1. Wprowadzenie
W tym ćwiczeniu wykorzystasz MCP Toolbox for Databases, aby udostępnić zbiory danych BigQuery.
W tym laboratorium wykonasz te czynności:
- Wskaż konkretny zbiór danych BigQuery („Google Cloud Release Notes”) z programu publicznych zbiorów danych BigQuery.
- Skonfiguruj MCP Toolbox for Databases, który łączy się ze zbiorem danych BigQuery.
- Tworzenie agenta za pomocą pakietu Agent Development Kit (ADK), który będzie korzystać z zestawu narzędzi MCP, aby odpowiadać na zapytania użytkownika dotyczące informacji o wersjach Google Cloud
Co musisz zrobić
- Skonfiguruj MCP Toolbox for Databases, aby udostępniać Informacje o wersjach Google Cloud, publiczny zbiór danych BigQuery, jako interfejs MCP dla innych klientów MCP (IDE, narzędzia itp.).
Czego się nauczysz
- Przeglądaj publiczne zbiory danych BigQuery i wybierz konkretny zbiór danych.
- Skonfiguruj MCP Toolbox for Databases dla publicznego zbioru danych BigQuery, który chcemy udostępnić klientom MCP.
- Projektowanie i tworzenie agenta za pomocą pakietu Agent Development Kit (ADK) w celu odpowiadania na zapytania użytkowników.
- Przetestuj agenta i MCP Toolbox for Databases w środowisku lokalnym.
Czego potrzebujesz
- przeglądarki Chrome;
- lokalne środowisko programistyczne Pythona,
2. Zanim zaczniesz
Utwórz projekt
- W konsoli Google Cloud na stronie wyboru projektu wybierz lub utwórz projekt Google Cloud.
- Sprawdź, czy w projekcie Cloud włączone są płatności. Dowiedz się, jak sprawdzić, czy w projekcie są włączone płatności .
- Będziesz używać Cloud Shell, czyli środowiska wiersza poleceń działającego w Google Cloud, które jest wstępnie załadowane narzędziem bq. U góry konsoli Google Cloud kliknij Aktywuj Cloud Shell.
- Po połączeniu z Cloud Shell sprawdź, czy uwierzytelnianie zostało już przeprowadzone, a projekt jest już ustawiony na Twój identyfikator projektu, używając tego polecenia:
gcloud auth list
- Aby potwierdzić, że polecenie gcloud zna Twój projekt, uruchom w Cloud Shell to polecenie:
gcloud config list project
- Jeśli projekt nie jest ustawiony, użyj tego polecenia, aby go ustawić:
gcloud config set project <YOUR_PROJECT_ID>
- Włącz wymagane interfejsy API za pomocą polecenia pokazanego poniżej. Może to potrwać kilka minut, więc prosimy o cierpliwość.
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
Po pomyślnym wykonaniu polecenia powinien wyświetlić się komunikat podobny do tego poniżej:
Operation "operations/..." finished successfully.
Alternatywą dla polecenia gcloud jest wyszukanie każdej usługi w konsoli lub skorzystanie z tego linku.
Jeśli pominiesz jakiś interfejs API, możesz go włączyć w trakcie wdrażania.
Informacje o poleceniach gcloud i ich użyciu znajdziesz w dokumentacji.
3. Zbiór danych z informacjami o wersjach Google i klienci MCP
Najpierw zapoznajmy się z informacjami o wersjach Google Cloud, które są regularnie aktualizowane na oficjalnej stronie z informacjami o wersjach Google Cloud. Zrzut ekranu tej strony znajdziesz poniżej:
Możesz subskrybować adres URL kanału, ale co by było, gdybyśmy mogli po prostu zapytać na czacie agenta o te informacje o wersji? Może to być proste zapytanie, np. „Poinformuj mnie o informacjach o wersjach Google Cloud”.
4. MCP Toolbox for Databases
MCP Toolbox for Databases to serwer MCP typu open source przeznaczony do baz danych. Został zaprojektowany z myślą o zastosowaniach w przedsiębiorstwach i środowiskach produkcyjnych. Umożliwia łatwiejsze, szybsze i bezpieczniejsze tworzenie narzędzi dzięki obsłudze złożonych funkcji, takich jak pula połączeń czy uwierzytelnianie.
Zestaw narzędzi pomaga tworzyć narzędzia generatywnej AI, które umożliwiają agentom dostęp do danych w bazie danych. Zestaw narzędzi zapewnia:
- Uproszczone tworzenie: zintegruj narzędzia z agentem za pomocą mniej niż 10 wierszy kodu, ponownie wykorzystuj narzędzia w wielu agentach lub platformach i łatwiej wdrażaj nowe wersje narzędzi.
- Lepsza wydajność: sprawdzone metody, takie jak agregacja połączeń, uwierzytelnianie i inne.
- Ulepszone zabezpieczenia: zintegrowane uwierzytelnianie zapewniające bezpieczniejszy dostęp do danych
- Kompleksowa dostrzegalność: gotowe wskaźniki i śledzenie z wbudowaną obsługą OpenTelemetry.
- Narzędzia ułatwiają łączenie baz danych z dowolnymi asystentami AI obsługującymi MCP, nawet tymi, które znajdują się w IDE.
Toolbox znajduje się między platformą orkiestracji aplikacji a bazą danych, zapewniając platformę sterującą, która służy do modyfikowania, rozpowszechniania i wywoływania narzędzi. Upraszcza zarządzanie narzędziami, ponieważ zapewnia centralną lokalizację do przechowywania i aktualizowania narzędzi. Umożliwia też udostępnianie narzędzi agentom i aplikacjom oraz aktualizowanie ich bez konieczności ponownego wdrażania aplikacji.
Podsumowując w prostych słowach:
- MCP Toolbox jest dostępny jako plik binarny, obraz kontenera lub możesz go utworzyć ze źródła.
- Udostępnia zestaw narzędzi, które konfigurujesz za pomocą pliku tools.yaml. Narzędzia te można traktować jako połączenia ze źródłami danych. Możesz zobaczyć różne źródła danych, które obsługuje : AlloyDB, BigQuery itp.
- Ten zestaw narzędzi obsługuje teraz MCP, więc automatycznie masz punkt końcowy serwera MCP, który może być używany przez agentów (IDE) lub podczas tworzenia aplikacji agentów przy użyciu różnych platform, takich jak pakiet Agent Development Kit (ADK).
W tym poście na blogu skupimy się na obszarach wyróżnionych poniżej:
Podsumowując, utworzymy w Narzędziach MCP dla baz danych konfigurację, która będzie wiedzieć, jak połączyć się ze zbiorem danych BigQuery. Następnie za pomocą pakietu Agent Development Kit (ADK) utworzymy agenta, który będzie zintegrowany z punktem końcowym zestawu narzędzi MCP i umożliwi nam wysyłanie zapytań w języku naturalnym dotyczących naszego zbioru danych. Możesz ją traktować jako aplikację opartą na agentach, którą tworzysz i która wie, jak komunikować się ze zbiorem danych BigQuery i uruchamiać zapytania.
5. Informacje o wersji zbioru danych BigQuery w Google Cloud
Program publicznych zbiorów danych Google Cloud udostępnia szereg zbiorów danych dla Twoich aplikacji. Jednym z takich zbiorów danych jest baza danych z informacjami o wersjach Google Cloud. Ten zbiór danych zawiera te same informacje co oficjalna strona z informacjami o wersjach Google Cloud i jest dostępny jako publiczny zbiór danych, w którym można wykonywać zapytania.
W ramach testu po prostu weryfikuję zbiór danych, uruchamiając proste zapytanie pokazane poniżej:
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
W ten sposób otrzymam listę rekordów z zestawu danych Release Notes, które zostały opublikowane w ciągu ostatnich 7 dni.
Zastąp go dowolnym innym zbiorem danych oraz odpowiednimi zapytaniami i parametrami. Teraz wystarczy skonfigurować to jako źródło danych i narzędzie w MCP Toolbox for Databases. Zobaczmy, jak to zrobić.
6. Instalowanie MCP Toolbox for Databases
Otwórz terminal na komputerze lokalnym i utwórz folder o nazwie mcp-toolbox.
mkdir mcp-toolbox
Przejdź do folderu mcp-toolbox za pomocą polecenia pokazanego poniżej:
cd mcp-toolbox
Zainstaluj binarną wersję zestawu narzędzi MCP Toolbox for Databases za pomocą skryptu podanego poniżej. Poniższe polecenie jest przeznaczone dla systemu Linux, ale jeśli używasz Maca lub Windowsa, pobierz odpowiedni plik binarny. Odwiedź stronę wersji dla Twojego systemu operacyjnego i architektury i pobierz odpowiedni plik binarny.
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
Mamy teraz gotową do użycia wersję binarną zestawu narzędzi. Następnym krokiem jest skonfigurowanie skrzynki narzędziowej za pomocą naszych źródeł danych i innych ustawień.
7. Konfigurowanie MCP Toolbox for Databases
Teraz musimy zdefiniować zbiór danych i narzędzia BigQuery w pliku tools.yaml, który jest potrzebny w narzędziach MCP dla baz danych. Plik tools.yaml to podstawowy sposób konfigurowania Toolboxa.
W tym samym folderze, czyli mcp-toolbox, utwórz plik o nazwie tools.yaml, którego zawartość jest pokazana poniżej.
Możesz użyć edytora nano dostępnego w Cloud Shell. Polecenie nano ma postać: „nano tools.yaml”.
Pamiętaj, aby zastąpić wartość YOUR_PROJECT_ID identyfikatorem projektu Google Cloud.
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
Krótki opis pliku:
- Źródła to różne źródła danych, z którymi narzędzie może wchodzić w interakcje. Źródło to źródło danych, z którym narzędzie może wchodzić w interakcje. Źródła możesz zdefiniować jako mapę w sekcji źródeł w pliku tools.yaml. Zazwyczaj konfiguracja źródła zawiera wszystkie informacje potrzebne do połączenia z bazą danych i korzystania z niej. W naszym przypadku zdefiniowaliśmy źródło BigQuery
my-bq-source. Musisz podać identyfikator projektu Google Cloud. Więcej informacji znajdziesz w sekcji Źródła. - Narzędzia określają działania, które może wykonywać agent, np. odczytywanie i zapisywanie danych w źródle. Narzędzie reprezentuje działanie, które może wykonać agent, np. uruchomienie instrukcji SQL. Narzędzia możesz zdefiniować jako mapę w sekcji narzędzi w pliku tools.yaml. Zwykle narzędzie wymaga źródła, na którym ma działać. W naszym przypadku definiujemy 1 narzędzie
search_release_notes_bq. Odwołuje się to do źródła BigQuerymy-bq-source, które zostało zdefiniowane w pierwszym kroku. Zawiera też oświadczenie i instrukcję, z których będą korzystać klienci agentów AI. Więcej informacji znajdziesz w dokumentacji narzędzi. - Na koniec mamy Zestaw narzędzi, który umożliwia definiowanie grup narzędzi, które chcesz wczytywać razem. Może to być przydatne do definiowania różnych grup na podstawie agenta lub aplikacji. W naszym przypadku mamy definicję zestawu narzędzi, w której zdefiniowaliśmy tylko 1 istniejące narzędzie –
search_release_notes_bq. Możesz mieć więcej niż 1 zestaw narzędzi, który zawiera kombinację różnych narzędzi.
Obecnie mamy zdefiniowane tylko jedno narzędzie, które pobiera informacje o wersji z ostatnich 7 dni zgodnie z zapytaniem. Możesz też tworzyć różne kombinacje z parametrami.
Więcej szczegółów konfiguracji znajdziesz w konfiguracji źródła danych BigQuery w MCP Toolbox for Databases.
8. Testowanie MCP Toolbox for Databases
Narzędzia zostały pobrane i skonfigurowane za pomocą pliku tools.yaml w folderze mcp-toolbox. Najpierw uruchommy go lokalnie.
Uruchom to polecenie:
./toolbox --config "tools.yaml"
Po pomyślnym wykonaniu zobaczysz uruchomienie serwera z przykładowymi danymi wyjściowymi podobnymi do tych poniżej:
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!"
Serwer MCP Toolbox działa domyślnie na porcie 5000. Jeśli okaże się, że port 5000 jest już używany, możesz użyć innego portu (np. 7000), zgodnie z poleceniem pokazanym poniżej. W kolejnych poleceniach używaj portu 7000 zamiast portu 5000.
./toolbox --config "tools.yaml" --port 7000
Użyjemy Cloud Shell, aby to przetestować.
W Cloud Shell kliknij Podgląd w przeglądarce, jak pokazano poniżej:
Kliknij Zmień port i ustaw port na 5000, jak pokazano poniżej. Następnie kliknij Zmień i wyświetl podgląd.
Powinny się wyświetlić te dane wyjściowe:
Testowanie narzędzi w interfejsie MCP Toolbox for Databases
Zestaw narzędzi udostępnia interfejs wizualny (interfejs zestawu narzędzi), który umożliwia bezpośrednie korzystanie z narzędzi przez modyfikowanie parametrów, zarządzanie nagłówkami i wykonywanie wywołań w prostym interfejsie internetowym.
Jeśli chcesz to przetestować, możesz uruchomić poprzednie polecenie, którego użyliśmy do uruchomienia serwera Toolbox, z opcją --ui.
Aby to zrobić, zamknij poprzednią instancję serwera MCP Toolbox for Databases, która może być uruchomiona, i wpisz to polecenie:
./toolbox --tools-file "tools.yaml" --ui
Powinien pojawić się komunikat informujący, że serwer połączył się ze źródłami danych i załadował zestaw narzędzi. Poniżej znajdziesz przykładowe dane wyjściowe. Zauważysz, że informują one o tym, że interfejs Toolbox działa.
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"
Kliknij adres URL interfejsu i sprawdź, czy na końcu adresu URL znajduje się znak /ui. Wyświetli się interfejs podobny do tego poniżej:
Po lewej stronie kliknij opcję Narzędzia, aby wyświetlić skonfigurowane narzędzia. W naszym przypadku powinno być tylko jedno, czyli search_release_notes_bq, jak pokazano poniżej:
Wystarczy kliknąć narzędzia (search_release_notes_bq), aby otworzyć stronę, na której możesz je wypróbować. Nie musisz podawać żadnych parametrów. Aby zobaczyć wynik, wystarczy kliknąć Uruchom narzędzie. Przykładowe uruchomienie pokazano poniżej:
9. Tworzenie agenta za pomocą pakietu Agent Development Kit (ADK)
Instalowanie pakietu Agent Development Kit (ADK)
Otwórz nową kartę terminala w Cloud Shell i utwórz folder o nazwie my-agents w ten sposób: Przejdź też do folderu my-agents.
mkdir my-agents
cd my-agents
Teraz utwórzmy wirtualne środowisko Pythona za pomocą narzędzia venv:
python -m venv .venv
Aktywuj środowisko wirtualne w ten sposób:
source .venv/bin/activate
Zainstaluj pakiety ADK i MCP Toolbox for Databases wraz z zależnością langchain w ten sposób:
pip install google-adk toolbox-core
Narzędzie adk możesz teraz wywołać w ten sposób:
adk
Wyświetli się lista poleceń.
$ 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.
Tworzenie pierwszej aplikacji agenta
Teraz użyjemy adk, aby utworzyć szkielet aplikacji Google Cloud Release Notes Agent za pomocą polecenia adk create z nazwą aplikacji **(gcp_releasenotes_agent_app)**podaną poniżej.
adk create gcp_releasenotes_agent_app
Wykonaj te czynności i wybierz:
- Wybierz model
gemini-3.8-flash, aby wybrać model dla agenta głównego. - Wybierz backend
Vertex AI. - Wyświetli się domyślny identyfikator projektu Google. Wybierz tę opcję.
- Wyświetli się bieżący region projektu Google Cloud. Wpisz
global.
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
Sprawdź folder, w którym utworzono szablon domyślny i wymagane pliki agenta.
Pierwszy jest plik .env. którego zawartość jest pokazana poniżej:
GOOGLE_GENAI_USE_ENTERPRISE=1
GOOGLE_CLOUD_PROJECT=YOUR_GOOGLE_PROJECT_ID
GOOGLE_CLOUD_LOCATION=YOUR_GOOGLE_PROJECT_REGION
Wartości te wskazują, że będziemy korzystać z Gemini w Gemini Enterprise wraz z odpowiednimi wartościami identyfikatora projektu Google Cloud i lokalizacji.
Następnie mamy plik __init__.py, który oznacza folder jako moduł i zawiera jedno stwierdzenie importujące agenta z pliku agent.py.
from . import agent
Na koniec przyjrzyjmy się plikowi agent.py. Treść jest widoczna poniżej:
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',
)
Jest to najprostszy agent, jakiego możesz napisać za pomocą pakietu ADK. Zgodnie z dokumentacją ADK agent to samodzielna jednostka wykonawcza zaprojektowana do autonomicznego działania w celu osiągnięcia określonych celów. Agenty mogą wykonywać zadania, wchodzić w interakcje z użytkownikami, korzystać z narzędzi zewnętrznych i współpracować z innymi agentami.
W szczególności LLMAgent, zwykle nazywany Agentem, wykorzystuje duże modele językowe (LLM) jako główny silnik do rozumienia języka naturalnego, wnioskowania, planowania, generowania odpowiedzi i dynamicznego decydowania, jak postępować lub których narzędzi użyć. Dzięki temu idealnie nadaje się do elastycznych zadań związanych z językiem. Więcej informacji o agentach LLM znajdziesz tutaj.
To już koniec tworzenia szkieletu do wygenerowania podstawowego agenta za pomocą pakietu Agent Development Kit (ADK). Teraz połączymy naszego agenta z MCP Toolbox, aby mógł używać tego narzędzia do odpowiadania na zapytania użytkowników (w tym przypadku będą to informacje o wersji Google Cloud).
10. Łączenie agenta z narzędziami
Połączymy teraz tego agenta z narzędziami. W kontekście ADK narzędzie to konkretna funkcja udostępniana agentowi AI, która umożliwia mu podejmowanie działań i interakcje ze światem wykraczające poza podstawowe możliwości generowania tekstu i rozumowania.
W tym przypadku wyposażymy naszego agenta w narzędzia, które skonfigurowaliśmy w zestawie narzędzi MCP dla baz danych.
Zmodyfikuj plik agent.py, wklejając do niego ten kod. Zwróć uwagę, że w kodzie używamy domyślnego portu 5000, ale jeśli używasz innego numeru portu, użyj go.
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,
)
Możemy teraz przetestować agenta, który będzie pobierać rzeczywiste dane ze zbioru danych BigQuery skonfigurowanego za pomocą MCP Toolbox for Databases.
Aby to zrobić, wykonaj te czynności:
W jednym z terminali Cloud Shell uruchom narzędzia MCP Toolbox for Databases. Może być już uruchomiony lokalnie na porcie 5000, ponieważ testowaliśmy go wcześniej. Jeśli nie, uruchom serwer, wykonując to polecenie (z poziomu folderu mcp-toolbox):
./toolbox --config "tools.yaml"
Powinien pojawić się komunikat informujący, że serwer połączył się ze źródłami danych i załadował zestaw narzędzi.
Gdy serwer MCP zostanie uruchomiony, w innym terminalu uruchom agenta za pomocą polecenia adk run (z folderu my-agents) pokazanego poniżej. Możesz też użyć polecenia adk web.
$ 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.
..
..
..
Zwróć uwagę, że agent korzysta z narzędzia skonfigurowanego w MCP Toolbox for Databases (search_release_notes_bq), pobiera dane ze zbioru danych BigQuery i odpowiednio formatuje odpowiedź.
11. Gratulacje
Gratulacje. Udało Ci się skonfigurować MCP Toolbox for Databases i zbiór danych BigQuery na potrzeby dostępu w klientach MCP.