1. Pengantar
Dalam codelab ini, Anda akan menggunakan MCP Toolbox for Databases untuk menyediakan set data BigQuery Anda.
Selama mengikuti codelab, Anda akan menggunakan pendekatan langkah demi langkah sebagai berikut:
- Mengidentifikasi set data BigQuery tertentu ("Catatan Rilis Google Cloud") dari program set data BigQuery publik.
- Siapkan MCP Toolbox for Databases, yang terhubung ke set data BigQuery.
- Mengembangkan Agen menggunakan Agent Development Kit (ADK) yang akan menggunakan MCP Toolbox untuk menjawab kueri dari pengguna tentang Catatan rilis Google Cloud
Yang akan Anda lakukan
- Siapkan MCP Toolbox for Databases untuk mengekspos Catatan rilis Google Cloud, set data BigQuery publik, sebagai Antarmuka MCP ke Klien MCP lainnya (IDE, Alat, dll.).
Yang akan Anda pelajari
- Jelajahi set data publik BigQuery dan pilih set data tertentu.
- Siapkan MCP Toolbox for Databases untuk set data publik BigQuery yang ingin kita sediakan bagi klien MCP.
- Desain dan kembangkan Agen menggunakan Agent Development Kit (ADK) untuk menjawab kueri pengguna.
- Uji Agent dan MCP Toolbox for Databases di lingkungan lokal.
Yang Anda butuhkan
- Browser web Chrome.
- Lingkungan pengembangan Python lokal.
2. Sebelum memulai
Membuat project
- Di Konsol Google Cloud, di halaman pemilih project, pilih atau buat project Google Cloud.
- Pastikan penagihan diaktifkan untuk project Cloud Anda. Pelajari cara memeriksa apakah penagihan telah diaktifkan pada suatu project .
- Anda akan menggunakan Cloud Shell, lingkungan command line yang berjalan di Google Cloud yang telah dilengkapi dengan bq. Klik Activate Cloud Shell di bagian atas konsol Google Cloud.
- Setelah terhubung ke Cloud Shell, Anda dapat memeriksa bahwa Anda sudah diautentikasi dan project sudah ditetapkan ke project ID Anda menggunakan perintah berikut:
gcloud auth list
- Jalankan perintah berikut di Cloud Shell untuk mengonfirmasi bahwa perintah gcloud mengetahui project Anda.
gcloud config list project
- Jika project Anda belum ditetapkan, gunakan perintah berikut untuk menetapkannya:
gcloud config set project <YOUR_PROJECT_ID>
Baca dokumentasi untuk mempelajari perintah gcloud dan penggunaannya.
3. Kumpulan Data Catatan Rilis Google dan klien MCP
Pertama-tama, mari kita lihat Catatan rilis Google Cloud yang diperbarui secara rutin di halaman web Catatan Rilis Google Cloud resmi, yang screenshot-nya ditampilkan di bawah:
Anda dapat berlangganan URL feed, tetapi bagaimana jika kita bisa bertanya di Chat Agen tentang Catatan rilis ini. Mungkin kueri sederhana seperti "Beri tahu saya tentang Catatan Rilis Google Cloud".
4. MCP Toolbox for Databases
MCP Toolbox for Databases adalah server MCP open source untuk database. Alat ini dirancang dengan mempertimbangkan kualitas produksi dan tingkat perusahaan. Hal ini memungkinkan Anda mengembangkan alat dengan lebih mudah, cepat, dan aman dengan menangani kompleksitas seperti penggabungan koneksi, autentikasi, dan lainnya.
Toolbox membantu Anda membangun alat AI Generatif yang memungkinkan agen Anda mengakses data dalam database Anda. Toolbox menyediakan:
- Pengembangan yang disederhanakan: Integrasikan alat ke agen Anda dengan kurang dari 10 baris kode, gunakan kembali alat di antara beberapa agen atau framework, dan deploy versi baru alat dengan lebih mudah.
- Performa yang lebih baik: Praktik terbaik seperti penggabungan koneksi, autentikasi, dan lainnya.
- Keamanan yang ditingkatkan: Autentikasi terintegrasi untuk akses yang lebih aman ke data Anda
- Kemampuan observasi menyeluruh: Metrik dan pelacakan siap pakai dengan dukungan bawaan untuk OpenTelemetry.
- Toolbox memudahkan Anda menghubungkan database ke asisten AI yang kompatibel dengan MCP, bahkan yang ada di IDE Anda.
Toolbox berada di antara framework orkestrasi aplikasi dan database Anda, menyediakan bidang kontrol yang digunakan untuk mengubah, mendistribusikan, atau memanggil alat. Hal ini menyederhanakan pengelolaan alat Anda dengan memberi Anda lokasi terpusat untuk menyimpan dan mengupdate alat, sehingga Anda dapat membagikan alat antara agen dan aplikasi serta mengupdate alat tersebut tanpa perlu men-deploy ulang aplikasi Anda.
Untuk meringkas dengan kata-kata sederhana:
- MCP Toolbox tersedia sebagai biner, image container, atau Anda dapat mem-build-nya dari sumber.
- Tools API mengekspos serangkaian alat yang Anda konfigurasi melalui file tools.yaml. Alat ini dapat dianggap terhubung ke sumber data Anda. Anda dapat melihat berbagai sumber data yang didukungnya : AlloyDB, BigQuery, dll.
- Karena toolbox ini kini mendukung MCP, Anda otomatis memiliki endpoint Server MCP yang kemudian dapat digunakan oleh Agen (IDE) atau Anda dapat menggunakannya saat mengembangkan Aplikasi Agen menggunakan berbagai framework seperti Agent Development Kit (ADK).
Fokus kita dalam postingan blog ini adalah pada area yang disorot di bawah:
Singkatnya, kita akan membuat konfigurasi di MCP Toolbox for Databases yang mengetahui cara terhubung ke set data BigQuery kita. Kemudian, kita akan mengembangkan Agen menggunakan Agent Development Kit (ADK) yang akan terintegrasi dengan endpoint MCP Toolbox dan memungkinkan kita mengirim kueri alami untuk menanyakan set data kita. Anggap saja ini sebagai aplikasi agentik yang Anda kembangkan yang tahu cara berinteraksi dengan set data BigQuery Anda dan menjalankan beberapa kueri.
5. Set Data BigQuery untuk Catatan Rilis Google Cloud
Program Set Data Publik Google Cloud adalah program yang menyediakan berbagai set data untuk aplikasi Anda. Salah satu set data tersebut adalah database Catatan Rilis Google Cloud. Set data ini memberikan informasi yang sama dengan halaman web Catatan Rilis Google Cloud resmi dan tersedia sebagai set data yang dapat dikueri secara publik.
Sebagai pengujian, saya cukup memvalidasi set data dengan menjalankan kueri sederhana yang ditunjukkan di bawah:
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
Tindakan ini akan menampilkan daftar data dari set data Catatan Rilis yang telah dipublikasikan dalam 7 hari terakhir.
Ganti ini dengan set data lain pilihan Anda dan kueri serta parameter yang sesuai yang Anda inginkan. Sekarang kita hanya perlu menyiapkannya sebagai Sumber Data dan Alat di MCP Toolbox for Databases. Mari kita lihat caranya.
6. Menginstal MCP Toolbox for Databases
Buka terminal di komputer lokal Anda dan buat folder bernama mcp-toolbox.
mkdir mcp-toolbox
Buka folder mcp-toolbox melalui perintah yang ditampilkan di bawah:
cd mcp-toolbox
Instal versi biner MCP Toolbox for Databases melalui skrip yang diberikan di bawah. Perintah di bawah ini adalah untuk Linux, tetapi jika Anda menggunakan Mac atau Windows, pastikan Anda mendownload biner yang benar. Lihat halaman rilis untuk Sistem Operasi dan Arsitektur Anda, lalu download biner yang benar.
export VERSION=0.13.0
curl -O https://storage.googleapis.com/genai-toolbox/v$VERSION/linux/amd64/toolbox
chmod +x toolbox
Sekarang kita memiliki versi biner toolbox yang siap digunakan. Langkah berikutnya adalah mengonfigurasi toolbox dengan sumber data dan konfigurasi lainnya.
7. Mengonfigurasi Toolbox MCP untuk Database
Sekarang, kita perlu menentukan set data dan alat BigQuery dalam file tools.yaml yang diperlukan oleh MCP Toolbox for Database. File tools.yaml adalah cara utama untuk mengonfigurasi Toolbox.
Buat file bernama tools.yaml di folder yang sama, yaitu mcp-toolbox, yang isinya ditunjukkan di bawah.
Anda dapat menggunakan editor nano yang tersedia di Cloud Shell. Perintah nano adalah sebagai berikut: "nano tools.yaml".
Jangan lupa untuk mengganti nilai YOUR_PROJECT_ID dengan ID Project Google Cloud Anda.
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
Mari kita pahami file ini secara singkat:
- Sumber mewakili berbagai sumber data yang dapat berinteraksi dengan alat. Sumber merepresentasikan sumber data yang dapat berinteraksi dengan alat. Anda dapat menentukan Sumber sebagai peta di bagian sumber file tools.yaml. Biasanya, konfigurasi sumber akan berisi informasi apa pun yang diperlukan untuk terhubung dan berinteraksi dengan database. Dalam kasus ini, kita telah menentukan sumber BigQuery
my-bq-sourcedan Anda perlu memberikan Project ID Google Cloud Anda. Untuk mengetahui informasi selengkapnya, lihat referensi Sumber. - Alat menentukan tindakan yang dapat dilakukan agen – seperti membaca dan menulis ke sumber. Alat merepresentasikan tindakan yang dapat dilakukan agen Anda, seperti menjalankan pernyataan SQL. Anda dapat menentukan Alat sebagai peta di bagian alat pada file tools.yaml. Biasanya, alat akan memerlukan sumber untuk ditindaklanjuti. Dalam kasus ini, kita menentukan satu alat
search_release_notes_bq. Ini mereferensikan sumber BigQuerymy-bq-sourceyang kita tentukan pada langkah pertama. Selain itu, juga terdapat pernyataan dan petunjuk yang akan digunakan oleh klien Agen AI. Untuk mengetahui informasi selengkapnya, lihat referensi Alat. - Terakhir, ada Toolset, yang memungkinkan Anda menentukan grup alat yang ingin dimuat bersama. Hal ini dapat berguna untuk menentukan berbagai grup berdasarkan agen atau aplikasi. Dalam kasus ini, kita memiliki definisi toolset yang saat ini hanya menentukan satu alat yang sudah ada
search_release_notes_bqyang kita tentukan. Anda dapat memiliki lebih dari satu set alat, yang memiliki kombinasi alat yang berbeda.
Jadi, saat ini, kita hanya menentukan satu alat yang mendapatkan catatan rilis untuk 7 hari terakhir sesuai kueri. Namun, Anda juga dapat memiliki berbagai kombinasi dengan parameter.
Lihat beberapa detail konfigurasi lainnya ( Sumber, Alat) dalam konfigurasi sumber data BigQuery di MCP Toolbox for Databases.
8. Menguji Toolbox MCP untuk Database
Kita telah mendownload dan mengonfigurasi Toolbox dengan file tools.yaml di folder mcp-toolbox. Mari kita jalankan secara lokal terlebih dahulu.
Jalankan perintah berikut:
./toolbox --tools-file="tools.yaml"
Jika eksekusi berhasil, Anda akan melihat server dimulai dengan contoh output yang mirip dengan output di bawah:
2025-09-08T03:56:45.772489914Z INFO "Initialized 1 sources."
2025-09-08T03:56:45.772682659Z INFO "Initialized 0 authServices."
2025-09-08T03:56:45.772735103Z INFO "Initialized 1 tools."
2025-09-08T03:56:45.772774639Z INFO "Initialized 2 toolsets."
2025-09-08T03:56:45.777711644Z INFO "Server ready to serve!"
Server MCP Toolbox berjalan secara default di port 5000. Jika Anda mendapati bahwa port 5000 sudah digunakan, Anda dapat menggunakan port lain (misalnya 7000) sesuai perintah yang ditunjukkan di bawah. Sebagai gantinya, gunakan 7000, bukan port 5000 dalam perintah berikutnya.
./toolbox --tools-file "tools.yaml" --port 7000
Mari kita gunakan Cloud Shell untuk mengujinya.
Klik Pratinjau Web di Cloud Shell seperti yang ditunjukkan di bawah:
Klik Ubah port dan tetapkan port ke 5000 seperti yang ditunjukkan di bawah, lalu klik Ubah dan Pratinjau.
Ini akan menghasilkan output berikut:
Di URL browser, tambahkan berikut ini ke bagian akhir URL:
/api/toolset
Tindakan ini akan memunculkan alat yang saat ini dikonfigurasi. Contoh output ditampilkan di bawah:
{
"serverVersion": "0.13.0+binary.linux.amd64.1a6dfe8d37d0f42fb3fd3f75c50988534dbc1b85",
"tools": {
"search_release_notes_bq": {
"description": "Use this tool to get information on Google Cloud Release Notes.\n",
"parameters": [],
"authRequired": []
}
}
}
Menguji Alat melalui UI MCP Toolbox for Databases
Toolbox menyediakan antarmuka visual (UI Toolbox) untuk berinteraksi langsung dengan alat dengan mengubah parameter, mengelola header, dan mengeksekusi panggilan, semuanya dalam UI web sederhana.
Jika ingin mengujinya, Anda dapat menjalankan perintah sebelumnya yang kita gunakan untuk meluncurkan Toolbox Server dengan opsi --ui.
Untuk melakukannya, nonaktifkan instance sebelumnya dari Server MCP Toolbox for Databases yang mungkin sedang Anda jalankan dan berikan perintah berikut:
./toolbox --tools-file "tools.yaml" --ui
Idealnya, Anda akan melihat output bahwa Server telah dapat terhubung ke sumber data kami dan telah memuat toolset dan alat. Contoh output diberikan di bawah dan Anda akan melihat bahwa output tersebut akan menyebutkan bahwa UI Toolbox sudah aktif dan berjalan.
2025-09-08T03:59:34.856476253Z INFO "Initialized 1 sources."
2025-09-08T03:59:34.856546526Z INFO "Initialized 0 authServices."
2025-09-08T03:59:34.856577586Z INFO "Initialized 1 tools."
2025-09-08T03:59:34.856641568Z INFO "Initialized 2 toolsets."
2025-09-08T03:59:34.86133344Z INFO "Server ready to serve!"
2025-09-08T03:59:34.861366205Z INFO "Toolbox UI is up and running at: http://localhost:5000/ui"
Klik URL UI dan pastikan Anda memiliki /ui di akhir URL. Tindakan ini akan menampilkan UI seperti yang ditunjukkan di bawah:
Klik opsi Alat di sebelah kiri untuk melihat alat yang telah dikonfigurasi dan dalam kasus ini, hanya ada satu, yaitu search_release_notes_bq, seperti yang ditunjukkan di bawah:
Cukup klik alat (search_release_notes_bq) dan halaman untuk menguji alat akan muncul. Karena tidak ada parameter yang perlu diberikan, Anda cukup mengklik Run Tool untuk melihat hasilnya. Contoh eksekusi ditampilkan di bawah:
MCP Toolkit for Databases juga menjelaskan cara Pythonic untuk memvalidasi dan menguji alat, yang didokumentasikan di sini. Kita akan melewatinya dan langsung membahas Agent Development Kit (ADK) di bagian berikutnya yang akan menggunakan alat ini.
9. Menulis Agen dengan Agent Development Kit (ADK)
Instal Agent Development Kit (ADK)
Buka tab terminal baru di Cloud Shell dan buat folder bernama my-agents sebagai berikut. Buka juga folder my-agents.
mkdir my-agents
cd my-agents
Sekarang, mari kita buat lingkungan Python virtual menggunakan venv sebagai berikut:
python -m venv .venv
Aktifkan lingkungan virtual sebagai berikut:
source .venv/bin/activate
Instal paket ADK dan MCP Toolbox for Databases beserta dependensi langchain sebagai berikut:
pip install google-adk toolbox-core
Sekarang Anda dapat memanggil utilitas adk sebagai berikut.
adk
Daftar perintah akan ditampilkan.
$ 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.
Membuat Aplikasi Agen pertama kita
Sekarang kita akan menggunakan adk untuk membuat scaffolding bagi Aplikasi Agen Catatan Rilis Google Cloud melalui perintah adk create dengan nama aplikasi **(gcp-releasenotes-agent-app)**seperti yang diberikan di bawah.
adk create gcp-releasenotes-agent-app
Ikuti langkah-langkahnya dan pilih opsi berikut:
- Model Gemini untuk memilih model bagi agen root.
- Pilih Vertex AI untuk backend.
- Project ID dan region Google default Anda akan ditampilkan. Pilih default itu sendiri.
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
Amati folder tempat template default dan file yang diperlukan untuk Agen telah dibuat.
Yang pertama adalah file .env. Isinya ditampilkan di bawah:
GOOGLE_GENAI_USE_VERTEXAI=1
GOOGLE_CLOUD_PROJECT=YOUR_GOOGLE_PROJECT_ID
GOOGLE_CLOUD_LOCATION=YOUR_GOOGLE_PROJECT_REGION
Nilai tersebut menunjukkan bahwa kita akan menggunakan Gemini melalui Vertex AI bersama dengan nilai masing-masing untuk Project ID dan lokasi Google Cloud.
Kemudian, kita memiliki file __init__.py yang menandai folder sebagai modul dan memiliki satu pernyataan yang mengimpor agen dari file agent.py.
from . import agent
Terakhir, mari kita lihat file agent.py. Isinya ditampilkan di bawah:
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',
)
Ini adalah Agen paling sederhana yang dapat Anda tulis dengan ADK. Dari halaman dokumentasi ADK, Agen adalah unit eksekusi mandiri yang dirancang untuk bertindak secara otonom guna mencapai sasaran tertentu. Agen dapat melakukan tugas, berinteraksi dengan pengguna, menggunakan alat eksternal, dan berkoordinasi dengan agen lain.
Secara khusus, LLMAgent, yang umumnya memiliki alias sebagai Agent, menggunakan Model Bahasa Besar (LLM) sebagai mesin intinya untuk memahami bahasa alami, melakukan penalaran, membuat rencana, menghasilkan respons, dan secara dinamis memutuskan cara melanjutkan atau alat yang akan digunakan, sehingga ideal untuk tugas yang fleksibel dan berfokus pada bahasa. Pelajari lebih lanjut Agen LLM di sini.
Dengan demikian, kita telah menyelesaikan penyiapan untuk membuat Agen dasar menggunakan Agent Development Kit (ADK). Sekarang kita akan menghubungkan Agen ke MCP Toolbox, sehingga Agen dapat menggunakan alat tersebut untuk menjawab kueri dari pengguna (dalam hal ini, Agen akan menggunakan catatan Rilis Google Cloud).
10. Menghubungkan Agen ke Alat
Sekarang kita akan menghubungkan Agen ini ke Alat. Dalam konteks ADK, Alat merepresentasikan kemampuan spesifik yang diberikan kepada agen AI, sehingga memungkinkannya melakukan tindakan dan berinteraksi dengan dunia di luar kemampuan penalaran dan pembuatan teks intinya.
Dalam kasus ini, kita akan melengkapi Agen kita dengan Alat yang telah kita konfigurasi di Toolbox MCP untuk Database.
Ubah file agent.py dengan kode berikut. Perhatikan bahwa kita menggunakan port default 5000 dalam kode, tetapi jika Anda menggunakan nomor port alternatif, gunakan nomor tersebut.
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,
)
Sekarang kita dapat menguji Agen yang akan mengambil data sebenarnya dari set data BigQuery yang telah dikonfigurasi dengan MCP Toolbox for Databases.
Untuk melakukannya, ikuti urutan berikut:
Di salah satu terminal Cloud Shell, luncurkan MCP Toolbox for Databases. Anda mungkin sudah menjalankannya secara lokal di port 5000 seperti yang kita uji sebelumnya. Jika tidak, jalankan perintah berikut (dari folder mcp-toolbox) untuk memulai server:
./toolbox --tools_file "tools.yaml"
Idealnya, Anda akan melihat output bahwa Server telah dapat terhubung ke sumber data kami dan telah memuat toolset dan alat. Contoh output diberikan di bawah:
./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!"
Setelah server MCP berhasil dimulai, di terminal lain, luncurkan Agen melalui perintah adk run (dari folder my-agents) yang ditunjukkan di bawah. Anda juga dapat menggunakan perintah adk web jika mau.
$ 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`
......
......
Perhatikan bahwa Agen menggunakan alat yang telah kita konfigurasi di MCP Toolbox for Databases (search_release_notes_bq) dan mengambil data dari set data BigQuery serta memformat responsnya dengan tepat.
11. Selamat
Selamat, Anda telah berhasil mengonfigurasi MCP Toolbox for Databases dan mengonfigurasi set data BigQuery untuk akses dalam klien MCP.