この Codelab について
1. はじめに
この Codelab では、MCP Toolbox for Databases を使用して BigQuery データセットを利用できるようにします。
この Codelab では、次の手順で進めていきます。
- 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 MCP Toolbox for Databases を設定します。
- エージェント開発キット（ADK）を使用してエージェントを開発し、MCP ツールボックスを使用して Google Cloud リリースノートに関するユーザーからの問い合わせに回答する
演習内容
- MCP Toolbox for Databases 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）への 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 クライアントに公開する BigQuery 一般公開データセット用に MCP Toolbox for Databases を設定します。
- エージェント開発キット（ADK）を使用してエージェントを設計、開発し、ユーザーのクエリに回答します。
- 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 に接続したら、次のコマンドを使用して、認証が完了していることと、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>
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る Google Cloud リリースノートについて説明します。そのスクリーンショットは次のとおりです。
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お問い合わせいただくこともできます。たとえば、「Google Cloud リリースノートを更新して」のような簡単なクエリを指定します。
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の 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、安全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。ツールボックスには次のような機能があります。
- 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やフレームワーク間でツールを再利用し、新しいバージョンのツールを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、認証などのベスト プラクティス。
- セキュリティの強化: 統合された認証により、データへのアクセスをより安全に行うことができます。
- 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 内にあるものも含め、MCP 対応の任意の AI アシスタントにデータベースを簡単に接続できます。
Toolbox は、アプリケーションのオケストレーション フレームワークとデータベースの間にあり、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。ツールの保存と更新を一元化できるため、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しなくても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 イメージとして使用できます。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が公開されます。これらのツールは、データソースに接続するもの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が MCP をサポートしているため、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、エージェント開発キット（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使用することもできます。
このブログ投稿では、以下の点に焦点を当てます。
要約すると、MCP Toolbox for Databases で、BigQuery データセットに接続する方法を知っている構成を作成します。次に、エージェント開発キット（ADK）を使用してエージェントを開発します。このエージェントは MCP ツールボックス エンドポイントと統合され、自然言語クエリを送信してデータセットについて質問できるようになります。これは、BigQuery データセットと通信する方法を知っていて、クエリを実行するエージェント アプリケーションと考えてください。
5. Google Cloud 用 BigQuery データセットのリリースノート
Google Cloud 一般公開データセット プログラムは、アプリケーション向けのさまざまなデータセットを利用できるプログラムです。そ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。このデータセットには、Google Cloud の公式リリースノートのウェブページと同じ情報が含まれており、一般公開されている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、次のような単純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。
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てください。残す作業は、データベース向け MCP ツールボックスでこれをデータソースとツールとして設定することだけです。では、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
次のコマンドを使用して 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。以下のコマンドは Linux 用ですが、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 ページで、適切なバイナリをダウンロードします。
export VERSION=0.7.0
curl -O https://storage.googleapis.com/genai-toolbox/v$VERSION/linux/amd64/toolbox
chmod +x toolbox
これで、ツールボックスのバイナリ バージョンが使用できるようになりました。次のステップでは、データソースなど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、MCP Toolbox for Database 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。Toolbox を構成する主な方法は、ファイル tools.yaml を使用する方法です。
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。ファイルの内容は次のとおりです。
Cloud Shell で利用可能な 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、Google Cloud プロジェクト ID に置き換えてください。
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
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。Source は、ツールが操作できるデータソースを表します。ソースは、tools.yaml ファイルの sources セクションでマップとして定義できます。通常、ソース構成には、データベースとの接続と操作に必要な情報が含まれます。この例では、BigQuery ソース
my-bq-sourceを定義しているため、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 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（ソースへ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。ツールは、tools.yaml ファイルの tools セクションでマップとして定義できます。通常、ツールは対象となるソースが必要です。この例では、単一のツール
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 クライアントが使用するステートメントと命令も含まれています。詳細については、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のグループを定義できます。これは、エージェントやアプリケーションに基づいて異なるグループを定義する場合に役立ちます。この例では、ツールセット定義で、定義した既存のツール
search_release_notes_bqを 1 つだけ定義しています。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。
そのため、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は 1 つだけ定義されています。パラメータでさまざまな組み合わせを指定することもできます。
MCP Toolbox for Databases の BigQuery データソース構成で、構成の詳細（ソース、ツール）を確認します。
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、Toolbox 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ましょう。
次のコマンドを実行します。
./toolbox --tools-file="tools.yaml"
正常に実行されると、次のようなサンプル出力とともにサーバーが起動します。
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!"
MCP ツールボックス サーバーは、デフォルトではポート 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）を使用できます。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 --tools-file "tools.yaml" --port 7000
Cloud Shell を使用して、これをテストしてみましょう。
以下に示すように、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。
ブラウザの URL に、次の URL を追加します。
/api/toolset
これで、現在構成されているツールが表示されます。出力例を以下に示します。
{
"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": []
}
}
}
データベース向け MCP ツールボックスでは、ツールを検証してテストする Python の方法について説明しています。詳しくは、こちらをご覧ください。次のセクションでは、これらのツールを使用するエージェント開発キット（ADK）に直接進みます。
9. エージェント開発キット（ADK）でエージェントを作成する
エージェント開発キット（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
次のように、venv を使用して仮想 Python 環境を作成しましょう。
python -m venv .venv
次のように仮想環境を有効にします。
source .venv/bin/activate
次のように、ADK パッケージとデータベース向け MCP ツールボックス パッケージを、langchain 依存関係ととも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せるようになりました。
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:
--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.
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、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 モデル。
- 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 とリージョンが表示されます。デフォルト自体を選択します。
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
エージェント用のデフォルト 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_VERTEXAI=1
GOOGLE_CLOUD_PROJECT=YOUR_GOOGLE_PROJECT_ID
GOOGLE_CLOUD_LOCATION=YOUR_GOOGLE_PROJECT_REGION
これらの値は、Vertex AI を介して Gemini を使用することを示しています。また、Google Cloud プロジェクト ID とロケーションの値も示しています。
次に、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む __init__.py ファイルがあります。
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 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',
)
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。
特に、LLMAgent（一般にエージェントというエイリアス）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、レスポンスを生成し、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。これにより、柔軟で言語中心のタスクに最適です。LLM エージェントについて詳しくは、こちらをご覧ください。
これで、エージェント開発キット（ADK）を使用して基本的な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 Toolbox 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. エージェントとツールを接続する
では、このエージェントをツールに接続します。ADK のコンテキストでは、ツールは AI エージェントに提供される特定の機能を表します。これにより、エージェントはコアとなるテキスト生成機能と推論機能を超えて、アクションを実行し、外部とやり取りできるようになります。
この例では、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する場合は、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-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,
)
これで、MCP Toolbox for Databases 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 のターミナルで、データベース用の MCP ツールボックスを起動します。前述のテストでローカルのポート 5000 ですでに実行されている可能性があります。起動していない場合は、mcp-toolbox フォルダから次のコマンドを実行してサーバーを起動します。
./toolbox --tools_file "tools.yaml"
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れば理想的です。出力例を次に示します。
./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!"
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 フォルダ内）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/
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`
......
......
エージェントは、MCP Toolbox for Databases で構成したツール（search_release_notes_bq）を使用して、BigQuery データセットからデータを取得し、それに応じてレスポンスをフォーマットしています。
11. 完了
これで、MCP Toolbox for Databases を正常に構成し、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できました。