie haben folgende Möglichkeiten:
- Löschen Sie das Codelab-Projektverzeichnis:
rm -rf ~/mcp-on-cloudrun - Warnung! Diese Aktion kann nicht rückgängig gemacht werden. Wenn Sie alle Daten in Cloud Shell löschen möchten, um Speicherplatz freizugeben, können Sie Ihr gesamtesBasisverzeichnis löschen. Achten Sie darauf, dass alle Daten, die Sie behalten möchten, an einem anderen Ort gespeichert sind.
sudo rm -rf $HOME