Google は AI 技術を使用して、コンテンツをご希望の言語に翻訳しています。AI 翻訳には誤りが含まれる場合があります。

MCP Toolbox for Databases: MCP クライアントで BigQuery データセットを利用できるようにする

1. はじめに

この Codelab では、データベース向け MCP ツールボックスを使用して、BigQuery データセットを利用可能にします。

この Codelab では、次の手順でアプローチします。

一般公開の BigQuery データセットプログラムから特定の BigQuery データセット（「Google Cloud リリースノート」）を特定します。
BigQuery データセットに接続するデータベース向け MCP ツールボックスを設定します。
Agent Development Kit（ADK）を使用して、MCP ツールボックスを利用して Google Cloud リリースノートに関するユーザーのクエリに回答するエージェントを開発する

演習内容

データベース向け MCP ツールボックスを設定して、Google Cloud リリースノート（一般公開の BigQuery データセット）を他の MCP クライアント（IDE、ツールなど）の MCP インターフェースとして公開します。

学習内容

BigQuery の一般公開データセットを探索し、特定のデータセットを選択します。
MCP クライアントで利用可能にする BigQuery 一般公開データセット用に、データベース向け MCP ツールボックスを設定します。
Agent Development Kit（ADK）を使用して、ユーザーのクエリに回答するエージェントを設計して開発します。
ローカル環境でエージェントとデータベース向け MCP ツールボックスをテストします。

必要なもの

Chrome ウェブブラウザ。
ローカルの Python 開発環境。

2. 始める前に

プロジェクトを作成する

Google Cloud コンソールのプロジェクト選択ページで、Google Cloud プロジェクトを選択または作成します。
Cloud プロジェクトに対して課金が有効になっていることを確認します。詳しくは、プロジェクトで課金が有効になっているかどうかを確認する方法をご覧ください。
Cloud Shell（Google Cloud で動作するコマンドライン環境）を使用します。この環境には bq がプリロードされています。Google Cloud コンソールの上部にある [Cloud Shell をアクティブにする] をクリックします。

[Cloud Shell をアクティブにする] ボタンの画像

Cloud Shell に接続したら、次のコマンドを使用して、すでに認証済みであることと、プロジェクトがプロジェクト ID に設定されていることを確認します。

gcloud auth list

Cloud Shell で次のコマンドを実行して、gcloud コマンドがプロジェクトを認識していることを確認します。

gcloud config list project

プロジェクトが設定されていない場合は、次のコマンドを使用して設定します。

gcloud config set project <YOUR_PROJECT_ID>

次のコマンドを使用して、必要な API を有効にします。この処理には数分かかることがあります。

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

コマンドが正常に実行されると、次のようなメッセージが表示されます。

Operation "operations/..." finished successfully.

gcloud コマンドの代わりに、コンソールで各プロダクトを検索するか、こちらのリンクを使用します。

API が見つからない場合は、実装中にいつでも有効にできます。

gcloud コマンドとその使用方法については、ドキュメントをご覧ください。

3. Google リリースノートデータセットと MCP クライアント

まず、Google Cloud の公式リリースノートのウェブページで定期的に更新されている Google Cloud のリリースノートを見てみましょう。以下にスクリーンショットを示します。

フィード URL を登録することもできますが、エージェントチャットでリリースノートについて質問することもできます。たとえば、「Google Cloud リリースノートの最新情報を教えて」のような簡単なクエリです。

4. データベース向け MCP ツールボックス

データベース向け MCP ツールボックスは、データベース用のオープンソース MCP サーバーです。エンタープライズグレードと本番環境品質を念頭に置いて設計されています。これにより、接続プーリングや認証などの複雑な処理に対応して、ツールの開発をより簡単、迅速、セキュアに行うことができます。

ツールボックスは、エージェントがデータベース内のデータにアクセスできるようにする生成 AI ツールの構築に役立ちます。Toolbox には次の機能があります。

開発の簡素化: 10 行未満のコードでツールをエージェントに統合し、複数のエージェントまたはフレームワーク間でツールを再利用し、ツールの新しいバージョンをより簡単にデプロイできます。
パフォーマンスの向上: 接続プーリングや認証などのベストプラクティス。
セキュリティの強化: 統合認証によるデータへのより安全なアクセス
エンドツーエンドのオブザーバビリティ: OpenTelemetry のサポートが組み込まれた、すぐに使用できる指標とトレース。
ツールボックスを使用すると、IDE 内の AI アシスタントを含め、MCP 対応の AI アシスタントにデータベースを簡単に接続できます。

ツールボックスは、アプリケーションのオーケストレーションフレームワークとデータベースの間に配置され、ツールの変更、配布、呼び出しに使用されるコントロールプレーンを提供します。ツールを保存して更新する一元化された場所が提供されるため、ツールの管理が簡素化されます。エージェントとアプリケーション間でツールを共有し、アプリケーションを再デプロイすることなくツールを更新できます。

簡単にまとめると、次のようになります。

MCP Toolbox は、バイナリ、コンテナイメージとして提供されています。また、ソースからビルドすることもできます。
tools.yaml ファイルで構成する一連のツールを公開します。ツールはデータソースに接続すると考えることができます。AlloyDB、BigQuery など、サポートされているさまざまなデータソースを確認できます。
このツールボックスは MCP をサポートするようになったため、エージェント（IDE）で使用できる MCP サーバーエンドポイントが自動的に作成されます。また、Agent Development Kit（ADK）などのさまざまなフレームワークを使用してエージェントアプリケーションを開発する際に、これらのエンドポイントを使用することもできます。

このブログ投稿では、以下のハイライト表示された領域に焦点を当てます。

要約すると、BigQuery データセットへの接続方法を認識する構成をデータベース向け MCP ツールボックスに作成します。次に、Agent Development Kit（ADK）を使用して、MCP ツールボックスエンドポイントと統合し、自然言語クエリを送信してデータセットに関する質問ができるエージェントを開発します。これは、BigQuery データセットとの通信方法を認識し、クエリを実行するエージェント型アプリケーションとして開発するものです。

5. Google Cloud リリースノートの BigQuery データセット

Google Cloud 一般公開データセットプログラムは、アプリケーションで使用できるさまざまなデータセットを提供するプログラムです。このようなデータセットの 1 つが、Google Cloud リリースノートデータベースです。このデータセットは、Google Cloud の公式リリースノートのウェブページと同じ情報を提供し、一般公開のクエリ可能なデータセットとして利用できます。

テストとして、次の簡単なクエリを実行してデータセットを検証します。

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

これにより、過去 7 日間に公開されたリリースノートデータセットのレコードのリストが取得されます。

これは、任意のデータセットと、必要なクエリとパラメータに置き換えることができます。あとは、これをデータベース向け MCP ツールボックスのデータソースとツールとして設定するだけです。その方法を見てみましょう。

6. データベース向け MCP ツールボックスのインストール

ローカルマシンでターミナルを開き、mcp-toolbox という名前のフォルダを作成します。

mkdir mcp-toolbox

以下のコマンドで mcp-toolbox フォルダに移動します。

cd mcp-toolbox

以下のスクリプトを使用して、データベース向け MCP ツールボックスのバイナリバージョンをインストールします。次のコマンドは Linux 用です。Mac または Windows を使用している場合は、正しいバイナリをダウンロードしてください。オペレーティングシステムとアーキテクチャのリリースページを確認し、正しいバイナリをダウンロードします。

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

これで、ツールボックスのバイナリバージョンを使用できるようになりました。次のステップでは、データソースやその他の構成を使用してツールボックスを構成します。

7. データベース向け MCP ツールボックスの構成

次に、データベース向け MCP ツールボックスに必要な tools.yaml ファイルで BigQuery データセットとツールを定義する必要があります。tools.yaml ファイルは、Toolbox を構成する主な方法です。

同じフォルダ（mcp-toolbox）に tools.yaml という名前のファイルを作成します。その内容は次のとおりです。

Cloud Shell で使用できる nano エディタを使用できます。nano コマンドは「nano tools.yaml」です。

YOUR_PROJECT_ID の値は、実際の Google Cloud プロジェクト ID に置き換えてください。

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

ファイルについて簡単に説明します。

ソースは、ツールが操作できるさまざまなデータソースを表します。ソースは、ツールが操作できるデータソースを表します。ツールファイル（tools.yaml）の sources セクションで、ソースをマップとして定義できます。通常、移行元構成には、データベースに接続して操作するために必要な情報が含まれます。この例では、BigQuery ソース my-bq-source を定義しています。Google Cloud プロジェクト ID を指定する必要があります。詳細については、ソースのリファレンスをご覧ください。
ツールは、エージェントが実行できるアクション（ソースの読み取りや書き込みなど）を定義します。ツールは、エージェントが実行できるアクション（SQL ステートメントの実行など）を表します。tools.yaml ファイルの tools セクションで、ツールをマップとして定義できます。通常、ツールは処理対象のソースを必要とします。この例では、1 つのツール search_release_notes_bq を定義します。これは、最初の手順で定義した BigQuery ソース my-bq-source を参照します。また、AI エージェントクライアントで使用されるステートメントと指示も含まれています。詳しくは、ツールのリファレンスをご覧ください。
最後に、ツールセットがあります。ツールセットを使用すると、一緒に読み込むツールグループを定義できます。これは、エージェントまたはアプリケーションに基づいてさまざまなグループを定義する場合に便利です。この例では、ツールセット定義があり、現在、定義した既存のツール search_release_notes_bq が 1 つだけ定義されています。複数のツールセットを作成して、さまざまなツールを組み合わせることができます。

現在、クエリに従って過去 7 日間のリリースノートを取得するツールが 1 つだけ定義されています。パラメータと組み合わせることもできます。

構成の詳細については、データベース向け MCP ツールボックスの BigQuery データソースの構成をご覧ください。

8. データベース向け MCP ツールボックスのテスト

mcp-toolbox フォルダの tools.yaml ファイルを使用して、ツールボックスをダウンロードして構成しました。まずローカルで実行してみましょう。

次のコマンドを実行します。

./toolbox --config "tools.yaml"

実行が成功すると、次のようなサンプル出力でサーバーが起動します。

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!"

MCP ツールボックスサーバーは、デフォルトでポート 5000 で実行されます。ポート 5000 がすでに使用されている場合は、次のコマンドに示すように、別のポート（7000 など）を使用してください。以降のコマンドでは、5000 ポートではなく 7000 を使用してください。

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

Cloud Shell を使用してテストしてみましょう。

次の図に示すように、Cloud Shell で [ウェブでプレビュー] をクリックします。

[ポートを変更] をクリックし、下に示すようにポートを 5000 に設定して、[変更してプレビュー] をクリックします。

次の出力が表示されます。

データベース向け MCP ツールボックスの UI を使用してツールをテストする

ツールボックスには、シンプルなウェブ UI 内でパラメータの変更、ヘッダーの管理、呼び出しの実行を行うことでツールを直接操作できるビジュアルインターフェース（ツールボックス UI）が用意されています。

テストする場合は、--ui オプションを指定して、Toolbox Server の起動に使用したコマンドを実行します。

これを行うには、実行中のデータベース向け MCP ツールボックスサーバーの以前のインスタンスをシャットダウンし、次のコマンドを実行します。

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

理想的には、サーバーがデータソースに接続し、ツールセットとツールを読み込んだことを示す出力が表示されます。以下にサンプル出力を示します。Toolbox UI が起動して実行中であることがわかります。

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"

UI の URL をクリックし、URL の末尾に /ui があることを確認します。次のような UI が表示されます。

左側の [ツール] オプションをクリックして、構成済みのツールを表示します。この例では、下図のように 1 つのツール（search_release_notes_bq）のみが表示されます。

ツール（search_release_notes_bq）をクリックするだけで、ツールをテストするためのページが表示されます。パラメータを指定する必要がないため、[Run Tool] をクリックするだけで結果を確認できます。実行例を以下に示します。

9. Agent Development Kit（ADK）を使用したエージェントの作成

Agent Development Kit（ADK）をインストールする

Cloud Shell で新しいターミナルタブを開き、次のように my-agents という名前のフォルダを作成します。my-agents フォルダにも移動します。

mkdir my-agents
cd my-agents

次に、次のように venv を使用して仮想 Python 環境を作成します。

python -m venv .venv

次のように仮想環境を有効にします。

source .venv/bin/activate

ADK とデータベース向け MCP ツールボックスのパッケージを langchain の依存関係とともに次のようにインストールします。

pip install google-adk toolbox-core

これで、次のように adk ユーティリティを呼び出すことができます。

adk

コマンドのリストが表示されます。

$ 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.

最初のエージェントアプリケーションを作成する

次に、adk を使用して、次の adk create コマンドとアプリ名 **(gcp_releasenotes_agent_app)**を使用して、Google Cloud リリースノートエージェントアプリケーションのスキャフォールディングを作成します。

adk create gcp_releasenotes_agent_app

手順に沿って、以下を選択します。

ルートエージェントのモデルを選択するための gemini-3.8-flash モデルを選択します。
バックエンドに Vertex AI を選択します。
デフォルトの Google プロジェクト ID が表示されます。それを選択します。
現在の Google Cloud プロジェクトのリージョンが表示されます。global と入力してください。

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

エージェントのデフォルトテンプレートと必要なファイルが作成されたフォルダを確認します。

まず、.env ファイルです。内容は次のとおりです。

GOOGLE_GENAI_USE_ENTERPRISE=1
GOOGLE_CLOUD_PROJECT=YOUR_GOOGLE_PROJECT_ID
GOOGLE_CLOUD_LOCATION=YOUR_GOOGLE_PROJECT_REGION

これらの値は、Google Cloud プロジェクト ID とロケーションのそれぞれの値とともに Gemini Enterprise 経由で Gemini を使用することを示しています。

次に、__init__.py ファイルがあります。このファイルはフォルダをモジュールとしてマークし、agent.py ファイルからエージェントをインポートする単一のステートメントを含んでいます。

from . import agent

最後に、agent.py ファイルを見てみましょう。内容は次のとおりです。

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',
)

これは、ADK で記述できる最もシンプルなエージェントです。ADK ドキュメントのページによると、エージェントは特定の目標を達成するために自律的に動作するように設計された、自己完結型の実行ユニットです。エージェントは、タスクの実行、ユーザーとのやり取り、外部ツールの利用、他のエージェントとの連携を行うことができます。

具体的には、LLMAgent（通常は Agent というエイリアスが付けられます）は、大規模言語モデル（LLM）をコアエンジンとして使用して、自然言語の理解、推論、計画、応答の生成を行い、どのように進めるか、どのツールを使用するかを動的に決定します。そのため、柔軟な言語中心のタスクに最適です。LLM エージェントの詳細については、こちらをご覧ください。

これで、Agent Development Kit（ADK）を使用して基本エージェントを生成するためのスキャフォールディングが完了しました。次に、エージェントを MCP ツールボックスに接続して、そのツールを使用してユーザーからのクエリ（この場合は Google Cloud リリースノート）に回答できるようにします。

10. エージェントをツールに接続する

このエージェントをツールに接続します。ADK のコンテキストでのツールとは、AI エージェントに提供される特定の機能を指します。ツールにより、エージェントはテキスト生成や推論といった中核的な機能の枠を超え、アクションを実行したり、外部世界とやり取りしたりできるようになります。

今回は、データベース向け MCP ツールボックスで構成したツールをエージェントに装備します。

agent.py ファイルを次のコードで変更します。コードではデフォルトのポート 5000 を使用していますが、別のポート番号を使用している場合は、そのポート番号を使用してください。

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,
)

これで、データベース向け MCP ツールボックスで構成された BigQuery データセットから実際のデータを取得するエージェントをテストできます。

手順は次のとおりです。

Cloud Shell の 1 つのターミナルで、データベース向け MCP ツールボックスを起動します。先ほどテストしたように、ポート 5000 でローカルに実行されている可能性があります。そうでない場合は、次のコマンド（mcp-toolbox フォルダから）を実行してサーバーを起動します。

./toolbox --config "tools.yaml"

理想的には、サーバーがデータソースに接続し、ツールセットとツールを読み込んだことを示す出力が表示されます。

MCP サーバーが正常に起動したら、別のターミナルで、次の adk run（my-agents フォルダから）コマンドを使用してエージェントを起動します。必要に応じて、adk web コマンドを使用することもできます。

$ 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.
..
..
..

エージェントは、データベース向け MCP ツールボックス（search_release_notes_bq）で構成したツールを利用し、BigQuery データセットからデータを取得して、それに応じてレスポンスをフォーマットします。

11. 完了

お疲れ様でした。データベース向け MCP ツールボックスを構成し、MCP クライアント内でアクセスできるように BigQuery データセットを構成しました。