Déployer un serveur MCP sécurisé sur Cloud Run

1. Introduction

Présentation

Dans cet atelier, vous allez créer et déployer un serveur MCP (Model Context Protocol). Les serveurs MCP sont utiles pour fournir aux LLM un accès à des outils et services externes. Vous allez le configurer en tant que service sécurisé et prêt pour la production sur Cloud Run, accessible à partir de plusieurs clients. Vous vous connecterez ensuite au serveur MCP distant à partir de Gemini CLI.

Objectifs de l'atelier

Nous allons utiliser FastMCP pour créer un serveur MCP de zoo qui comporte deux outils : get_animals_by_species et get_animal_details. FastMCP fournit un moyen rapide et Pythonique de créer des serveurs et des clients MCP.

Illustration du serveur MCP de zoo

Points abordés

  • Déployer le serveur MCP sur Cloud Run
  • Sécuriser le point de terminaison de votre serveur en exigeant une authentification pour toutes les requêtes, afin de garantir que seuls les clients et agents autorisés peuvent communiquer avec lui
  • Se connecter au point de terminaison de votre serveur MCP sécurisé à partir de Gemini CLI

2. Configuration du projet

  1. Si vous ne possédez pas encore de compte Google, vous devez en créer un.
    • Utilisez un compte personnel au lieu d'un compte professionnel ou scolaire. Les comptes professionnels et scolaires peuvent être soumis à des restrictions qui vous empêchent d'activer les API nécessaires à cet atelier.
  2. Connectez-vous à la console Google Cloud.
  3. Activez la facturation dans la console Cloud.
    • Cet atelier devrait vous coûter moins de 1 $en ressources Cloud.
    • Vous pouvez suivre les étapes à la fin de cet atelier pour supprimer des ressources et éviter des frais supplémentaires.
    • Les nouveaux utilisateurs peuvent bénéficier de l'essai sans frais de 300$.
  4. Créez un projet ou choisissez de réutiliser un projet existant.
    • Si vous voyez une erreur concernant le quota de projet, réutilisez un projet existant ou supprimez-en un pour en créer un.

3. Ouvrir l'éditeur Cloud Shell

  1. Cliquez sur ce lien pour accéder directement à l'éditeur Cloud Shell.
  2. Si vous êtes invité à autoriser à tout moment aujourd'hui, cliquez sur Autoriser pour continuer. Cliquez pour autoriser Cloud Shell.
  3. Si le terminal ne s'affiche pas en bas de l'écran, ouvrez-le :
    • Cliquez sur Afficher.
    • Cliquez sur TerminalOuvrir un nouveau terminal dans l'éditeur Cloud Shell
  4. Dans le terminal, définissez votre projet à l'aide de la commande suivante :
    • Format:
      gcloud config set project [PROJECT_ID]
    • Exemple :
      gcloud config set project lab-project-id-example
    • Si vous ne vous souvenez pas de l'ID de votre projet :
      • Vous pouvez afficher la liste de tous vos ID de projet avec :
        gcloud projects list | awk '/PROJECT_ID/{print $2}'
      Définir l'ID du projet dans le terminal de l'éditeur Cloud Shell
  5. Le message suivant doit s'afficher :
    Updated property [core/project].
    Si vous voyez un WARNING et que la question Do you want to continue (Y/n)? (Voulez-vous continuer (O/n) ?) s'affiche, vous avez probablement saisi l'ID de projet de manière incorrecte. Appuyez sur n, puis sur Enter, et essayez d'exécuter à nouveau la commande gcloud config set project.

4. Activer les API

Dans le terminal, activez les API :

gcloud services enable \
  run.googleapis.com \
  artifactregistry.googleapis.com \
  cloudbuild.googleapis.com

Si vous êtes invité à autoriser, cliquez sur Autoriser pour continuer. Cliquez pour autoriser Cloud Shell.

L'exécution de cette commande peut prendre quelques minutes, mais elle devrait finir par générer un message de réussite semblable à celui-ci :

Operation "operations/acf.p2-73d90d00-47ee-447a-b600" finished successfully.

5. Préparer votre projet Python

  1. Créez un dossier nommé mcp-on-cloudrun pour stocker le code source à déployer :
    mkdir mcp-on-cloudrun && cd mcp-on-cloudrun
  2. Créez un projet Python avec l'outil uv pour générer un fichier pyproject.toml :
    uv init --description "Example of deploying an MCP server on Cloud Run" --bare --python 3.13
    La commande uv init crée un fichier pyproject.toml pour votre projet.Pour afficher le contenu du fichier, exécutez la commande suivante :
    cat pyproject.toml
    La sortie doit se présenter comme suit :
    [project]
name = "mcp-on-cloudrun"
version = "0.1.0"
description = "Example of deploying an MCP server on Cloud Run"
requires-python = ">=3.13"
dependencies = []

6. Créer le serveur MCP de zoo

Pour fournir un contexte utile afin d'améliorer l'utilisation des LLM avec MCP, configurez un serveur MCP de zoo avec FastMCP, un framework standard pour travailler avec le protocole de contexte de modèle. FastMCP fournit un moyen rapide de créer des serveurs et des clients MCP avec Python. Ce serveur MCP fournit des données sur les animaux d'un zoo fictif. Par souci de simplicité, nous stockons les données en mémoire. Pour un serveur MCP de production, vous souhaiterez probablement fournir des données provenant de sources telles que des bases de données ou des API.

  1. Exécutez la commande suivante pour ajouter FastMCP en tant que dépendance dans le fichier pyproject.toml :
    uv add fastmcp==2.12.4 --no-sync
    Un fichier uv.lock sera ajouté à votre projet.
  2. Créez et ouvrez un fichier server.py pour le code source du serveur MCP :
    cloudshell edit ~/mcp-on-cloudrun/server.py
    La commande cloudshell edit ouvre le fichier server.py dans l'éditeur au-dessus du terminal.
  3. Ajoutez le code source du serveur MCP de zoo suivant dans le fichier server.py :
    import asyncio
import logging
import os
from typing import List, Dict, Any

from fastmcp import FastMCP

logger = logging.getLogger(__name__)
logging.basicConfig(format="[%(levelname)s]: %(message)s", level=logging.INFO)

mcp = FastMCP("Zoo Animal MCP Server 🦁🐧🐻")

# Dictionary of animals at the zoo
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"
    }
]

@mcp.tool()
def get_animals_by_species(species: str) -> List[Dict[str, Any]]:
    """
    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.

    Args:
        species: The species of the animal (e.g., 'lion', 'penguin').

    Returns:
        A list of dictionaries, where each dictionary represents an animal
        and contains details like name, age, enclosure, and trail.
    """
    logger.info(f">>> 🛠️ Tool: 'get_animals_by_species' called for '{species}'")
    return [animal for animal in ZOO_ANIMALS if animal["species"].lower() == species.lower()]

@mcp.tool()
def get_animal_details(name: str) -> Dict[str, Any]:
    """
    Retrieves the details of a specific animal by its name.

    Args:
        name: The name of the animal.

    Returns:
        A dictionary with the animal's details (species, name, age, enclosure, trail)
        or an empty dictionary if the animal is not found.
    """
    logger.info(f">>> 🛠️ Tool: 'get_animal_details' called for '{name}'")
    for animal in ZOO_ANIMALS:
        if animal["name"].lower() == name.lower():
            return animal
    return {}

if __name__ == "__main__":
    port = int(os.getenv("PORT", 8080))
    logger.info(f"🚀 MCP server started on port {port}")
    asyncio.run(
        mcp.run_async(
            transport="http",
            host="0.0.0.0",
            port=port,
        )
    )

Votre code est terminé. Il est temps de déployer le serveur MCP sur Cloud Run.

7. Déployer sur Cloud Run

Déployez maintenant un serveur MCP sur Cloud Run directement à partir du code source.

  1. Créez et ouvrez un fichier Dockerfile pour le déploiement sur Cloud Run :
    cloudshell edit ~/mcp-on-cloudrun/Dockerfile
  2. Incluez le code suivant dans le Dockerfile pour utiliser l'outil uv afin d'exécuter le fichier server.py :
    # Use the official Python image
FROM python:3.13-slim

# Install uv
COPY --from=ghcr.io/astral-sh/uv:latest /uv /uvx /bin/

# Install the project into /app
COPY . /app
WORKDIR /app

# Allow statements and log messages to immediately appear in the logs
ENV PYTHONUNBUFFERED=1

# Install dependencies
RUN uv sync

EXPOSE $PORT

# Run the FastMCP server
CMD ["uv", "run", "server.py"]
  3. Créez un compte de service nommé mcp-server-sa :
    gcloud iam service-accounts create mcp-server-sa --display-name="MCP Server Service Account"
  4. Exécutez la commande gcloud pour déployer l'application sur Cloud Run.
    cd ~/mcp-on-cloudrun
gcloud run deploy zoo-mcp-server \
    --service-account=mcp-server-sa@$GOOGLE_CLOUD_PROJECT.iam.gserviceaccount.com \
    --no-allow-unauthenticated \
    --region=us-west1 \
    --source=. \
    --labels=dev-tutorial=codelab-mcp
    Utilisez l'indicateur --no-allow-unauthenticated pour exiger une authentification. C'est important pour des raisons de sécurité. Si vous n'exigez pas d'authentification, n'importe qui peut appeler votre serveur MCP et potentiellement endommager votre système.
  5. Confirmez la création d'un dépôt Artifact Registry. Comme il s'agit de votre premier déploiement sur Cloud Run à partir du code source, vous verrez :
    Deploying from source requires an Artifact Registry Docker repository to store built containers. A repository named
[cloud-run-source-deploy] in region [us-west1] will be created.

Do you want to continue (Y/n)?
    Saisissez Y et appuyez sur Enter. Un dépôt Artifact Registry sera créé pour votre déploiement. Il est nécessaire pour stocker le conteneur Docker du serveur MCP pour le service Cloud Run.
  6. Après quelques minutes, un message semblable à celui-ci s'affiche :
    Service [zoo-mcp-server] revision [zoo-mcp-server-12345-abc] has been deployed and is serving 100 percent of traffic.

Vous avez déployé votre serveur MCP. Vous pouvez maintenant l'utiliser.

8. Ajouter le serveur MCP distant à Gemini CLI

Maintenant que vous avez déployé un serveur MCP distant, vous pouvez vous y connecter à l'aide de différentes applications, telles que Google Code Assist ou Gemini CLI. Dans cette section, nous allons établir une connexion à votre nouveau serveur MCP distant à l'aide de Gemini CLI.

  1. Autorisez votre compte utilisateur à appeler le serveur MCP distant.
    gcloud projects add-iam-policy-binding $GOOGLE_CLOUD_PROJECT \
    --member=user:$(gcloud config get-value account) \
    --role='roles/run.invoker'
  2. Enregistrez vos identifiants Google Cloud et votre numéro de projet dans des variables d'environnement à utiliser dans le fichier de paramètres Gemini :
    export PROJECT_NUMBER=$(gcloud projects describe $GOOGLE_CLOUD_PROJECT --format="value(projectNumber)")
export ID_TOKEN=$(gcloud auth print-identity-token)
  3. Créez un dossier .gemini s'il n'a pas déjà été créé.
    mkdir -p ~/.gemini
  4. Ouvrez votre fichier de paramètres Gemini CLI.
    cloudshell edit ~/.gemini/settings.json
  5. Remplacez votre fichier de paramètres Gemini CLI pour ajouter le serveur MCP Cloud Run.
    {
    "ide": {
        "hasSeenNudge": true
    },
    "mcpServers": {
        "zoo-remote": {
            "httpUrl": "https://zoo-mcp-server-$PROJECT_NUMBER.us-west1.run.app/mcp",
            "headers": {
                "Authorization": "Bearer $ID_TOKEN"
            }
        }
    },
    "security": {
        "auth": {
            "selectedType": "cloud-shell"
        }
    }
}
  6. Démarrez Gemini CLI dans Cloud Shell.
    gemini
    Vous devrez peut-être appuyer sur Enter pour accepter certains paramètres par défaut.Vue initiale de Gemini CLI
  7. Demandez à Gemini de lister les outils MCP disponibles dans son contexte.
    /mcp
  8. Demandez à Gemini de trouver quelque chose dans le zoo.
    Where can I find penguins?
    Gemini CLI devrait reconnaître la nécessité d'utiliser le serveur MCP zoo-remote et vous demander si vous souhaitez autoriser l'exécution de MCP.
  9. Utilisez la flèche vers le bas, puis appuyez sur Enter pour sélectionner.
    Yes, always allow all tools from server "zoo-remote"
    Gemini CLI autorise les outils zoo-remote

La sortie doit afficher la bonne réponse et une zone indiquant que le serveur MCP a été utilisé.

Résultat de la commande Gemini CLI show zoo mcp server

Félicitations ! Vous avez déployé un serveur MCP distant sur Cloud Run et l'avez testé à l'aide de Gemini CLI.

Pour terminer votre session, saisissez /quit, puis appuyez sur Enter pour quitter Gemini CLI.

Débogage

Si vous voyez une erreur semblable à celle-ci :

🔍 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.

Il est probable que le jeton d'ID ait expiré et qu'il soit nécessaire de définir à nouveau ID_TOKEN.

  1. Saisissez /quit, puis appuyez sur Enter pour quitter Gemini CLI.
  2. Définissez votre projet dans votre terminal. 
    gcloud config set project [PROJECT_ID]
  3. Exécutez à nouveau la commande d'identifiants Google Cloud pour obtenir un nouvel ID_TOKEN, car le vôtre a peut-être expiré. 
    export PROJECT_NUMBER=$(gcloud projects describe $GOOGLE_CLOUD_PROJECT --format="value(projectNumber)")
export ID_TOKEN=$(gcloud auth print-identity-token)

9. (Facultatif) Vérifier les appels d'outils dans les journaux du serveur

Pour vérifier que votre serveur MCP Cloud Run a été appelé, consultez les journaux du service.

gcloud run services logs read zoo-mcp-server --region us-west1 --limit=5

Vous devriez voir un journal de sortie confirmant qu'un appel d'outil a été effectué. 🛠️

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. (Facultatif) Ajouter un prompt MCP au serveur

Un prompt MCP peut accélérer votre workflow pour les prompts que vous exécutez souvent en créant un raccourci pour un prompt plus long.

Gemini CLI convertit automatiquement les prompts MCP en commandes slash personnalisées afin que vous puissiez appeler un prompt MCP en saisissant /prompt_name où prompt_name est le nom de votre prompt MCP.

Créez un prompt MCP pour trouver rapidement un animal dans le zoo en saisissant /find animal dans Gemini CLI.

  1. Ajoutez ce code à votre fichier server.py au-dessus du garde principal (if __name__ == "__main__":). 
    @mcp.prompt()
def find(animal: str) -> str:
    """
    Find which exhibit and trail a specific animal might be located.
    """

    return (
        f"Please find the exhibit and trail information for {animal} in the zoo. "
        f"Respond with '[animal] can be found in the [exhibit] on the [trail].'"
        f"Example: Penguins can be found in The Arctic Exhibit on the Polar Path."
    )
  2. Redéployez votre application sur Cloud Run. 
    gcloud run deploy zoo-mcp-server \
    --region=us-west1 \
    --source=. \
    --labels=dev-tutorial=codelab-mcp
  3. Actualisez votre ID_TOKEN pour votre serveur MCP distant. 
    export ID_TOKEN=$(gcloud auth print-identity-token)
  4. Une fois la nouvelle version de votre application déployée, démarrez Gemini CLI. 
    gemini
  5. Dans le prompt, utilisez la nouvelle commande personnalisée que vous avez créée : 
    /find lions

Vous devriez constater que Gemini CLI appelle l'outil get_animals_by_species et met en forme la réponse conformément aux instructions du prompt MCP.

╭───────────────────────────╮
│  > /find lions            │
╰───────────────────────────╯

 ╭───────────────────────────────────────────────────────────────────────────────────────────────────╮
 │ ✔  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. (Facultatif) Utiliser Gemini Flash Lite pour des réponses plus rapides

Gemini CLI vous permet de choisir le modèle que vous utilisez.

  • Gemini 2.5 Pro est le modèle de pensée de pointe de Google, capable de raisonner sur des problèmes complexes dans le code, les mathématiques et les STEM, ainsi que d'analyser de grands ensembles de données, des codebases et des documents à l'aide d'un contexte long.
  • Gemini 2.5 Flash est le meilleur modèle de Google en termes de rapport prix/performances, offrant des fonctionnalités complètes. 2.5 Flash est idéal pour le traitement à grande échelle, la faible latence, les tâches à volume élevé qui nécessitent une réflexion et les cas d'utilisation agentiques.
  • Gemini 2.5 Flash Lite est le modèle Flash le plus rapide de Google, optimisé pour la rentabilité et le débit élevé.

Étant donné que les requêtes liées à la recherche des animaux du zoo ne nécessitent pas de réflexion ni de raisonnement, essayez d'accélérer les choses en utilisant un modèle plus rapide.

Dans la section précédente, vous avez créé un prompt MCP pour trouver rapidement un animal dans le zoo en saisissant /find animal dans Gemini CLI.

  1. Une fois la nouvelle version de votre application déployée, démarrez Gemini CLI. 
    gemini --model=gemini-2.5-flash-lite
  2. Dans le prompt, utilisez la nouvelle commande personnalisée que vous avez créée : 
    /find lions

Vous devriez toujours constater que Gemini CLI appelle l'outil get_animals_by_species et met en forme la réponse conformément aux instructions du prompt MCP, mais la réponse devrait s'afficher beaucoup plus rapidement.

╭───────────────────────────╮
│  > /find lions            │
╰───────────────────────────╯

 ╭───────────────────────────────────────────────────────────────────────────────────────────────────╮
 │ ✔  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.

Débogage

Si vous voyez une erreur semblable à celle-ci :

✕ Unknown command: /find lions

Essayez d'exécuter /mcp. Si la sortie est zoo-remote - Disconnected, vous devrez peut-être redéployer ou exécuter à nouveau les commandes suivantes :

 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. Conclusion

Félicitations ! Vous avez déployé un serveur MCP distant sécurisé et vous y êtes connecté.

Passer à l'atelier suivant

Cet atelier est le premier d'une série en trois parties. Dans le deuxième atelier, vous utiliserez le serveur MCP que vous avez créé avec un agent ADK.

Utiliser un serveur MCP sur Cloud Run avec un agent ADK

(Facultatif) Effectuer un nettoyage

Si vous ne passez pas à l'atelier suivant et que vous souhaitez nettoyer ce que vous avez créé, vous pouvez supprimer votre projet Cloud pour éviter des frais supplémentaires.

Bien que Cloud Run ne facture pas lorsque le service n'est pas utilisé, il se peut que des frais vous soient facturés pour le stockage de l'image de conteneur dans Artifact Registry. La suppression de votre projet Cloud arrête la facturation de toutes les ressources utilisées dans ce projet.

Si vous le souhaitez, supprimez le projet :

gcloud projects delete $GOOGLE_CLOUD_PROJECT

Vous pouvez également supprimer les ressources inutiles de votre disque Cloud Shell. Vous pouvez :

  1. Supprimer le répertoire du projet de l'atelier : 
    rm -rf ~/mcp-on-cloudrun
  2. Avertissement ! Cette action est irréversible. Si vous souhaitez tout supprimer de votre Cloud Shell pour libérer de l'espace, vous pouvez supprimer l'intégralité de votre répertoire personnel. Veillez à enregistrer ailleurs tout ce que vous souhaitez conserver. 
    sudo rm -rf $HOME