Как развернуть безопасный сервер MCP в Cloud Run,Как развернуть безопасный сервер MCP в Cloud Run

1. Введение

Обзор

В этой лабораторной работе вы создадите и развернете сервер протокола контекста модели (MCP) . Серверы MCP полезны для предоставления студентам LLM доступа к внешним инструментам и сервисам. Вы настроите его как безопасный, готовый к использованию в производственной среде сервис в Cloud Run, к которому можно будет получить доступ с нескольких клиентов. Затем вы подключитесь к удаленному серверу MCP из командной строки Antigravity.

Что вы будете делать

Мы будем использовать FastMCP для создания MCP-сервера для зоопарка , который будет содержать два инструмента: get_animals_by_species и get_animal_details . FastMCP предоставляет быстрый и понятный с точки зрения Python способ создания MCP-серверов и клиентов.

Графика сервера Zoo MCP

Что вы узнаете

  • Разверните сервер MCP в Cloud Run.
  • Защитите конечную точку вашего сервера, требуя аутентификации для всех запросов, чтобы гарантировать, что только авторизованные клиенты и агенты могут взаимодействовать с ним.
  • Подключитесь к защищенной конечной точке вашего сервера MCP из интерфейса командной строки Antigravity.

2. Настройка проекта

  1. Если у вас еще нет учетной записи Google, вам необходимо ее создать .
    • Используйте личный аккаунт вместо рабочего или учебного. Рабочие и учебные аккаунты могут иметь ограничения, которые не позволят вам включить API, необходимые для этой лабораторной работы.
  2. Войдите в консоль Google Cloud .
  3. Создайте новый проект или выберите вариант повторного использования существующего проекта.
    • Если вы видите ошибку, связанную с квотой проекта, используйте существующий проект повторно или удалите существующий проект, чтобы создать новый.

3. Откройте редактор Cloud Shell.

  1. Нажмите на эту ссылку, чтобы перейти непосредственно в редактор Cloud Shell.
  2. Если сегодня вам будет предложено авторизоваться, нажмите «Авторизовать» , чтобы продолжить. Нажмите, чтобы авторизовать Cloud Shell.
  3. Если терминал не отображается внизу экрана, откройте его:
    • Нажмите «Просмотреть».
    • Нажмите «Терминал» Откройте новый терминал в редакторе Cloud Shell.
  4. В терминале настройте свой проект с помощью этой команды:
    • Формат: 
      gcloud config set project [PROJECT_ID]
    • Пример: 
      gcloud config set project lab-project-id-example
    • Если вы не помните идентификатор своего проекта:
      • Вы можете вывести список всех идентификаторов ваших проектов с помощью: 
        gcloud projects list | awk '/PROJECT_ID/{print $2}'
      Установите идентификатор проекта в терминале редактора Cloud Shell.
  5. Вы должны увидеть следующее сообщение:
    Updated property [core/project].
    Если вы видите WARNING и вас спрашивают Do you want to continue (Y/n)? , то, скорее всего, вы неправильно ввели идентификатор проекта. Нажмите n , затем Enter и попробуйте снова выполнить команду gcloud config set project .

4. Включите API.

В терминале включите API:

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

Если появится запрос на авторизацию, нажмите «Авторизовать» , чтобы продолжить. Нажмите, чтобы авторизовать Cloud Shell.

Выполнение этой команды может занять несколько минут, но в итоге должно отобразиться сообщение об успешном завершении, похожее на это:

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

5. Подготовьте свой проект на Python.

  1. Создайте папку с именем mcp-on-cloudrun для хранения исходного кода, необходимого для развертывания: 
    mkdir mcp-on-cloudrun && cd mcp-on-cloudrun
  2. Создайте проект Python с помощью инструмента uv , чтобы сгенерировать файл pyproject.toml :
    uv init --description "Example of deploying an MCP server on Cloud Run" --bare --python 3.13
    Команда uv init создает файл ` pyproject.toml для вашего проекта. Чтобы просмотреть содержимое файла, выполните следующую команду:
    cat pyproject.toml
    Результат должен выглядеть следующим образом: 
    [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. Создайте сервер MCP для зоопарка.

Чтобы обеспечить ценный контекст для улучшения использования LLM с MCP, настройте сервер MCP для зоопарка с помощью FastMCP — стандартной платформы для работы с протоколом контекста модели. FastMCP предоставляет быстрый способ создания серверов и клиентов MCP с помощью Python. Этот сервер MCP предоставляет данные о животных в вымышленном зоопарке. Для простоты мы храним данные в памяти. Для производственного сервера MCP вам, вероятно, потребуется предоставлять данные из таких источников, как базы данных или API.

  1. Выполните следующую команду, чтобы добавить FastMCP в качестве зависимости в файл pyproject.toml :
    uv add fastmcp==2.12.4 --no-sync
    Это добавит файл uv.lock в ваш проект.
  2. Создайте и откройте новый файл server.py с исходным кодом сервера MCP:
    cloudshell edit ~/mcp-on-cloudrun/server.py
    Команда cloudshell edit откроет файл server.py в редакторе, расположенном над терминалом.
  3. Добавьте следующий исходный код сервера zoo MCP в файл 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,
        )
    )

Ваш код готов! Теперь пора развернуть сервер MCP в Cloud Run.

7. Развертывание в облаке

Теперь разверните сервер MCP в Cloud Run непосредственно из исходного кода.

  1. Создайте и откройте новый Dockerfile для развертывания в Cloud Run: 
    cloudshell edit ~/mcp-on-cloudrun/Dockerfile
  2. Добавьте следующий код в Dockerfile, чтобы использовать инструмент uv для запуска файла 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. Создайте учетную запись службы с именем mcp-server-sa : 
    gcloud iam service-accounts create mcp-server-sa --display-name="MCP Server Service Account"
  4. Выполните команду gcloud , чтобы развернуть приложение в 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
    Используйте флаг --no-allow-unauthenticated чтобы потребовать аутентификацию. Это важно по соображениям безопасности. Если аутентификация не требуется, любой может обратиться к вашему MCP-серверу и потенциально нанести ущерб вашей системе.
  5. Подтвердите создание нового репозитория Artifact Registry. Поскольку вы впервые развертываете приложение в Cloud Run из исходного кода, вы увидите следующее:
    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)?
    Введите Y и нажмите Enter . Это создаст репозиторий Artifact Registry для вашего развертывания. Это необходимо для хранения контейнера Docker сервера MCP для службы Cloud Run.
  6. Через несколько минут вы увидите сообщение следующего вида: 
    Service [zoo-mcp-server] revision [zoo-mcp-server-12345-abc] has been deployed and is serving 100 percent of traffic.

Вы развернули свой MCP-сервер. Теперь вы можете им пользоваться.

8. Добавьте удаленный сервер MCP в интерфейс командной строки Antigravity.

Теперь, когда вы успешно развернули удаленный сервер MCP, вы можете подключиться к нему с помощью различных приложений, таких как Google Code Assist или Antigravity CLI. В этом разделе мы установим соединение с вашим новым удаленным сервером MCP с помощью Antigravity CLI .

  1. Предоставьте вашей учетной записи пользователя разрешение на обращение к удаленному серверу MCP. 
    gcloud projects add-iam-policy-binding $GOOGLE_CLOUD_PROJECT \
    --member=user:$(gcloud config get-value account) \
    --role='roles/run.invoker'
  2. Сохраните свои учетные данные Google Cloud и номер проекта в переменных среды для использования в файле настроек Antigravity: 
    export PROJECT_NUMBER=$(gcloud projects describe $GOOGLE_CLOUD_PROJECT --format="value(projectNumber)")
export ID_TOKEN=$(gcloud auth print-identity-token)
  3. Создайте папку .gemini/antigravity-cli , если она еще не создана. 
    mkdir -p ~/.gemini/antigravity-cli
  4. Внесите данные об удаленном сервере MCP в файл конфигурации MCP в Antigravity CLI: 
    cat > ~/.gemini/antigravity-cli/mcp_config.json << EOF
{
    "mcpServers": {
        "zoo-remote": {
            "serverUrl": "https://zoo-mcp-server-${PROJECT_NUMBER}.us-west1.run.app/mcp",
            "headers": {
                "Authorization": "Bearer ${ID_TOKEN}"
            }
        }
    }
}
EOF
  5. Запуск интерфейса командной строки Antigravity: 
    agy
  1. Аутентификация через Antigravity CLI: При первоначальном запуске требуется аутентификация. Выберите OAuth (нажав Enter ). Экран авторизации антигравитации
  2. Нажмите на ссылку (если она неактивна, выделите URL-адрес в Cloud Shell, чтобы скопировать его, а затем вставьте в свой браузер).
  3. Войдите в свой аккаунт Google.
  4. Скопируйте код
  5. Вставьте код в терминал редактора Cloud Shell.
  6. Нажмите Enter . Запрос кода безопасности «Антигравитация»
  7. Нажмите Enter , чтобы принять некоторые настройки по умолчанию.
  8. Настройте Antigravity CLI так, чтобы он отображал список инструментов MCP, доступных в его контексте.
    /mcp
    Нажмите ESC , чтобы вернуться к подсказке.
  9. Воспользуйтесь интерфейсом командной строки Antigravity, чтобы найти что-нибудь в зоопарке.
    Where can I find penguins?
    Интерфейс командной строки Antigravity должен знать, что нужно использовать сервер MCP zoo-remote , и спросит, хотите ли вы разрешить выполнение MCP.
  10. Воспользуйтесь стрелкой вниз, затем нажмите Enter , чтобы выбрать 
    Yes, always allow all tools from server "zoo-remote"
    Интерфейс командной строки Antigravity позволяет использовать удаленные инструменты Zoo.

В результате должен отобразиться правильный ответ и окно, указывающее на использование сервера MCP.

Antigravity CLI show zoo mcp server result

У вас получилось! Вы успешно развернули удаленный сервер MCP в Cloud Run и протестировали его с помощью Antigravity CLI.

Когда вы будете готовы завершить сессию, введите /exit и нажмите Enter , чтобы выйти из Antigravity CLI.

Отладка

Если вы видите ошибку подобного рода: 

🔍 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.

Вероятно, срок действия ID-токена истек, и требуется повторная установка значения ID_TOKEN .

  1. Введите /exit и нажмите Enter , чтобы выйти из Antigravity CLI.
  2. Настройте свой проект в терминале. 
    gcloud config set project [PROJECT_ID]
  3. Повторно выполните команду получения учетных данных Google Cloud, чтобы получить новый ID_TOKEN поскольку ваш, возможно, истек, и перезапишите файл конфигурации: 
    export PROJECT_NUMBER=$(gcloud projects describe $GOOGLE_CLOUD_PROJECT --format="value(projectNumber)")
export ID_TOKEN=$(gcloud auth print-identity-token)

cat > ~/.gemini/antigravity-cli/mcp_config.json << EOF

{ "mcpServers": { "zoo-remote": { "serverUrl": "https://zoo-mcp-server-${PROJECT_NUMBER}.us-west1.run.app/mcp", "headers": { "Authorization": "Bearer ${ID_TOKEN}" } } } } EOF ```

9. (Необязательно) Проверьте вызовы инструментов в журналах сервера.

Чтобы убедиться, что ваш сервер Cloud Run MCP был вызван, проверьте журналы службы. 

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

Вы должны увидеть сообщение в журнале, подтверждающее, что был выполнен вызов инструмента. 🛠️ 

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. (Необязательно) Добавить приглашение MCP на сервер.

Использование командной строки MCP может ускорить рабочий процесс для часто используемых вами запросов, создавая сокращенную запись для более длинных запросов.

Antigravity CLI автоматически преобразует приглашения командной строки MCP в пользовательские команды со слэшем, так что вы можете вызвать приглашение командной строки MCP, набрав /prompt_name где prompt_name — это имя вашего приглашения командной строки MCP.

Создайте командную строку MCP, чтобы быстро находить животных в зоопарке, вводя команду /find animal в Antigravity CLI.

  1. Добавьте этот код в файл server.py перед основным блоком guard ( 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. Переразверните приложение в Cloud Run. 
    gcloud run deploy zoo-mcp-server \
    --region=us-west1 \
    --source=. \
    --labels=dev-tutorial=codelab-mcp
  3. Обновите переменную ID_TOKEN и создайте файл конфигурации заново: 
    export ID_TOKEN=$(gcloud auth print-identity-token)
export PROJECT_NUMBER=$(gcloud projects describe $GOOGLE_CLOUD_PROJECT --format="value(projectNumber)")

cat > ~/.gemini/antigravity-cli/mcp_config.json << EOF

{ "mcpServers": { "zoo-remote": { "serverUrl": "https://zoo-mcp-server-${PROJECT_NUMBER}.us-west1.run.app/mcp", "headers": { "Authorization": "Bearer ${ID_TOKEN}" } } } } EOF ```

  1. После развертывания новой версии вашего приложения запустите Antigravity CLI. 
    agy
  2. В командной строке используйте созданную вами новую пользовательскую команду: 
    /find lions

Вы должны увидеть, что Antigravity CLI вызывает инструмент get_animals_by_species и форматирует ответ в соответствии с указаниями командной строки 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. (Необязательно) Используйте Gemini Flash Lite для более быстрой реакции.

Интерфейс командной строки Antigravity позволяет выбрать используемую модель и прилагаемые усилия.

Поскольку запросы, связанные с поиском животных в зоопарке, не требуют размышлений или логического мышления, попробуйте ускорить процесс, используя более быструю модель.

В предыдущем разделе вы создали приглашение MCP, чтобы быстро находить животных в зоопарке, вводя команду /find animal в командную строку Antigravity.

  1. После развертывания новой версии вашего приложения запустите Antigravity CLI. 
    agy --model=gemini-3.6-flash --effort=low
  2. В командной строке используйте созданную вами новую пользовательскую команду: 
    /find lions

Вы по-прежнему должны видеть, что Antigravity CLI вызывает инструмент get_animals_by_species и форматирует ответ в соответствии с указаниями командной строки MCP, но ответ должен появиться гораздо быстрее! 

╭───────────────────────────╮
│  > /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.

Отладка

Если вы видите ошибку подобного рода: 

✕ Unknown command: /find lions

Попробуйте запустить команду /mcp , и если она выдаст сообщение zoo-remote - Disconnected , возможно, потребуется повторно развернуть систему или снова выполнить следующие команды: 

 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)

cat > ~/.gemini/antigravity-cli/mcp_config.json << EOF
{
   "mcpServers": {
       "zoo-remote": {
           "serverUrl": "https://zoo-mcp-server-${PROJECT_NUMBER}.us-west1.run.app/mcp",
           "headers": {
               "Authorization": "Bearer ${ID_TOKEN}"
           }
       }
   }
}
EOF

12. Заключение

Поздравляем! Вы успешно развернули и подключились к защищенному удаленному серверу MCP.

Переходите к следующей лабораторной работе.

Эта лабораторная работа — первая в серии из трех частей. Во второй лабораторной работе вы будете использовать сервер MCP, который вы создали с помощью агента ADK.

Используйте сервер MCP в Cloud Run с агентом ADK.

(Необязательно) Уборка

Если вы не собираетесь переходить к следующей лабораторной работе и хотите удалить созданный вами проект, вы можете удалить его из облачного хранилища, чтобы избежать дополнительных расходов.

Хотя Cloud Run не взимает плату, когда услуга не используется, с вас все равно может взиматься плата за хранение образа контейнера в реестре артефактов. Удаление вашего проекта Cloud прекращает выставление счетов за все ресурсы, используемые в этом проекте.

При желании вы можете удалить проект: 

gcloud projects delete $GOOGLE_CLOUD_PROJECT

Также вы можете удалить ненужные ресурсы с диска Cloudshell. Для этого выполните следующие действия:

  1. Удалите каталог проекта codelab: 
    rm -rf ~/mcp-on-cloudrun
  2. Внимание! Следующее действие необратимо! Если вы хотите удалить все данные в Cloud Shell, чтобы освободить место, вы можете удалить всю свою домашнюю директорию . Будьте внимательны и убедитесь, что все, что вы хотите сохранить, сохранено в другом месте. 
    sudo rm -rf $HOME