1. Introduzione
Panoramica
In questo lab creerai e implementerai un server Model Context Protocol (MCP). I server MCP sono utili per fornire agli LLM l'accesso a strumenti e servizi esterni. Lo configurerai come servizio sicuro e pronto per la produzione su Cloud Run, a cui è possibile accedere da più client. Dopodiché, ti connetterai al server MCP remoto da Gemini CLI.
Attività previste
Utilizzeremo Genkit per creare un server MCP zoo con due strumenti: get_animals_by_species e get_animal_details. Genkit offre un modo rapido per creare server e client MCP con Node.js.
Obiettivi didattici
- Esegui il deployment del server MCP in Cloud Run.
- Proteggi l'endpoint del server richiedendo l'autenticazione per tutte le richieste, assicurandoti che solo i client e gli agenti autorizzati possano comunicare con esso.
- Connettiti all'endpoint del server MCP sicuro da Gemini CLI
2. Configurazione del progetto
- Se non hai ancora un Account Google, devi crearne uno.
- Utilizza un account personale anziché un account di lavoro o della scuola. Gli account di lavoro e della scuola potrebbero avere limitazioni che impediscono l'attivazione delle API necessarie per questo lab.
- Accedi a Google Cloud Console.
- Abilita la fatturazione nella console Cloud.
- Il completamento di questo lab dovrebbe costare meno di 1 $in risorse cloud.
- Per evitare ulteriori addebiti, puoi seguire i passaggi alla fine di questo lab per eliminare le risorse.
- I nuovi utenti hanno diritto alla prova senza costi di 300$.
- Crea un nuovo progetto o scegli di riutilizzarne uno esistente.
- Se visualizzi un errore relativo alla quota del progetto, riutilizza un progetto esistente o eliminalo per crearne uno nuovo.
3. Apri editor di Cloud Shell
- Fai clic su questo link per andare direttamente all'editor di Cloud Shell.
- Se ti viene richiesto di concedere l'autorizzazione in qualsiasi momento della giornata, fai clic su Autorizza per continuare.
- Se il terminale non viene visualizzato nella parte inferiore dello schermo, aprilo:
- Fai clic su Visualizza.
- Fai clic su Terminale
.
- Nel terminale, imposta il tuo progetto con questo comando:
- Formato:
gcloud config set project [PROJECT_ID] - Esempio:
gcloud config set project lab-project-id-example - Se non ricordi l'ID progetto:
- Puoi elencare tutti gli ID progetto con:
gcloud projects list | awk '/PROJECT_ID/{print $2}'
- Puoi elencare tutti gli ID progetto con:
- Formato:
- Dovresti visualizzare questo messaggio:
Updated property [core/project].
WARNINGe ti viene chiestoDo you want to continue (Y/n)?, probabilmente hai inserito l'ID progetto in modo errato. Premin, premiEntere prova a eseguire di nuovo il comandogcloud config set project.
4. Abilita API
Nel terminale, abilita le API:
gcloud services enable \
run.googleapis.com \
artifactregistry.googleapis.com \
cloudbuild.googleapis.com
Se ti viene richiesto di concedere l'autorizzazione, fai clic su Autorizza per continuare.
Il completamento di questo comando potrebbe richiedere alcuni minuti, ma alla fine dovrebbe essere visualizzato un messaggio di operazione riuscita simile a questo:
Operation "operations/acf.p2-73d90d00-47ee-447a-b600" finished successfully.
5. Prepara il progetto JavaScript
- Crea una cartella denominata
mcp-on-cloudrunper archiviare il codice sorgente per il deployment:mkdir mcp-on-cloudrun && cd mcp-on-cloudrun - Crea un progetto Node.js con lo strumento
npmper generare un filepackage.json:npm init es6 -ynpm initcrea un filepackage.jsonper il tuo progetto. - Installa le dipendenze
@modelcontextprotocol/sdk,expressezod:npm install @modelcontextprotocol/sdk express zod
6. Crea il server MCP dello zoo
Per fornire un contesto prezioso per migliorare l'utilizzo degli LLM con MCP, configura un server MCP zoo con Genkit, un framework standard per lavorare con il Model Context Protocol. Genkit offre un modo rapido per creare server e client MCP con Node.js. Questo server MCP fornisce dati sugli animali di uno zoo fittizio. Per semplicità, archiviamo i dati in memoria. Per un server MCP di produzione, probabilmente vorrai fornire dati da origini come database o API.
- Esegui questo comando per aggiungere Genkit come dipendenza nel file
package.json:npm install genkitpackage-lock.jsonal progetto. - Esegui questo comando per aggiungere la libreria Genkit AI MCP nel file
package.json:npm install @genkit-ai/mcp - Crea e apri un nuovo file
index.jsper il codice sorgente del server MCP:cloudshell edit index.jscloudshell editaprirà il fileindex.jsnell'editor sopra il terminale. - Aggiungi il seguente codice sorgente del server MCP zoo al file
index.js: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 ${PORT}`); });
Il tuo codice è completo. È il momento di eseguire il deployment del server MCP in Cloud Run.
7. Deployment in Cloud Run
Ora esegui il deployment di un server MCP in Cloud Run direttamente dal codice sorgente.
- Crea un account di servizio denominato
mcp-server-sa:gcloud iam service-accounts create mcp-server-sa --display-name="MCP Server Service Account" - Esegui il comando
gcloudper eseguire il deployment dell'applicazione in Cloud Rungcloud run deploy zoo-mcp-server \ --service-account=mcp-server-sa@$GOOGLE_CLOUD_PROJECT.iam.gserviceaccount.com \ --no-allow-unauthenticated \ --region=europe-west1 \ --source=. \ --labels=dev-tutorial=codelab-mcp--no-allow-unauthenticatedper richiedere l'autenticazione. Questo è importante per motivi di sicurezza. Se non richiedi l'autenticazione, chiunque può chiamare il tuo server MCP e potenzialmente causare danni al tuo sistema. - Conferma la creazione di un nuovo repository Artifact Registry. Poiché è la prima volta che esegui il deployment in Cloud Run dal codice sorgente, vedrai:
Deploying from source requires an Artifact Registry Docker repository to store built containers. A repository named [cloud-run-source-deploy] in region [europe-west1] will be created. Do you want to continue (Y/n)?
Ye premiEnter. Verrà creato un repository Artifact Registry per il deployment. È necessario per archiviare il container Docker del server MCP per il servizio Cloud Run. - Dopo alcuni minuti, vedrai un messaggio simile a questo:
Service [zoo-mcp-server] revision [zoo-mcp-server-12345-abc] has been deployed and is serving 100 percent of traffic.
Hai eseguito il deployment del server MCP. Ora puoi utilizzarlo.
8. Aggiungi il server MCP remoto a Gemini CLI
Ora che hai eseguito il deployment di un server MCP remoto, puoi connetterti utilizzando varie applicazioni come Google Code Assist o Gemini CLI. In questa sezione, stabiliremo una connessione al nuovo server MCP remoto utilizzando l'interfaccia a riga di comando di Gemini.
- Concedere al tuo account utente l'autorizzazione a chiamare il server MCP remoto
gcloud projects add-iam-policy-binding $GOOGLE_CLOUD_PROJECT \ --member=user:$(gcloud config get-value account) \ --role='roles/run.invoker' - Salva le credenziali Google Cloud e il numero di progetto nelle variabili di ambiente da utilizzare nel file delle impostazioni di Gemini:
export PROJECT_NUMBER=$(gcloud projects describe $GOOGLE_CLOUD_PROJECT --format="value(projectNumber)") export ID_TOKEN=$(gcloud auth print-identity-token) - Apri il file delle impostazioni di Gemini CLI
cloudshell edit ~/.gemini/settings.json - Sostituisci il file delle impostazioni di Gemini CLI per aggiungere il server MCP di Cloud Run
{ "ide": { "hasSeenNudge": true }, "mcpServers": { "zoo-remote": { "httpUrl": "https://zoo-mcp-server-$PROJECT_NUMBER.europe-west1.run.app/mcp", "headers": { "Authorization": "Bearer $ID_TOKEN" } } }, "security": { "auth": { "selectedType": "cloud-shell" } } }
- Avviare Gemini CLI in Cloud Shell
geminiEnterper accettare alcune impostazioni predefinite.
- Chiedi a Gemini di elencare gli strumenti MCP a sua disposizione nel contesto.
/mcp - Chiedi a Gemini di trovare qualcosa nello zoo
Where can I find penguins?zoo-remotee ti chiederà se vuoi consentire l'esecuzione di MCP. - Utilizza la freccia giù, quindi premi
Enterper selezionare.Yes, always allow all tools from server "zoo-remote"
L'output deve mostrare la risposta corretta e una casella di visualizzazione che indica che è stato utilizzato il server MCP.
Ce l'hai fatta. Hai eseguito il deployment di un server MCP remoto in Cloud Run e lo hai testato utilizzando Gemini CLI.
Quando è tutto pronto per terminare la sessione, digita /quit e poi premi Enter per uscire da Gemini CLI.
Debug
Se viene visualizzato un errore simile al seguente:
🔍 Attempting OAuth discovery for 'zoo-remote'... ❌ 'zoo-remote' requires authentication but no OAuth configuration found Error connecting to MCP server 'zoo-remote': MCP server 'zoo-remote' requires authentication. Please configure OAuth or check server settings.
È probabile che il token ID sia scaduto e richieda di impostare nuovamente ID_TOKEN.
- Digita
/quite poi premiEnterper uscire da Gemini CLI. - Imposta il progetto nel terminale
gcloud config set project [PROJECT_ID] - Esegui di nuovo il comando delle credenziali Google Cloud per ottenere un nuovo
ID_TOKEN, poiché il tuo potrebbe essere scaduto.export PROJECT_NUMBER=$(gcloud projects describe $GOOGLE_CLOUD_PROJECT --format="value(projectNumber)") export ID_TOKEN=$(gcloud auth print-identity-token)
9. (Facoltativo) Verifica le chiamate agli strumenti nei log del server
Per verificare che il server MCP di Cloud Run sia stato chiamato, controlla i log del servizio.
gcloud run services logs read zoo-mcp-server --region europe-west1 --limit=5
Dovresti visualizzare un log di output che conferma l'esecuzione di una chiamata allo strumento. 🛠️
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. (Facoltativo) Aggiungi il prompt MCP al server
Un prompt MCP può velocizzare il flusso di lavoro per i prompt che esegui spesso creando un'abbreviazione per un prompt più lungo.
Gemini CLI converte automaticamente i prompt MCP in comandi slash personalizzati in modo che tu possa richiamare un prompt MCP digitando /prompt_name, dove prompt_name è il nome del prompt MCP.
Crea un prompt MCP per trovare rapidamente un animale nello zoo digitando /find animal in Gemini CLI.
- Aggiungi questo codice al file
index.jssopra la riga// Create Genkit MCP server wrapper: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 ${animal} in the zoo. Respond with '[animal] can be found in the [exhibit] on the [trail].' Example: Penguins can be found in The Arctic Exhibit on the Polar Path.` } ] } ] }; } ); - Esegui nuovamente il deployment dell'applicazione in Cloud Run
gcloud run deploy zoo-mcp-server \ --service-account=mcp-server-sa@$GOOGLE_CLOUD_PROJECT.iam.gserviceaccount.com \ --no-allow-unauthenticated \ --region=europe-west1 \ --source=. \ --labels=dev-tutorial=codelab-mcp - Aggiorna ID_TOKEN per il server MCP remoto
export ID_TOKEN=$(gcloud auth print-identity-token) - Dopo aver eseguito il deployment della nuova versione dell'applicazione, avvia Gemini CLI.
gemini - Nel prompt, utilizza il nuovo comando personalizzato che hai creato:
/find --animal="lions"
Dovresti vedere che Gemini CLI chiama lo strumento get_animals_by_species e formatta la risposta come indicato dal prompt MCP.
╭───────────────────────────╮
│ > /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. (Facoltativo) Utilizza Gemini Flash Lite per risposte più rapide
Gemini CLI ti consente di scegliere il modello che utilizzi.
- Gemini 2.5 Pro è il modello di ragionamento all'avanguardia di Google, in grado di risolvere problemi complessi in codice, matematica e STEM, nonché di analizzare grandi set di dati, codebase e documenti utilizzando un contesto lungo.
- Gemini 2.5 Flash è il miglior modello di Google in termini di rapporto prezzo-prestazioni e offre funzionalità complete. 2.5 Flash è ideale per l'elaborazione su larga scala, la bassa latenza, le attività ad alto volume che richiedono ragionamento e i casi d'uso con agenti.
- Gemini 2.5 Flash Lite è il modello flash più veloce di Google, ottimizzato per l'efficienza dei costi e l'elevato throughput.
Poiché le richieste relative alla ricerca degli animali dello zoo non richiedono pensiero o ragionamento, prova ad accelerare le cose utilizzando un modello più veloce.
Crea un prompt MCP per trovare rapidamente un animale nello zoo digitando /find animal in Gemini CLI.
- Dopo aver eseguito il deployment della nuova versione dell'applicazione, avvia Gemini CLI.
gemini --model=gemini-2.5-flash-lite - Nel prompt, utilizza il nuovo comando personalizzato che hai creato:
/find --animal="lions"
Dovresti comunque vedere che Gemini CLI chiama lo strumento get_animals_by_species e formatta la risposta come indicato dal prompt MCP, ma la risposta dovrebbe apparire molto più velocemente.
╭───────────────────────────╮
│ > /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.
Obiettivi di allungamento per metterti alla prova
Per una sfida in più, prova a seguire gli stessi passaggi per creare un prompt che restituisca curiosità su specie animali specifiche dello zoo.
In alternativa, per mettere alla prova le tue conoscenze, puoi ideare uno strumento che utilizzeresti spesso e implementare un secondo server MCP remoto. Poi aggiungilo alle impostazioni di Gemini CLI per verificare se funziona.
Debug
Se viene visualizzato un errore simile al seguente:
✕ Unknown command: /find --animal="lions"
Prova a eseguire /mcp e, se l'output è zoo-remote - Disconnected, potresti dover eseguire nuovamente il deployment o i seguenti comandi:
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. Conclusione
Complimenti! Hai eseguito il deployment e la connessione a un server MCP remoto sicuro.
Continua con il lab successivo
Questo lab è il primo di una serie in tre parti. Nel secondo lab utilizzerai il server MCP che hai creato con un agente ADK.
Utilizzare un server MCP su Cloud Run con un agente ADK
(Facoltativo) Pulizia
Se non continui con il lab successivo e vuoi fare pulizia di ciò che hai creato, puoi eliminare il tuo progetto Cloud per evitare addebiti aggiuntivi.
Sebbene non siano previsti addebiti per Cloud Run quando il servizio non è in uso, ti potrebbero comunque essere addebitati i costi di archiviazione dell'immagine container in Artifact Registry. L'eliminazione del progetto Cloud interrompe la fatturazione per tutte le risorse utilizzate al suo interno.
Se vuoi, elimina il progetto:
gcloud projects delete $GOOGLE_CLOUD_PROJECT
Potresti anche voler eliminare le risorse non necessarie dal disco Cloud Shell. Puoi:
- Elimina la directory del progetto codelab:
rm -rf ~/mcp-on-cloudrun - Attenzione. La prossima azione non può essere annullata. Se vuoi eliminare tutto ciò che è presente in Cloud Shell per liberare spazio, puoi eliminare l'intera home directory. Fai attenzione che tutto ciò che vuoi conservare sia salvato altrove.
sudo rm -rf $HOME