MCP-Toolbox für Datenbanken: BigQuery-Datasets für MCP-Kunden verfügbar machen
Informationen zu diesem Codelab
1. Einführung
In diesem Codelab verwenden Sie die MCP-Toolbox für Datenbanken, um Ihre BigQuery-Datasets verfügbar zu machen.
Im Codelab gehen Sie so vor:
- Wählen Sie ein bestimmtes BigQuery-Dataset („Google Cloud-Releasenotizen“) aus dem Programm für öffentliche BigQuery-Datasets aus.
- Richten Sie die MCP-Toolbox für Datenbanken ein, die eine Verbindung zum BigQuery-Dataset herstellt.
- Einen Agenten mit dem Agent Development Kit (ADK) entwickeln, der mithilfe der MCP Toolbox Fragen von Nutzern zu Google Cloud-Releasenotes beantwortet
Aufgabe
- Richten Sie die MCP-Toolbox für Datenbanken ein, um die Google Cloud-Releasenotes als öffentlichen BigQuery-Datensatz als MCP-Schnittstelle für andere MCP-Clients (IDEs, Tools usw.) freizugeben.
Lerninhalte
- Sehen Sie sich öffentliche BigQuery-Datasets an und wählen Sie ein bestimmtes Dataset aus.
- MCP Toolbox for Databases für das öffentliche BigQuery-Dataset einrichten, das wir MCP-Kunden zur Verfügung stellen möchten.
- Mit dem Agent Development Kit (ADK) einen Agenten entwerfen und entwickeln, der Nutzeranfragen beantwortet
- Testen Sie den Agenten und die MCP Toolbox for Databases in der lokalen Umgebung.
Voraussetzungen
- Chrome-Webbrowser
- Eine lokale Python-Entwicklungsumgebung.
2. Hinweis
Projekt erstellen
- Wählen Sie in der Google Cloud Console auf der Seite der Projektauswahl ein Google Cloud-Projekt aus oder erstellen Sie eines.
- Die Abrechnung für das Cloud-Projekt muss aktiviert sein. So prüfen Sie, ob die Abrechnung für ein Projekt aktiviert ist.
- Sie verwenden Cloud Shell, eine Befehlszeilenumgebung, die in Google Cloud ausgeführt wird und bq bereits vorinstalliert hat. Klicken Sie oben in der Google Cloud Console auf „Cloud Shell aktivieren“.
- Nachdem Sie eine Verbindung zu Cloud Shell hergestellt haben, prüfen Sie mit dem folgenden Befehl, ob Sie bereits authentifiziert sind und das Projekt auf Ihre Projekt-ID festgelegt ist:
gcloud auth list
- Führen Sie in Cloud Shell den folgenden Befehl aus, um zu prüfen, ob der gcloud-Befehl Ihr Projekt kennt.
gcloud config list project
- Wenn Ihr Projekt nicht festgelegt ist, verwenden Sie den folgenden Befehl, um es festzulegen:
gcloud config set project <YOUR_PROJECT_ID>
Weitere Informationen zu gcloud-Befehlen und deren Verwendung finden Sie in der Dokumentation.
3. Google-Versionshinweise – Datensatz und MCP-Clients
Sehen wir uns zuerst die Google Cloud-Versionsinformationen an, die regelmäßig auf der offiziellen Seite mit den Google Cloud-Versionshinweisen aktualisiert werden. Unten sehen Sie einen Screenshot:
Sie können die Feed-URL abonnieren, aber was wäre, wenn wir einfach in unserem Agent Chat nach diesen Release Notes fragen könnten? Vielleicht eine einfache Anfrage wie „Aktualisieren Sie mich über die Google Cloud-Release-Notes“.
4. MCP-Toolbox für Datenbanken
Die MCP-Toolbox für Datenbanken ist ein Open-Source-MCP-Server für Datenbanken. Sie wurde für Unternehmen und Produktionsqualität entwickelt. Sie können damit Tools einfacher, schneller und sicherer entwickeln, da komplexe Aufgaben wie Verbindungspooling und Authentifizierung übernommen werden.
Mit der Toolbox können Sie Gen AI-Tools erstellen, mit denen Ihre Kundenservicemitarbeiter auf Daten in Ihrer Datenbank zugreifen können. Der Toolbox bietet folgende Vorteile:
- Vereinfachte Entwicklung: Sie können Tools mit weniger als 10 Codezeilen in Ihren Bot einbinden, Tools für mehrere Bots oder Frameworks wiederverwenden und neue Versionen von Tools einfacher bereitstellen.
- Bessere Leistung: Best Practices wie Verbindungs-Pooling und Authentifizierung.
- Erhöhte Sicherheit: Integrierte Authentifizierung für sicheren Zugriff auf Ihre Daten
- Vollständige Beobachtbarkeit: Sofort einsatzbereite Messwerte und Tracing mit integrierter Unterstützung für OpenTelemetry.
- Mit der Toolbox können Sie ganz einfach Datenbanken mit allen MCP-fähigen KI-Assistenten verbinden, auch mit denen in Ihrer IDE.
Toolbox befindet sich zwischen dem Orchestration Framework Ihrer Anwendung und Ihrer Datenbank und bietet eine Kontrollebene, mit der Tools geändert, verteilt oder aufgerufen werden können. Sie vereinfacht die Verwaltung Ihrer Tools, da Sie Tools an einem zentralen Ort speichern und aktualisieren können. So können Sie Tools für Kundenservicemitarbeiter und Anwendungen freigeben und diese Tools aktualisieren, ohne Ihre Anwendung unbedingt neu bereitzustellen.
Einfach gesagt:
- Die MCP Toolbox ist als Binär-Container-Image verfügbar oder Sie können sie aus dem Quellcode erstellen.
- Es stellt eine Reihe von Tools bereit, die Sie über eine tools.yaml-Datei konfigurieren. Die Tools können als Verbindung zu Ihren Datenquellen betrachtet werden. Sie sehen die verschiedenen unterstützten Datenquellen : AlloyDB, BigQuery usw.
- Da diese Toolbox jetzt MCP unterstützt, haben Sie automatisch einen MCP-Serverendpunkt, der dann von den Kundenservicemitarbeitern (IDEs) verwendet werden kann. Sie können ihn auch bei der Entwicklung Ihrer Kundenserviceanwendungen mit verschiedenen Frameworks wie dem Agent Development Kit (ADK) verwenden.
In diesem Blogpost liegt der Schwerpunkt auf den unten aufgeführten Bereichen:
Zusammenfassend erstellen wir in der MCP Toolbox for Databases eine Konfiguration, die eine Verbindung zu unserem BigQuery-Dataset herstellen kann. Anschließend entwickeln wir mit dem Agent Development Kit (ADK) einen Agenten, der in den MCP Toolbox-Endpunkt eingebunden wird und es uns ermöglicht, natürliche Abfragen zu unserem Datenpool zu senden. Stellen Sie sich eine von Ihnen entwickelte Agentenanwendung vor, die mit Ihrem BigQuery-Dataset kommunizieren und einige Abfragen ausführen kann.
5. BigQuery-Dataset für die Google Cloud-Versionshinweise
Das Google Cloud Public Dataset-Programm stellt eine Reihe von Datasets für Ihre Anwendungen zur Verfügung. Ein solcher Datensatz ist die Datenbank mit den Google Cloud-Releasenotes. Dieses Dataset enthält dieselben Informationen wie die offizielle Seite mit den Google Cloud-Versionshinweisen und ist als öffentlich abrufbares Dataset verfügbar.
Als Test validiere ich den Datensatz einfach, indem ich die folgende einfache Abfrage ausführe:
SELECT
product_name,description,published_at
FROM
`bigquery-public-data`.`google_cloud_release_notes`.`release_notes`
WHERE
DATE(published_at) >= DATE_SUB(CURRENT_DATE(), INTERVAL 7 DAY)
GROUP BY product_name,description,published_at
ORDER BY published_at DESC
Dadurch erhalte ich eine Liste der Datensätze aus dem Datensatz „Release Notes“, die in den letzten sieben Tagen veröffentlicht wurden.
Ersetzen Sie diesen durch einen beliebigen anderen Datensatz und die gewünschten Abfragen und Parameter. Jetzt müssen wir das Tool nur noch als Datenquelle in der MCP-Toolbox für Datenbanken einrichten. Sehen wir uns an, wie das geht.
6. MCP Toolbox for Databases installieren
Öffnen Sie ein Terminal auf Ihrem lokalen Computer und erstellen Sie einen Ordner mit dem Namen mcp-toolbox.
mkdir mcp-toolbox
Rufen Sie den Ordner mcp-toolbox mit dem folgenden Befehl auf:
cd mcp-toolbox
Installieren Sie die Binärversion der MCP-Toolbox für Datenbanken über das unten angegebene Script. Der unten angegebene Befehl ist für Linux. Wenn Sie Mac oder Windows verwenden, achten Sie darauf, die richtige Binärdatei herunterzuladen. Rufen Sie die Release-Seite für Ihr Betriebssystem und Ihre Architektur auf und laden Sie die richtige Binärdatei herunter.
export VERSION=0.7.0
curl -O https://storage.googleapis.com/genai-toolbox/v$VERSION/linux/amd64/toolbox
chmod +x toolbox
Wir haben jetzt die Binärversion der Toolbox zur Verfügung. Im nächsten Schritt konfigurieren wir die Toolbox mit unseren Datenquellen und anderen Konfigurationen.
7. MCP-Toolbox für Datenbanken konfigurieren
Jetzt müssen wir unser BigQuery-Dataset und die Tools in der Datei tools.yaml definieren, die von der MCP-Toolbox für die Datenbank benötigt wird. Die Datei tools.yaml ist die Hauptmethode zur Konfiguration von Toolbox.
Erstellen Sie im selben Ordner (mcp-toolbox) eine Datei mit dem Namen tools.yaml mit dem folgenden Inhalt.
Sie können den Nano-Editor verwenden, der in Cloud Shell verfügbar ist. Der nano-Befehl lautet: nano tools.yaml.
Ersetzen Sie den Wert YOUR_PROJECT_ID durch Ihre Google Cloud-Projekt-ID.
sources:
my-bq-source:
kind: bigquery
project: YOUR_PROJECT_ID
tools:
search_release_notes_bq:
kind: bigquery-sql
source: my-bq-source
statement: |
SELECT
product_name,description,published_at
FROM
`bigquery-public-data`.`google_cloud_release_notes`.`release_notes`
WHERE
DATE(published_at) >= DATE_SUB(CURRENT_DATE(), INTERVAL 7 DAY)
GROUP BY product_name,description,published_at
ORDER BY published_at DESC
description: |
Use this tool to get information on Google Cloud Release Notes.
toolsets:
my_bq_toolset:
- search_release_notes_bq
Hier eine kurze Zusammenfassung der Datei:
- Quellen repräsentieren die verschiedenen Datenquellen, mit denen ein Tool interagieren kann. Eine Quelle ist eine Datenquelle, mit der ein Tool interagieren kann. Sie können Quellen im Abschnitt „sources“ der Datei „tools.yaml“ als Map definieren. Normalerweise enthält eine Quellkonfiguration alle Informationen, die für die Verbindung mit der Datenbank und die Interaktion mit ihr erforderlich sind. In unserem Fall haben wir eine BigQuery-Quelle
my-bq-sourcedefiniert und Sie müssen Ihre Google Cloud-Projekt-ID angeben. Weitere Informationen finden Sie in der Referenz Quellen. - Mit Tools werden Aktionen definiert, die ein Kundenservicemitarbeiter ausführen kann, z. B. das Lesen und Schreiben in einer Quelle. Ein Tool steht für eine Aktion, die ein Kundenservicemitarbeiter ausführen kann, z. B. das Ausführen einer SQL-Anweisung. Sie können Tools im Abschnitt „tools“ der Datei „tools.yaml“ als Map definieren. Normalerweise benötigt ein Tool eine Quelle, auf die es reagieren soll. In unserem Fall definieren wir ein einzelnes Tool
search_release_notes_bq. Dies bezieht sich auf die BigQuery-Quellemy-bq-source, die wir im ersten Schritt definiert haben. Außerdem enthält sie die Anweisung, die von den KI-Agent-Clients verwendet wird. Weitere Informationen finden Sie in der Referenz zu Tools. - Schließlich gibt es das Toolset, mit dem Sie Gruppen von Tools definieren können, die Sie gemeinsam laden möchten. Das kann nützlich sein, um verschiedene Gruppen basierend auf Kundenservicemitarbeiter oder Anwendung zu definieren. In unserem Fall haben wir eine Toolsatzdefinition, in der wir derzeit nur ein vorhandenes Tool
search_release_notes_bqdefiniert haben. Sie können mehrere Tool-Sets mit einer Kombination verschiedener Tools haben.
Derzeit haben wir nur ein Tool definiert, das die Release Notes für die letzten 7 Tage entsprechend der Abfrage abrufen kann. Es sind aber auch verschiedene Kombinationen mit Parametern möglich.
Weitere Konfigurationsdetails ( Quelle, Tools) finden Sie in der BigQuery-Datenquellenkonfiguration in der MCP-Toolbox für Datenbanken.
8. MCP-Toolbox für Datenbanken testen
Wir haben die Toolbox mit der Datei tools.yaml im Ordner mcp-toolbox heruntergeladen und konfiguriert. Führen wir ihn zuerst lokal aus.
Führen Sie folgenden Befehl aus:
./toolbox --tools-file="tools.yaml"
Bei erfolgreicher Ausführung sollte der Server gestartet werden und eine Beispielausgabe ähnlich der unten stehenden angezeigt werden:
2025-06-17T07:48:52.989710733Z INFO "Initialized 1 sources."
2025-06-17T07:48:52.989805642Z INFO "Initialized 0 authServices."
2025-06-17T07:48:52.989847035Z INFO "Initialized 1 tools."
2025-06-17T07:48:52.989889742Z INFO "Initialized 2 toolsets."
2025-06-17T07:48:52.990357879Z INFO "Server ready to serve!"
Der MCP-Toolbox-Server wird standardmäßig auf Port 5000 ausgeführt. Wenn Port 5000 bereits belegt ist, können Sie wie unten gezeigt einen anderen Port (z. B. 7000) verwenden. Verwenden Sie dann in den nachfolgenden Befehlen 7000 anstelle des 5000-Ports.
./toolbox --tools-file "tools.yaml" --port 7000
Testen wir das mit Cloud Shell.
Klicken Sie in Cloud Shell auf „Webvorschau“ (siehe Abbildung unten).
Klicken Sie auf Port ändern, legen Sie den Port wie unten gezeigt auf 5000 fest und klicken Sie auf „Ändern und Vorschau“.
Dies sollte die folgende Ausgabe liefern:
Fügen Sie in der Browser-URL am Ende Folgendes hinzu:
/api/toolset
Daraufhin sollten die aktuell konfigurierten Tools angezeigt werden. Eine Beispielausgabe ist unten zu sehen:
{
"serverVersion": "0.7.0+binary.linux.amd64.714d990c34ee990e268fac1aa6b89c4883ae5023",
"tools": {
"search_release_notes_bq": {
"description": "Use this tool to get information on Google Cloud Release Notes.\n",
"parameters": [],
"authRequired": []
}
}
}
Im MCP-Toolkit für Datenbanken wird eine Python-Methode zum Validieren und Testen der Tools beschrieben, die hier dokumentiert ist. Wir überspringen das und gehen im nächsten Abschnitt direkt zum Agent Development Kit (ADK) über, in dem diese Tools verwendet werden.
9. Agent mit dem Agent Development Kit (ADK) erstellen
Agent Development Kit (ADK) installieren
Öffnen Sie in Cloud Shell einen neuen Terminaltab und erstellen Sie so einen Ordner mit dem Namen my-agents: Rufen Sie auch den Ordner my-agents auf.
mkdir my-agents
cd my-agents
Erstellen wir nun eine virtuelle Python-Umgebung mit venv:
python -m venv .venv
Aktivieren Sie die virtuelle Umgebung so:
source .venv/bin/activate
Installieren Sie das ADK und die MCP Toolbox for Databases-Pakete zusammen mit der LangChain-Abhängigkeit so:
pip install google-adk toolbox-core
Sie können das Dienstprogramm adk jetzt so aufrufen:
adk
Daraufhin wird eine Liste mit Befehlen angezeigt.
$ adk
Usage: adk [OPTIONS] COMMAND [ARGS]...
Agent Development Kit CLI tools.
Options:
--help Show this message and exit.
Commands:
api_server Starts a FastAPI server for agents.
create Creates a new app in the current folder with prepopulated agent template.
deploy Deploys agent to hosted environments.
eval Evaluates an agent given the eval sets.
run Runs an interactive CLI for a certain agent.
web Starts a FastAPI server with Web UI for agents.
Erste Agentanwendung erstellen
Wir verwenden jetzt adk, um mit dem Befehl adk create ein Scaffolding für die Google Cloud-Release Notes-Kundenserviceanwendung mit dem App-Namen **(gcp-releasenotes-agent-app)**zu erstellen, wie unten angegeben.
adk create gcp-releasenotes-agent-app
Folgen Sie der Anleitung und wählen Sie Folgendes aus:
- Gemini-Modell für die Auswahl eines Modells für den Root-Agenten.
- Wählen Sie für das Backend Vertex AI aus.
- Ihre Standard-Google-Projekt-ID und -Region werden angezeigt. Wählen Sie die Standardeinstellung selbst aus.
Choose a model for the root agent:
1. gemini-2.0-flash-001
2. Other models (fill later)
Choose model (1, 2): 1
1. Google AI
2. Vertex AI
Choose a backend (1, 2): 2
You need an existing Google Cloud account and project, check out this link for details:
https://google.github.io/adk-docs/get-started/quickstart/#gemini---google-cloud-vertex-ai
Enter Google Cloud project ID [YOUR_GOOGLE_PROJECT_ID]:
Enter Google Cloud region [us-central1]:
Agent created in ../my-agents/gcp-releasenotes-agent-app:
- .env
- __init__.py
- agent.py
Sehen Sie sich den Ordner an, in dem eine Standardvorlage und die erforderlichen Dateien für den Agenten erstellt wurden.
Als Erstes geht es um die Datei .env. Der Inhalt ist unten aufgeführt:
GOOGLE_GENAI_USE_VERTEXAI=1
GOOGLE_CLOUD_PROJECT=YOUR_GOOGLE_PROJECT_ID
GOOGLE_CLOUD_LOCATION=YOUR_GOOGLE_PROJECT_REGION
Die Werte geben an, dass wir Gemini über Vertex AI verwenden, zusammen mit den entsprechenden Werten für die Google Cloud-Projekt-ID und den Speicherort.
Dann gibt es die Datei __init__.py, die den Ordner als Modul kennzeichnet und eine einzelne Anweisung enthält, mit der der Agent aus der Datei agent.py importiert wird.
from . import agent
Sehen wir uns abschließend die Datei agent.py an. Der Inhalt ist unten zu sehen:
from google.adk.agents import Agent
root_agent = Agent(
model='gemini-2.0-flash-001',
name='root_agent',
description='A helpful assistant for user questions.',
instruction='Answer user questions to the best of your knowledge',
)
Dies ist der einfachste Agent, den Sie mit ADK schreiben können. Laut der Seite zur ADK-Dokumentation ist ein Agent eine eigenständige Ausführungseinheit, die autonom handeln kann, um bestimmte Ziele zu erreichen. Agenten können Aufgaben ausführen, mit Nutzern interagieren, externe Tools verwenden und sich mit anderen Agenten abstimmen.
Ein LLMAgent, der häufig als „Agent“ bezeichnet wird, nutzt Large Language Models (LLMs) als Kern-Engine, um natürliche Sprache zu verstehen, zu argumentieren, zu planen, Antworten zu generieren und dynamisch zu entscheiden, wie er vorgehen oder welche Tools er verwenden soll. Das macht ihn ideal für flexible, sprachorientierte Aufgaben. Weitere Informationen zu LLM-Agenten
Damit ist das Gerüst für die Generierung eines einfachen Agents mit dem Agent Development Kit (ADK) fertig. Wir stellen jetzt eine Verbindung zwischen dem Kundenservicemitarbeiter und der MCP-Toolbox her, damit er mithilfe dieses Tools Fragen von Nutzern beantworten kann. In diesem Fall sind das die Google Cloud-Releasenotes.
10. Kundenservicemitarbeiter mit Tools verbinden
Wir verbinden diesen Kundenservicemitarbeiter jetzt mit den Tools. Im Kontext von ADK stellt ein Tool eine bestimmte Funktion dar, die einem KI-Agenten zur Verfügung gestellt wird, damit er über seine Kernfunktionen zur Textgenerierung und -begründung hinaus Aktionen ausführen und mit der Welt interagieren kann.
In unserem Fall statten wir unseren Kundenservicemitarbeiter jetzt mit den Tools aus, die wir in der MCP Toolbox for Databases konfiguriert haben.
Ändern Sie die Datei agent.py mit dem folgenden Code. Im Code wird der Standardport 5000 verwendet. Wenn Sie eine andere Portnummer verwenden, verwenden Sie diese bitte.
from google.adk.agents import Agent
from toolbox_core import ToolboxSyncClient
toolbox = ToolboxSyncClient("http://127.0.0.1:5000")
# Load all the tools
tools = toolbox.load_toolset('my_bq_toolset')
root_agent = Agent(
name="gcp_releasenotes_agent",
model="gemini-2.0-flash",
description=(
"Agent to answer questions about Google Cloud Release notes."
),
instruction=(
"You are a helpful agent who can answer user questions about the Google Cloud Release notes. Use the tools to answer the question"
),
tools=tools,
)
Wir können jetzt den Agenten testen, der echte Daten aus unserem BigQuery-Dataset abrufen wird, das mit der MCP Toolbox for Databases konfiguriert wurde.
Gehen Sie dazu so vor:
Starten Sie in einem Cloud Shell-Terminal die MCP-Toolbox für Datenbanken. Möglicherweise läuft er bereits lokal auf Port 5000, wie wir es zuvor getestet haben. Falls nicht, führen Sie den folgenden Befehl aus dem Ordner mcp-toolbox aus, um den Server zu starten:
./toolbox --tools_file "tools.yaml"
Idealerweise sollte eine Ausgabe angezeigt werden, dass der Server eine Verbindung zu unseren Datenquellen herstellen und das Toolset und die Tools laden konnte. Hier ein Beispiel für eine Ausgabe:
./toolbox --tools-file "tools.yaml"
2025-06-17T07:48:52.989710733Z INFO "Initialized 1 sources."
2025-06-17T07:48:52.989805642Z INFO "Initialized 0 authServices."
2025-06-17T07:48:52.989847035Z INFO "Initialized 1 tools."
2025-06-17T07:48:52.989889742Z INFO "Initialized 2 toolsets."
2025-06-17T07:48:52.990357879Z INFO "Server ready to serve!"
Nachdem der MCP-Server gestartet wurde, starten Sie den Agenten in einem anderen Terminal über den Befehl adk run (aus dem Ordner my-agents), der unten angezeigt wird. Sie können auch den Befehl adk web verwenden.
$ adk run gcp-releasenotes-agent-app/
Log setup complete: /tmp/agents_log/agent.20250423_170001.log
To access latest log: tail -F /tmp/agents_log/agent.latest.log
Running agent gcp_releasenotes_agent, type exit to exit.
[user]: get me the google cloud release notes
[gcp_releasenotes_agent]: Here are the Google Cloud Release Notes.
Google SecOps SOAR: Release 6.3.49 is being rolled out to the first phase of regions. This release contains internal and customer bug fixes. Published: 2025-06-14
Compute Engine: Dynamic NICs let you add or remove network interfaces to or from an instance without having to restart or recreate the instance. You can also use Dynamic NICs when you need more network interfaces. The maximum number of vNICs for most machine types in Google Cloud is 10; however, you can configure up to 16 total interfaces by using Dynamic NICs. Published: 2025-06-13
Compute Engine: General purpose C4D machine types, powered by the fifth generation AMD EPYC processors (Turin) and Google Titanium, are generally available. Published: 2025-06-13
Google Agentspace: Google Agentspace Enterprise: App-level feature management. As an Agentspace administrator, you can choose to turn the following features on or off for your end users in the web app: Agents gallery, Prompt gallery, No-code agent, NotebookLM Enterprise. Published: 2025-06-13
Cloud Load Balancing: Cloud Load Balancing supports load balancing to multi-NIC instances that use Dynamic NICs. This capability is in Preview. Published: 2025-06-13
Virtual Private Cloud: Dynamic Network Interfaces (NICs) are available in Preview. Dynamic NICs let you update an instance to add or remove network interfaces without having to restart or recreate the instance. Published: 2025-06-13
Security Command Center: The following Event Threat Detection detectors for Vertex AI have been released to Preview:
- `Persistence: New Geography for AI Service`
- `Privilege Escalation: Anomalous Multistep Service Account Delegation for AI Admin Activity`
- `Privilege Escalation: Anomalous Multistep Service Account Delegation for AI Data Access`
- `Privilege Escalation: Anomalous Service Account Impersonator for AI Admin Activity`
- `Privilege Escalation: Anomalous Service Account Impersonator for AI Data Access`
- `Privilege Escalation: Anomalous Impersonation of Service Account for AI Admin Activity`
- `Persistence: New AI API Method`
......
......
Beachten Sie, dass der Agent das Tool verwendet, das wir in der MCP Toolbox for Databases (search_release_notes_bq) konfiguriert haben. Er ruft die Daten aus dem BigQuery-Dataset ab und formatiert die Antwort entsprechend.
11. Glückwunsch
Sie haben die MCP Toolbox für Datenbanken und ein BigQuery-Dataset für den Zugriff in MCP-Clients konfiguriert.