Google verwendet KI-Technologie, um Inhalte in Ihre bevorzugte Sprache zu übersetzen. KI-Übersetzungen können Fehler enthalten.

MCP-Toolbox für Datenbanken: Bereitstellung von BigQuery-Datasets für MCP-Kunden

1. Einführung

In diesem Codelab verwenden Sie die MCP Toolbox for Databases, um Ihre BigQuery-Datasets verfügbar zu machen.

In diesem Codelab gehen Sie schrittweise so vor:

Identifizieren Sie ein bestimmtes BigQuery-Dataset („Google Cloud Release Notes“) aus dem Programm für öffentliche BigQuery-Datasets.
Richten Sie die MCP Toolbox for Databases ein, die eine Verbindung zum BigQuery-Dataset herstellt.
Einen Agenten mit dem Agent Development Kit (ADK) entwickeln, der die MCP Toolbox verwendet, um Anfragen des Nutzers zu Google Cloud-Versionshinweisen zu beantworten

Aufgaben

Richten Sie die MCP Toolbox for Databases ein, um Google Cloud-Versionshinweise, ein öffentliches BigQuery-Dataset, als MCP-Schnittstelle für andere MCP-Clients (IDEs, Tools usw.) verfügbar zu machen.

Lerninhalte

Öffentliche BigQuery-Datasets ansehen und ein bestimmtes Dataset auswählen
Richten Sie die MCP Toolbox for Databases für das öffentliche BigQuery-Dataset ein, das wir für MCP-Clients verfügbar machen möchten.
Mit dem Agent Development Kit (ADK) einen Agenten entwerfen und entwickeln, der Nutzeranfragen beantwortet
Agent und MCP Toolbox for Databases in der lokalen Umgebung testen

Voraussetzungen

Chrome-Webbrowser
Eine lokale Python-Entwicklungsumgebung.

2. Hinweis

Projekt erstellen

Wählen Sie in der Google Cloud Console auf der Seite zur 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 in der bq bereits vorinstalliert ist. Klicken Sie oben in der Google Cloud Console auf „Cloud Shell aktivieren“.

Bild des Buttons „Cloud Shell aktivieren“

Sobald die Verbindung mit der Cloud Shell hergestellt ist, können Sie mit dem folgenden Befehl prüfen, ob Sie bereits authentifiziert sind und für das Projekt schon Ihre Projekt-ID eingestellt 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>

Aktivieren Sie die erforderlichen APIs über den unten gezeigten Befehl. Das kann einige Minuten dauern.

gcloud services enable cloudresourcemanager.googleapis.com \
                       servicenetworking.googleapis.com \
                       run.googleapis.com \
                       cloudbuild.googleapis.com \
                       cloudfunctions.googleapis.com \
                       aiplatform.googleapis.com \
                       sqladmin.googleapis.com \
                       compute.googleapis.com

Bei erfolgreicher Ausführung des Befehls sollte eine Meldung wie die folgende angezeigt werden:

Operation "operations/..." finished successfully.

Alternativ zum gcloud-Befehl können Sie in der Console nach den einzelnen Produkten suchen oder diesen Link verwenden.

Wenn eine API fehlt, können Sie sie jederzeit während der Implementierung aktivieren.

Informationen zu gcloud-Befehlen und deren Verwendung finden Sie in der Dokumentation.

3. Datensatz mit Versionshinweisen von Google und MCP-Clients

Sehen wir uns zuerst die Google Cloud-Versionshinweise an, die regelmäßig auf der offiziellen Google Cloud-Seite mit Versionshinweisen aktualisiert werden. Ein Screenshot davon ist unten zu sehen:

Sie können die Feed-URL abonnieren, aber was wäre, wenn wir einfach im Agent-Chat nach diesen Versionshinweisen fragen könnten? Vielleicht eine einfache Anfrage wie „Informiere mich über die Google Cloud-Versionshinweise“.

4. MCP Toolbox for Databases

Die MCP Toolbox for Databases ist ein Open-Source-MCP-Server für Datenbanken, der für Unternehmen und die Produktion entwickelt wurde. Damit können Sie Tools einfacher, schneller und sicherer entwickeln, da Komplexitäten wie Connection Pooling und Authentifizierung abgedeckt werden.

Mit der Toolbox können Sie GenAI-Tools erstellen, mit denen Ihre Agenten auf Daten in Ihrer Datenbank zugreifen können. Die Toolbox bietet:

Vereinfachte Entwicklung: Sie können Tools mit weniger als 10 Zeilen Code in Ihren Agenten einbinden, Tools für mehrere Agenten oder Frameworks wiederverwenden und neue Versionen von Tools einfacher bereitstellen.
Bessere Leistung: Best Practices wie Verbindungs-Pooling und Authentifizierung.
Verbesserte Sicherheit: Integrierte Authentifizierung für einen sichereren Zugriff auf Ihre Daten
End-to-End-Beobachtbarkeit: Sofort einsatzbereite Messwerte und Tracing mit integrierter Unterstützung für OpenTelemetry.
Mit der Toolbox können Sie Datenbanken ganz einfach mit allen MCP-fähigen KI-Assistenten verbinden, auch mit denen in Ihrer IDE.

Toolbox befindet sich zwischen dem Orchestrierungs-Framework Ihrer Anwendung und Ihrer Datenbank und bietet eine Steuerungsebene, mit der Tools geändert, verteilt oder aufgerufen werden können. Es vereinfacht die Verwaltung Ihrer Tools, da Sie Tools zentral speichern und aktualisieren können. So können Sie Tools für mehrere Agents und Anwendungen freigeben und aktualisieren, ohne Ihre Anwendung neu bereitstellen zu müssen.

Einfach gesagt:

Die MCP Toolbox ist als Binärdatei, Container-Image oder Quellcode verfügbar.
Es stellt eine Reihe von Tools zur Verfügung, die Sie über eine tools.yaml-Datei konfigurieren. Die Tools können als Verbindung zu Ihren Datenquellen betrachtet werden. Sie sehen die verschiedenen Datenquellen, die unterstützt werden : AlloyDB, BigQuery usw.
Da diese Toolbox jetzt MCP unterstützt, haben Sie automatisch einen MCP-Serverendpunkt, der von den KI-Agenten (IDEs) genutzt werden kann. Sie können ihn aber auch verwenden, wenn Sie Ihre Agentenanwendungen mit verschiedenen Frameworks wie dem Agent Development Kit (ADK) entwickeln.

In diesem Blogpost konzentrieren wir uns auf die unten hervorgehobenen Bereiche:

Zusammenfassend lässt sich sagen, dass wir eine Konfiguration in der MCP Toolbox for Databases erstellen, die weiß, wie eine Verbindung zu unserem BigQuery-Dataset hergestellt wird. Anschließend entwickeln wir einen Agenten mit dem Agent Development Kit (ADK), der in den MCP Toolbox-Endpunkt eingebunden wird und es uns ermöglicht, natürliche Anfragen zu unserem Dataset zu senden. Stellen Sie sich das als eine Agent-Anwendung vor, die Sie entwickeln und die weiß, wie sie mit Ihrem BigQuery-Dataset kommuniziert und einige Abfragen ausführt.

5. BigQuery-Dataset für Google Cloud-Versionshinweise

Das Google Cloud Public Dataset-Programm bietet eine Reihe von Datasets für Ihre Anwendungen. Ein solches Dataset ist die Datenbank mit den Google Cloud-Versionshinweisen. Dieses Dataset enthält dieselben Informationen wie die offizielle Google Cloud-Webseite mit Versionshinweisen und ist als öffentlich abfragbares Dataset verfügbar.

Als Test validiere ich das Dataset 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

So erhalte ich eine Liste der Datensätze aus dem Dataset „Versionshinweise“, die in den letzten 7 Tagen veröffentlicht wurden.

Sie können dieses Dataset durch ein beliebiges anderes Dataset Ihrer Wahl ersetzen und die entsprechenden Abfragen und Parameter verwenden. Jetzt müssen wir das nur noch als Datenquelle und Tool in der MCP Toolbox for Databases einrichten. Sehen wir uns an, wie das funktioniert.

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

Wechseln Sie mit dem unten gezeigten Befehl zum Ordner mcp-toolbox:

cd mcp-toolbox

Installieren Sie die Binärversion der MCP Toolbox for Databases über das unten angegebene Skript. Der unten angegebene Befehl ist für Linux. Wenn Sie Mac oder Windows verwenden, müssen Sie die richtige Binärdatei herunterladen. Laden Sie die richtige Binärdatei von der Seite mit den Releases für Ihr Betriebssystem und Ihre Architektur herunter.

export VERSION=1.13.1
curl -L -o toolbox https://storage.googleapis.com/mcp-toolbox-for-databases/v$VERSION/linux/amd64/toolbox
chmod +x toolbox

Wir haben jetzt die binäre Version der Toolbox. Im nächsten Schritt konfigurieren Sie die Toolbox mit Ihren Datenquellen und anderen Einstellungen.

7. MCP Toolbox for Databases konfigurieren

Als Nächstes müssen wir unser BigQuery-Dataset und unsere Tools in der Datei tools.yaml definieren, die für die MCP Toolbox for Databases erforderlich ist. Die Datei tools.yaml ist die primäre Methode zum Konfigurieren der Toolbox.

Erstellen Sie im selben Ordner, also mcp-toolbox, eine Datei mit dem Namen tools.yaml. Der Inhalt ist unten zu sehen.

Sie können den in Cloud Shell verfügbaren Nano-Editor verwenden. Der Nano-Befehl lautet: nano tools.yaml.

Denken Sie daran, den Wert YOUR_PROJECT_ID durch Ihre Google Cloud-Projekt-ID zu ersetzen.

kind: source
name: my-bq-source
type: bigquery
project: YOUR_PROJECT_ID
---
kind: tool
name: search_release_notes_bq
type: bigquery-sql
source: my-bq-source
description: Use this tool to get information on Google Cloud Release Notes.
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;
---
kind: toolset
name: my_bq_toolset
tools:
  - search_release_notes_bq

Kurze Beschreibung der Datei:

Quellen stellen die verschiedenen Datenquellen dar, mit denen ein Tool interagieren kann. Eine Quelle ist eine Datenquelle, mit der ein Tool interagieren kann. Sie können Quellen als Map im Abschnitt „sources“ Ihrer Datei „tools.yaml“ definieren. Normalerweise enthält eine Quellkonfiguration alle Informationen, die für die Verbindung mit und die Interaktion mit der Datenbank erforderlich sind. In unserem Fall haben wir eine BigQuery-Quelle my-bq-source definiert. Sie müssen Ihre Google Cloud-Projekt-ID angeben. Weitere Informationen finden Sie in der Referenz zu Quellen.
Tools definieren Aktionen, die ein Agent ausführen kann, z. B. das Lesen und Schreiben in eine Quelle. Ein Tool stellt eine Aktion dar, die Ihr Agent ausführen kann, z. B. eine SQL-Anweisung. Sie können Tools als Map im Abschnitt „tools“ Ihrer Datei „tools.yaml“ definieren. Normalerweise ist für ein Tool eine Quelle erforderlich, auf die es sich beziehen kann. In unserem Fall definieren wir ein einzelnes Tool search_release_notes_bq. Damit wird auf die BigQuery-Quelle my-bq-source verwiesen, die wir im ersten Schritt definiert haben. Außerdem enthält sie die Aussage und die Anweisung, die von den KI‑Agent-Clients verwendet werden. Weitere Informationen finden Sie in der Referenz zu Tools.
Schließlich gibt es noch das Toolset, mit dem Sie Gruppen von Tools definieren können, die Sie zusammen laden möchten. Das kann nützlich sein, um verschiedene Gruppen basierend auf dem Agent oder der Anwendung zu definieren. In unserem Fall haben wir eine Toolset-Definition, in der derzeit nur ein vorhandenes Tool search_release_notes_bq definiert ist. Sie können mehrere Toolsets mit einer Kombination aus verschiedenen Tools haben.

Derzeit haben wir also nur ein Tool definiert, das die Versionshinweise für die letzten 7 Tage gemäß der Anfrage abruft. Sie können aber auch verschiedene Kombinationen mit Parametern verwenden.

Weitere Konfigurationsdetails finden Sie in der BigQuery-Datenquellenkonfiguration in der MCP Toolbox for Databases.

8. MCP Toolbox for Databases 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 --config "tools.yaml"

Bei erfolgreicher Ausführung sollte ein Serverstart mit einer Beispielausgabe wie unten angezeigt werden:

2026-09-26T12:58:14.590825+05:30 INFO "Starting MCP Toolbox for Databases version 1.13.1+binary.darwin.arm64.e14cda6" 
2026-09-26T12:58:14.59319+05:30 INFO "Initialized 1 sources: my-bq-source" 
2026-09-26T12:58:14.593198+05:30 INFO "Initialized 0 authServices: " 
2026-09-26T12:58:14.593201+05:30 INFO "Initialized 0 embeddingModels: " 
2026-09-26T12:58:14.59323+05:30 INFO "Initialized 1 tools: search_release_notes_bq" 
2026-09-26T12:58:14.593235+05:30 INFO "Initialized 0 prompts: " 
2026-09-26T12:58:14.593236+05:30 INFO "Initialized 0 resources: " 
2026-09-26T12:58:14.593238+05:30 INFO "Initialized 0 resource templates: " 
2026-09-26T12:58:14.593244+05:30 INFO "Initialized 2 groups: my_bq_toolset, default" 
2026-09-26T12:58:14.593259+05:30 WARN "wildcard (*) allows any website to access the primitives. This creates a security risk regardless of whether you are in a production or local development environment. Recommended to use --allowed-origins with specific local addresses." 
2026-09-26T12:58:14.593266+05:30 WARN "wildcard (*) hosts allow any domain to access this resource, making it vulnerable to DNS rebinding attacks regardless of whether you are in a production or local development environment. For improved security, use the --allowed-hosts flag to specify trusted domains." 
2026-09-26T12:58:14.593365+05:30 INFO "Server ready to serve!"

Der MCP Toolbox-Server wird standardmäßig auf Port 5000 ausgeführt. Wenn Sie feststellen, dass Port 5000 bereits verwendet wird, können Sie einen anderen Port (z. B. 7000) verwenden, wie im folgenden Befehl gezeigt. Verwenden Sie in den nachfolgenden Befehlen stattdessen 7000 anstelle des 5000-Ports.

./toolbox --config "tools.yaml" --port 7000

Wir verwenden Cloud Shell, um das zu testen.

Klicken Sie in Cloud Shell auf „Webvorschau“ (siehe unten):

Klicken Sie auf Port ändern, legen Sie den Port auf 5000 fest (siehe unten) und klicken Sie auf „Ändern und Vorschau“.

Dies sollte die folgende Ausgabe zur Folge haben:

Tools über die Benutzeroberfläche der MCP Toolbox for Databases testen

Die Toolbox bietet eine visuelle Oberfläche (Toolbox-UI), über die Sie direkt mit Tools interagieren können. Dazu lassen sich Parameter ändern, Header verwalten und Aufrufe ausführen – alles über eine einfache Weboberfläche.

Wenn Sie das ausprobieren möchten, können Sie den vorherigen Befehl, mit dem wir den Toolbox-Server gestartet haben, mit der Option --ui ausführen.

Schließen Sie dazu die vorherige Instanz des MCP Toolbox for Databases-Servers, die Sie möglicherweise ausführen, und geben Sie den folgenden Befehl ein:

./toolbox --tools-file "tools.yaml" --ui

Im Idealfall wird eine Ausgabe angezeigt, die besagt, dass der Server eine Verbindung zu unseren Datenquellen herstellen und das Toolset und die Tools laden konnte. Unten sehen Sie ein Beispiel für die Ausgabe. Dort wird erwähnt, dass die Toolbox-UI ausgeführt wird.

Flag --tools-file has been deprecated, please use --config instead
2026-09-26T12:59:21.662102+05:30 INFO "Starting MCP Toolbox for Databases version 1.13.1+binary.darwin.arm64.e14cda6" 
2026-09-26T12:59:21.663076+05:30 INFO "Initialized 1 sources: my-bq-source" 
2026-09-26T12:59:21.663084+05:30 INFO "Initialized 0 authServices: " 
2026-09-26T12:59:21.663087+05:30 INFO "Initialized 0 embeddingModels: " 
2026-09-26T12:59:21.663101+05:30 INFO "Initialized 1 tools: search_release_notes_bq" 
2026-09-26T12:59:21.663104+05:30 INFO "Initialized 0 prompts: " 
2026-09-26T12:59:21.663107+05:30 INFO "Initialized 0 resources: " 
2026-09-26T12:59:21.663109+05:30 INFO "Initialized 0 resource templates: " 
2026-09-26T12:59:21.663116+05:30 INFO "Initialized 2 groups: default, my_bq_toolset" 
2026-09-26T12:59:21.663124+05:30 WARN "wildcard (*) allows any website to access the primitives. This creates a security risk regardless of whether you are in a production or local development environment. Recommended to use --allowed-origins with specific local addresses." 
2026-09-26T12:59:21.663132+05:30 WARN "wildcard (*) hosts allow any domain to access this resource, making it vulnerable to DNS rebinding attacks regardless of whether you are in a production or local development environment. For improved security, use the --allowed-hosts flag to specify trusted domains." 
2026-09-26T12:59:21.663242+05:30 INFO "Server ready to serve!" 
2026-09-26T12:59:21.663249+05:30 INFO "Toolbox UI is up and running at: http://127.0.0.1:5000/ui"

Klicken Sie auf die UI-URL und prüfen Sie, ob am Ende der URL /ui steht. Daraufhin wird eine Benutzeroberfläche wie unten dargestellt angezeigt:

Klicken Sie links auf die Option „Tools“, um die konfigurierten Tools aufzurufen. In unserem Fall sollte es nur eines geben, nämlich search_release_notes_bq, wie unten dargestellt:

Klicken Sie einfach auf die Tools (search_release_notes_bq). Daraufhin sollte eine Seite angezeigt werden, auf der Sie das Tool testen können. Da keine Parameter angegeben werden müssen, können Sie einfach auf Tool ausführen klicken, um das Ergebnis zu sehen. Unten sehen Sie einen Beispielaufruf:

9. Agent mit dem Agent Development Kit (ADK) schreiben

Agent Development Kit (ADK) installieren

Öffnen Sie in Cloud Shell einen neuen Terminaltab und erstellen Sie 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 zusammen mit der Langchain-Abhängigkeit so:

pip install google-adk toolbox-core

Sie können das adk-Dienstprogramm jetzt so aufrufen:

adk

Eine Liste mit Befehlen wird angezeigt.

$ adk
Usage: adk [OPTIONS] COMMAND [ARGS]...
  Agent Development Kit CLI tools.
Options:
  --version  Show the version and exit.
  --help     Show this message and exit.
Commands:
  api_server   Starts a FastAPI server for agents.
  conformance  Conformance testing tools for ADK.
  create       Creates a new app in the current folder with prepopulated...
  deploy       Deploys agent to hosted environments.
  eval         Evaluates an agent given the eval sets.
  eval_set     Manage Eval Sets.
  migrate      ADK migration commands.
  optimize     Optimizes the root agent instructions using the GEPA...
  run          Runs an agent.
  telemetry    Manage telemetry settings.
  test         Runs pytest on agent test JSON files under the specified...
  web          Starts a FastAPI server with Web UI for agents.

Erste Agent-Anwendung erstellen

Wir verwenden jetzt adk, um ein Scaffolding für die Google Cloud Release Notes Agent-Anwendung über den Befehl adk create mit dem unten angegebenen App-Namen **(gcp_releasenotes_agent_app)**zu erstellen.

adk create gcp_releasenotes_agent_app

Folgen Sie der Anleitung und wählen Sie Folgendes aus:

Wählen Sie das gemini-3.8-flash-Modell aus, um ein Modell für den Root-Agenten auszuwählen.
Wählen Sie Vertex AI als Backend aus.
Ihre standardmäßige Google-Projekt-ID wird angezeigt. Wählen Sie diese Option aus.
Die aktuelle Region des Google Cloud-Projekts wird angezeigt. Achten Sie darauf, dass Sie global eingeben.

Choose a model for the root agent:
1. gemini-3.5-flash
2. gemini-3.8-flash
3. Other models (fill later)
Choose model (1, 2, 3): 2

1. Google AI
2. Vertex AI
3. Login with Google
Choose a backend (1, 2, 3): 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_PROJECT_ID]: 
Enter Google Cloud region [us-central1]: global
Agent created in /Users/romin/my-agents/gcp_releasenotes_agent_app:
- .env
- .gitignore
- __init__.py
- agent.py

Sehen Sie sich den Ordner an, in dem eine Standardvorlage und die erforderlichen Dateien für den Agent erstellt wurden.

Zuerst kommt die Datei .env. Der Inhalt ist unten zu sehen:

GOOGLE_GENAI_USE_ENTERPRISE=1
GOOGLE_CLOUD_PROJECT=YOUR_GOOGLE_PROJECT_ID
GOOGLE_CLOUD_LOCATION=YOUR_GOOGLE_PROJECT_REGION

Die Werte geben an, dass wir Gemini über Gemini Enterprise zusammen mit den entsprechenden Werten für die Google Cloud-Projekt-ID und den Standort verwenden.

Dann haben wir 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 zum Schluss noch die Datei agent.py an. Der Inhalt wird unten angezeigt:

from google.adk.agents.llm_agent import Agent
root_agent = Agent(
    model='gemini-3.8-flash',
    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 dem ADK schreiben können. Laut der ADK-Dokumentation ist ein Agent eine in sich geschlossene Ausführungseinheit, die autonom agieren soll, um bestimmte Ziele zu erreichen. Agenten können Aufgaben ausführen, mit Nutzern interagieren, externe Tools nutzen 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, Schlussfolgerungen zu ziehen, zu planen, Antworten zu generieren und dynamisch zu entscheiden, wie vorgegangen werden soll oder welche Tools verwendet werden sollen. Daher sind sie ideal für flexible, sprachorientierte Aufgaben. Weitere Informationen zu LLM-Agents

Damit ist das Scaffolding zum Generieren eines einfachen Agenten mit dem Agent Development Kit (ADK) fertig. Wir verbinden unseren Agenten jetzt mit der MCP Toolbox, damit er dieses Tool verwenden kann, um Anfragen des Nutzers zu beantworten (in diesem Fall die Google Cloud-Versionshinweise).

10. KI-Agent mit Tools verbinden

Wir verbinden diesen Agenten jetzt mit Tools. Im ADK-Kontext stellt ein Tool eine spezifische Funktion dar, die einem KI-Agenten zur Verfügung gestellt wird und durch die er über seine Kernfähigkeiten der Textgenerierung und des logischen Denkens hinaus Aktionen durchführen und mit der Welt interagieren kann.

In unserem Fall statten wir unseren Agenten 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 alternative Portnummer verwenden, müssen Sie diese angeben.

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-3.8-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 Agent testen, der echte Daten aus unserem BigQuery-Dataset abruft, das mit der MCP Toolbox for Databases konfiguriert wurde.

Gehen Sie dazu so vor:

Starten Sie die MCP Toolbox for Databases in einem Terminal von Cloud Shell. Möglicherweise wird sie bereits lokal auf Port 5000 ausgeführt, wie wir zuvor getestet haben. Wenn nicht, führen Sie den folgenden Befehl aus dem Ordner mcp-toolbox aus, um den Server zu starten:

./toolbox --config "tools.yaml"

Im Idealfall wird eine Ausgabe angezeigt, die besagt, dass der Server eine Verbindung zu unseren Datenquellen herstellen und das Toolset und die Tools laden konnte.

Sobald der MCP-Server erfolgreich gestartet wurde, starten Sie den Agenten in einem anderen Terminal mit dem unten gezeigten Befehl adk run (aus dem Ordner my-agents). Sie können auch den Befehl adk web verwenden.

$ adk run gcp_releasenotes_agent_app/
Running agent gcp_releasenotes_agent, type exit to exit.
[user]: Hello
[gcp_releasenotes_agent]: Hello! I am your Google Cloud Release Notes assistant. How can I help you today? Feel free to ask about recent updates, feature releases, deprecations, or announcements across Google Cloud products.
[user]: get me the google cloud release notes
[gcp_releasenotes_agent]: Here are the latest highlights from the Google Cloud Release Notes:
---

### **AI & Machine Learning**
* **Gemini Enterprise**: 
  * **Gemini 3.8 Flash** is now Generally Available (GA) and enabled by default in `global`, `us`, and `eu` regions.
* **Gemini Enterprise Agent Platform**: 
  * **Gemini 3.8 Live** is now GA, bringing improved voice quality, model reliability, and agent orchestration.
  * **Meta's Muse Spark 1.3** is in Preview (reasoning model with tool calling, MCP support, and 1M context window).
* **CX Agent Studio**: 
  * **Agent as a tool** is now GA.
  * Added **Composite models** for enterprise voice agents.
  * Introduced **Supervisor agents** to monitor active agent performance.
  * Added **Agent-to-agent (A2A) protocol tools** and integrations for WhatsApp, Instagram, and SecureCo.
* **Model Armor**: Prompt injection, jailbreak detection, and Responsible AI filters are now supported in Melbourne (`australia-southeast2`).
---

### **Compute & Infrastructure**
* **Compute Engine**: Standard snapshots deleted accidentally or maliciously are now retained in the **Recycle Bin for 3 days** before permanent erasure (Preview).
* **Confidential VM**: Support for **Intel TDX on `c4-standard-*`** machine types is now GA.
* **SAP on Google Cloud**: Certified the **X5 series** of memory-optimized bare metal machine types (Intel Granite Rapids CPU platform) for SAP HANA and SAP NetWeaver.
* **Cloud Workstations**: Cloud Workstations is now a covered product under the Google Cloud HIPAA BAA.
---

### **Containers & Networking**
* **Google Kubernetes Engine (GKE)**: **GKE ambient networking** is now in Preview (allowlist), providing a sidecarless, Layer 4 service mesh using Gateway API on GKE Dataplane V2.
* **Cloud Service Mesh**: Maintenance and security patch releases available for in-cluster versions `1.30.4-asm.14`, `1.29.7-asm.18`, and `1.28.10-asm.40`.
---

### **Data Analytics & Databases**
* **BigQuery**: In BigQuery Studio, the query editor results table now freezes row numbers on the left during horizontal scrolling (GA).
* **Memorystore for Valkey**: Valkey version 9.1 is now GA.
* **Looker**: Deployment of version 26.16; includes a long-polling concurrency guard, tile-level filter controls (Preview), and an OAuth authorization warning dialog.
* **Data Studio / Looker Studio**: 
  * Added private IP connectivity for Cloud SQL PostgreSQL databases.
..
..
..

Der Agent verwendet das Tool, das wir in der MCP Toolbox for Databases konfiguriert haben (search_release_notes_bq), ruft die Daten aus dem BigQuery-Dataset ab und formatiert die Antwort entsprechend.

11. Glückwunsch

Sie haben die MCP Toolbox for Databases erfolgreich konfiguriert und ein BigQuery-Dataset für den Zugriff in MCP-Clients konfiguriert.