1. Wprowadzenie
Przegląd
W tym ćwiczeniu utworzysz i wdrożysz serwer Model Context Protocol (MCP). Serwery MCP są przydatne do zapewniania LLM dostępu do narzędzi i usług zewnętrznych. Skonfigurujesz go jako bezpieczną usługę gotową do wdrożenia w Cloud Run, do której można uzyskać dostęp z wielu klientów. Następnie połączysz się ze zdalnym serwerem MCP z interfejsu wiersza poleceń Gemini.
Jakie zadania wykonasz
Użyjemy FastMCP, aby utworzyć serwer MCP zoo z 2 narzędziami: get_animals_by_species i get_animal_details. FastMCP to szybki sposób na tworzenie serwerów i klientów MCP w Pythonie.
Czego się nauczysz
- Wdrażanie serwera MCP w Cloud Run.
- Zabezpieczanie punktu końcowego serwera przez wymaganie uwierzytelniania wszystkich żądań, aby tylko autoryzowani klienci i agenci mogli się z nim komunikować.
- Łączenie się z bezpiecznym punktem końcowym serwera MCP z interfejsu wiersza poleceń Gemini.
2. Konfiguracja projektu
- Jeśli nie masz jeszcze konta Google, musisz je utworzyć.
- Użyj konta osobistego zamiast konta służbowego lub szkolnego. Konta służbowe i szkolne mogą mieć ograniczenia, które uniemożliwiają włączenie interfejsów API potrzebnych do tego ćwiczenia.
- Zaloguj się w konsoli Google Cloud.
- Utwórz nowy projekt lub ponownie użyj istniejącego.
- Jeśli zobaczysz błąd dotyczący limitu projektu, ponownie użyj istniejącego projektu lub usuń go, aby utworzyć nowy.
3. Otwórz edytor Cloud Shell
- Kliknij ten link, aby przejść bezpośrednio do edytora Cloud Shell.
- Jeśli w dowolnym momencie pojawi się prośba o autoryzację, kliknij Autoryzuj , aby kontynuować.
- Jeśli terminal nie pojawia się u dołu ekranu, otwórz go:
- Kliknij Widok.
- Kliknij Terminal
- W terminalu ustaw projekt za pomocą tego polecenia:
- Format:
gcloud config set project [PROJECT_ID] - Przykład:
gcloud config set project lab-project-id-example - Jeśli nie pamiętasz identyfikatora projektu:
- Możesz wyświetlić wszystkie identyfikatory projektów za pomocą tego polecenia:
gcloud projects list | awk '/PROJECT_ID/{print $2}'
- Możesz wyświetlić wszystkie identyfikatory projektów za pomocą tego polecenia:
- Format:
- Powinien pojawić się ten komunikat:
Updated property [core/project].
WARNINGi pytanieDo you want to continue (Y/n)?, prawdopodobnie wpisano nieprawidłowy identyfikator projektu. Naciśnijn, a potemEnteri spróbuj ponownie uruchomić poleceniegcloud config set project.
4. Włącz interfejsy API
W terminalu włącz interfejsy API:
gcloud services enable \
run.googleapis.com \
artifactregistry.googleapis.com \
cloudbuild.googleapis.com
Jeśli pojawi się prośba o autoryzację, kliknij Autoryzuj , aby kontynuować.
Wykonanie tego polecenia może potrwać kilka minut, ale ostatecznie powinien się pojawić komunikat o powodzeniu podobny do tego:
Operation "operations/acf.p2-73d90d00-47ee-447a-b600" finished successfully.
5. Przygotuj projekt w Pythonie
- Utwórz folder o nazwie
mcp-on-cloudrun, aby przechowywać kod źródłowy do wdrożenia:mkdir mcp-on-cloudrun && cd mcp-on-cloudrun - Utwórz projekt w Pythonie za pomocą narzędzia
uv, aby wygenerować plikpyproject.toml:uv init --description "Example of deploying an MCP server on Cloud Run" --bare --python 3.13uv inittworzy plikpyproject.tomldla Twojego projektu.Aby wyświetlić zawartość pliku, uruchom to polecenie:cat pyproject.toml[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. Utwórz serwer MCP zoo
Aby zapewnić przydatny kontekst do ulepszenia korzystania z LLM z MCP, skonfiguruj serwer MCP zoo za pomocą FastMCP – standardowej platformy do pracy z protokołem Model Context Protocol. FastMCP umożliwia szybkie tworzenie serwerów i klientów MCP w Pythonie. Ten serwer MCP zawiera dane o zwierzętach w fikcyjnym zoo. Dla uproszczenia dane przechowujemy w pamięci. W przypadku serwera MCP w środowisku produkcyjnym prawdopodobnie będziesz chcieć udostępniać dane ze źródeł takich jak bazy danych lub interfejsy API.
- Uruchom to polecenie, aby dodać FastMCP jako zależność w pliku
pyproject.toml:uv add fastmcp==2.12.4 --no-syncuv.lock. - Utwórz i otwórz nowy plik
server.pyz kodem źródłowym serwera MCP:cloudshell edit ~/mcp-on-cloudrun/server.pycloudshell editotworzy plikserver.pyw edytorze nad terminalem. - Dodaj do pliku
server.pyten kod źródłowy serwera MCP zoo: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, ) )
Kod jest gotowy. Możesz teraz wdrożyć serwer MCP w Cloud Run.
7. Wdrażanie w Cloud Run
Teraz wdróż serwer MCP w Cloud Run bezpośrednio z kodu źródłowego.
- Utwórz i otwórz nowy plik
Dockerfiledo wdrożenia w Cloud Run:cloudshell edit ~/mcp-on-cloudrun/Dockerfile - Dodaj do pliku Dockerfile ten kod, aby użyć narzędzia
uvdo uruchomienia plikuserver.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 $PORT # Run the FastMCP server CMD ["uv", "run", "server.py"] - Utwórz konto usługi o nazwie
mcp-server-sa:gcloud iam service-accounts create mcp-server-sa --display-name="MCP Server Service Account" - Uruchom polecenie
gcloud, aby wdrożyć aplikację w Cloud Run.cd ~/mcp-on-cloudrun gcloud run deploy zoo-mcp-server \ --service-account=mcp-server-sa@$GOOGLE_CLOUD_PROJECT.iam.gserviceaccount.com \ --no-allow-unauthenticated \ --region=us-west1 \ --source=. \ --labels=dev-tutorial=codelab-mcp--no-allow-unauthenticated, aby wymagać uwierzytelniania. Jest to ważne ze względów bezpieczeństwa. Jeśli nie będziesz wymagać uwierzytelniania, każdy będzie mógł wywołać Twój serwer MCP i potencjalnie spowodować uszkodzenie systemu. - Potwierdź utworzenie nowego repozytorium Artifact Registry. Ponieważ po raz pierwszy wdrażasz w Cloud Run z kodu źródłowego, zobaczysz:
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)?
Yi naciśnijEnter. Spowoduje to utworzenie repozytorium Artifact Registry na potrzeby wdrożenia. Jest to wymagane do przechowywania kontenera Dockera serwera MCP na potrzeby usługi Cloud Run. - Po kilku minutach zobaczysz komunikat podobny do tego:
Service [zoo-mcp-server] revision [zoo-mcp-server-12345-abc] has been deployed and is serving 100 percent of traffic.
Serwer MCP został wdrożony. Możesz teraz z niego korzystać.
8. Dodaj zdalny serwer MCP do interfejsu wiersza poleceń Gemini
Po pomyślnym wdrożeniu zdalnego serwera MCP możesz się z nim połączyć za pomocą różnych aplikacji, takich jak Google Code Assist czy interfejs wiersza poleceń Gemini. W tej sekcji nawiążemy połączenie z nowym zdalnym serwerem MCP za pomocą interfejsu wiersza poleceń Gemini.
- Przyznaj kontu użytkownika uprawnienia do wywoływania zdalnego serwera MCP.
gcloud projects add-iam-policy-binding $GOOGLE_CLOUD_PROJECT \ --member=user:$(gcloud config get-value account) \ --role='roles/run.invoker' - Zapisz dane logowania do Google Cloud i numer projektu w zmiennych środowiskowych, aby używać ich w pliku ustawień Gemini:
export PROJECT_NUMBER=$(gcloud projects describe $GOOGLE_CLOUD_PROJECT --format="value(projectNumber)") export ID_TOKEN=$(gcloud auth print-identity-token) - Utwórz folder
.gemini, jeśli nie został jeszcze utworzony.mkdir -p ~/.gemini - Otwórz plik ustawień interfejsu wiersza poleceń Gemini.
cloudshell edit ~/.gemini/settings.json - Zastąp plik ustawień interfejsu wiersza poleceń Gemini, aby dodać serwer MCP Cloud Run.
{ "ide": { "hasSeenNudge": true }, "mcpServers": { "zoo-remote": { "httpUrl": "https://zoo-mcp-server-$PROJECT_NUMBER.us-west1.run.app/mcp", "headers": { "Authorization": "Bearer $ID_TOKEN" } } }, "security": { "auth": { "selectedType": "cloud-shell" } } } - Uruchom interfejs wiersza poleceń Gemini w Cloud Shell.
geminiEnter.
- Poproś Gemini o wyświetlenie narzędzi MCP dostępnych w jego kontekście.
/mcp - Poproś Gemini o znalezienie czegoś w zoo.
Where can I find penguins?zoo-remote, i zapyta, czy chcesz zezwolić na wykonanie MCP. - Użyj strzałki w dół, a potem naciśnij
Enter, aby wybrać.Yes, always allow all tools from server "zoo-remote"
Dane wyjściowe powinny zawierać prawidłową odpowiedź i pole wskazujące, że użyto serwera MCP.
Udało się! Zdalny serwer MCP został wdrożony w Cloud Run i przetestowany za pomocą interfejsu wiersza poleceń Gemini.
Gdy zechcesz zakończyć sesję, wpisz /quit i naciśnij Enter, aby zamknąć interfejs wiersza poleceń Gemini.
Debugowanie
Jeśli zobaczysz taki błąd:
🔍 Attempting OAuth discovery for 'zoo-remote'... ❌ 'zoo-remote' requires authentication but no OAuth configuration found Error connecting to MCP server 'zoo-remote': MCP server 'zoo-remote' requires authentication. Please configure OAuth or check server settings.
Prawdopodobnie token identyfikatora wygasł i trzeba ponownie ustawić ID_TOKEN.
- Wpisz
/quiti naciśnijEnter, aby zamknąć interfejs wiersza poleceń Gemini. - Ustaw projekt w terminalu.
gcloud config set project [PROJECT_ID] - Ponownie uruchom polecenie danych logowania do Google Cloud, aby uzyskać nowy
ID_TOKEN, ponieważ Twój mógł wygasnąć.export PROJECT_NUMBER=$(gcloud projects describe $GOOGLE_CLOUD_PROJECT --format="value(projectNumber)") export ID_TOKEN=$(gcloud auth print-identity-token)
9. (Opcjonalnie) Sprawdź wywołania narzędzi w logach serwera
Aby sprawdzić, czy wywołano serwer MCP Cloud Run, sprawdź logi usługi.
gcloud run services logs read zoo-mcp-server --region us-west1 --limit=5
Powinien się pojawić log potwierdzający, że wykonano wywołanie narzędzia. 🛠️
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. (Opcjonalnie) Dodaj prompt MCP do serwera
Prompt MCP może przyspieszyć pracę w przypadku często używanych promptów, tworząc skrót do dłuższego prompta.
Interfejs wiersza poleceń Gemini automatycznie konwertuje prompty MCP na niestandardowe polecenia ukośnikowe, dzięki czemu możesz wywołać prompt MCP, wpisując /prompt_name, gdzie prompt_name to nazwa prompta MCP.
Utwórz prompt MCP, aby szybko znaleźć zwierzę w zoo, wpisując /find animal w interfejsie wiersza poleceń Gemini.
- Dodaj ten kod do pliku
server.pynad głównym zabezpieczeniem (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." ) - Ponownie wdróż aplikację w Cloud Run.
gcloud run deploy zoo-mcp-server \ --region=us-west1 \ --source=. \ --labels=dev-tutorial=codelab-mcp - Odśwież ID_TOKEN zdalnego serwera MCP.
export ID_TOKEN=$(gcloud auth print-identity-token) - Po wdrożeniu nowej wersji aplikacji uruchom interfejs wiersza poleceń Gemini.
gemini - W prompcie użyj utworzonego niestandardowego polecenia:
/find lions
Powinno się pojawić, że interfejs wiersza poleceń Gemini wywołuje narzędzie get_animals_by_species i formatuje odpowiedź zgodnie z instrukcjami prompta 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. (Opcjonalnie) Użyj Gemini Flash Lite, aby uzyskać szybsze odpowiedzi
Interfejs wiersza poleceń Gemini umożliwia wybór używanego modelu.
- Gemini 2.5 Pro to najnowocześniejszy model myślący Google, który potrafi rozwiązywać złożone problemy w kodzie, matematyce i STEM, a także analizować duże zbiory danych, bazy kodu i dokumenty za pomocą długiego kontekstu.
- Gemini 2.5 Flash to najlepszy model Google pod względem stosunku ceny do wydajności, który oferuje wszechstronne możliwości. 2.5 Flash najlepiej sprawdza się w przypadku przetwarzania na dużą skalę, zadań o niskim opóźnieniu i dużej liczbie, które wymagają myślenia, oraz w agentowych przypadkach użycia.
- Gemini 2.5 Flash Lite to najszybszy model flash firmy Google, zoptymalizowany pod kątem oszczędności i wysokiej przepustowości.
Ponieważ żądania związane ze znajdowaniem zwierząt w zoo nie wymagają myślenia ani rozumowania, spróbuj przyspieszyć działanie, używając szybszego modelu.
W poprzedniej sekcji utworzyliśmy prompt MCP, aby szybko znaleźć zwierzę w zoo, wpisując /find animal w interfejsie wiersza poleceń Gemini.
- Po wdrożeniu nowej wersji aplikacji uruchom interfejs wiersza poleceń Gemini.
gemini --model=gemini-2.5-flash-lite - W prompcie użyj utworzonego niestandardowego polecenia:
/find lions
Powinno się nadal pojawiać, że interfejs wiersza poleceń Gemini wywołuje narzędzie get_animals_by_species i formatuje odpowiedź zgodnie z instrukcjami prompta MCP, ale odpowiedź powinna się pojawić znacznie szybciej.
╭───────────────────────────╮
│ > /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.
Debugowanie
Jeśli zobaczysz taki błąd:
✕ Unknown command: /find lions
Spróbuj uruchomić /mcp. Jeśli pojawi się zoo-remote - Disconnected, może być konieczne ponowne wdrożenie lub ponowne uruchomienie tych poleceń:
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. Podsumowanie
Gratulacje! Udało Ci się wdrożyć bezpieczny zdalny serwer MCP i połączyć się z nim.
Przejdź do następnego ćwiczenia
To ćwiczenie jest pierwszym z 3 części. W drugim ćwiczeniu użyjesz utworzonego serwera MCP z agentem ADK.
Używanie serwera MCP w Cloud Run z agentem ADK
(Opcjonalnie) Zwalnianie miejsca
Jeśli nie chcesz kontynuować ćwiczenia i chcesz zwalniać miejsce, możesz usunąć projekt w chmurze, aby uniknąć dodatkowych opłat.
Cloud Run nie nalicza opłat, gdy usługa nie jest używana, ale może zostać pobrana należność za przechowywanie obrazu kontenera w Artifact Registry. Usunięcie projektu w chmurze powoduje zaprzestanie naliczania opłat za wszystkie zasoby wykorzystywane w ramach tego projektu.
Jeśli chcesz, usuń projekt:
gcloud projects delete $GOOGLE_CLOUD_PROJECT
Możesz też usunąć niepotrzebne zasoby z dysku Cloud Shell. Możesz:
- Usuń katalog projektu codelab:
rm -rf ~/mcp-on-cloudrun - Ostrzeżenie! Tej czynności nie można cofnąć. Jeśli chcesz usunąć wszystko w Cloud Shell, aby zwolnić miejsce, możesz usunąć cały katalog domowy. Upewnij się, że wszystkie elementy, które chcesz zachować, są zapisane w innym miejscu.
sudo rm -rf $HOME