O Google usa tecnologia de IA na tradução de conteúdos para seu idioma de preferência. As traduções com IA podem ter erros.

Caixa de ferramentas MCP para bancos de dados: como disponibilizar conjuntos de dados do BigQuery para clientes MCP

1. Introdução

Neste codelab, você vai usar a MCP Toolbox for Databases para disponibilizar seus conjuntos de dados do BigQuery.

No codelab, você vai usar uma abordagem gradual da seguinte forma:

Identifique um conjunto de dados específico do BigQuery ("Notas da versão do Google Cloud") no programa de conjuntos de dados públicos do BigQuery.
Configure a MCP Toolbox for Databases, que se conecta ao conjunto de dados do BigQuery.
Desenvolver um agente usando o Kit de Desenvolvimento de Agente (ADK) que vai usar a caixa de ferramentas do MCP para responder a consultas do usuário sobre as notas da versão do Google Cloud

O que você aprenderá

Configure o MCP Toolbox for Databases para expor as notas da versão do Google Cloud, um conjunto de dados público do BigQuery, como uma interface do MCP para outros clientes do MCP (IDEs, ferramentas etc.).

O que você vai aprender

Analise os conjuntos de dados públicos do BigQuery e escolha um específico.
Configure a MCP Toolbox for Databases para o conjunto de dados público do BigQuery que você quer disponibilizar aos clientes do MCP.
Projetar e desenvolver um agente usando o Kit de Desenvolvimento de Agente (ADK) para responder a consultas do usuário.
Teste o agente e a MCP Toolbox for Databases no ambiente local.

O que é necessário

Navegador da Web Chrome.
Um ambiente de desenvolvimento local do Python.

2. Antes de começar

Criar um projeto

No console do Google Cloud, na página de seletor de projetos, selecione ou crie um projeto do Google Cloud.
Verifique se o faturamento está ativado para seu projeto do Cloud. Saiba como verificar se o faturamento está ativado em um projeto .
Você vai usar o Cloud Shell, um ambiente de linha de comando executado no Google Cloud que vem pré-carregado com bq. Clique em "Ativar o Cloud Shell" na parte de cima do console do Google Cloud.

Imagem do botão "Ativar o Cloud Shell"

Depois de se conectar ao Cloud Shell, verifique se sua conta já está autenticada e se o projeto está configurado com seu ID do projeto usando o seguinte comando:

gcloud auth list

Execute o comando a seguir no Cloud Shell para confirmar se o comando gcloud sabe sobre seu projeto.

gcloud config list project

Se o projeto não estiver definido, use este comando:

gcloud config set project <YOUR_PROJECT_ID>

Ative as APIs necessárias com o comando abaixo. Isso pode levar alguns minutos.

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

Após a execução do comando, você vai ver uma mensagem semelhante à mostrada abaixo:

Operation "operations/..." finished successfully.

A alternativa ao comando gcloud é usar o console. Para isso, pesquise cada produto ou use este link.

Se alguma API for esquecida, você sempre poderá ativá-la durante a implementação.

Consulte a documentação para ver o uso e os comandos gcloud.

3. Conjunto de dados de notas da versão do Google e clientes do MCP

Primeiro, vamos conferir as notas da versão do Google Cloud, que são atualizadas regularmente na página oficial de notas da versão do Google Cloud. Confira uma captura de tela abaixo:

Você pode se inscrever no URL do feed, mas e se pudéssemos simplesmente perguntar no chat do agente sobre essas notas da versão? Talvez uma consulta simples como "Me atualize sobre as notas da versão do Google Cloud".

4. MCP Toolbox for Databases

O MCP Toolbox for Databases é um servidor MCP de código aberto para bancos de dados. Ele foi projetado com qualidade de produção e nível empresarial em mente. Ele permite desenvolver ferramentas com mais facilidade, rapidez e segurança, lidando com complexidades como pool de conexões, autenticação e muito mais.

A caixa de ferramentas ajuda você a criar ferramentas de IA generativa que permitem que seus agentes acessem dados no seu banco de dados. A caixa de ferramentas oferece:

Desenvolvimento simplificado: integre ferramentas ao seu agente em menos de 10 linhas de código, reutilize ferramentas entre vários agentes ou frameworks e implante novas versões de ferramentas com mais facilidade.
Melhor desempenho: práticas recomendadas, como pooling de conexões, autenticação e muito mais.
Segurança aprimorada: autenticação integrada para acesso mais seguro aos seus dados
Observabilidade de ponta a ponta: métricas e rastreamento prontos para uso com suporte integrado ao OpenTelemetry.
A caixa de ferramentas facilita a conexão de bancos de dados a qualquer assistente de IA compatível com o MCP, mesmo aqueles que estão no seu ambiente de desenvolvimento integrado.

A caixa de ferramentas fica entre o framework de orquestração do aplicativo e o banco de dados, fornecendo um plano de controle usado para modificar, distribuir ou invocar ferramentas. Ele simplifica o gerenciamento das suas ferramentas, oferecendo um local centralizado para armazenar e atualizar ferramentas, permitindo que você compartilhe ferramentas entre agentes e aplicativos e atualize essas ferramentas sem precisar reimplantar o aplicativo.

Para resumir em palavras simples:

A caixa de ferramentas do MCP está disponível como um binário, uma imagem de contêiner ou pode ser criada com base na origem.
Ele expõe um conjunto de ferramentas que você configura usando um arquivo tools.yaml. As ferramentas podem ser consideradas como uma conexão com suas fontes de dados. É possível conferir as várias fontes de dados compatíveis : AlloyDB, BigQuery etc.
Como essa caixa de ferramentas agora é compatível com o MCP, você tem automaticamente um endpoint do servidor MCP que pode ser usado pelos agentes (IDEs) ou durante o desenvolvimento de aplicativos de agente usando várias estruturas, como o Kit de Desenvolvimento de Agente (ADK).

Nesta postagem do blog, vamos focar nas áreas destacadas abaixo:

Em resumo, vamos criar uma configuração na MCP Toolbox for Databases que sabe como se conectar ao nosso conjunto de dados do BigQuery. Em seguida, vamos desenvolver um agente usando o Kit de Desenvolvimento de Agente (ADK) que se integra ao endpoint da MCP Toolbox e permite enviar consultas naturais para perguntar sobre nosso conjunto de dados. Pense nisso como um aplicativo agêntico que você está desenvolvendo e que sabe como se comunicar com seu conjunto de dados do BigQuery e executar algumas consultas.

5. Conjunto de dados do BigQuery para as notas da versão do Google Cloud

O Programa de conjuntos de dados públicos do Google Cloud disponibiliza uma variedade de conjuntos de dados para seus aplicativos. Um desses conjuntos de dados é o banco de dados das notas da versão do Google Cloud. Esse conjunto de dados oferece as mesmas informações da página oficial das notas da versão do Google Cloud e está disponível como um conjunto de dados consultável publicamente.

Como teste, basta validar o conjunto de dados executando uma consulta simples, conforme mostrado abaixo:

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

Isso me dá uma lista de registros do conjunto de dados "Notas da versão" que foram publicados nos últimos sete dias.

Substitua por qualquer outro conjunto de dados, consultas e parâmetros que você quiser. Agora, basta configurar isso como uma fonte de dados e uma ferramenta na MCP Toolbox for Databases. Vamos ver como fazer isso.

6. Instalar o MCP Toolbox for Databases

Abra um terminal na máquina local e crie uma pasta chamada mcp-toolbox.

mkdir mcp-toolbox

Acesse a pasta mcp-toolbox com o comando abaixo:

cd mcp-toolbox

Instale a versão binária do MCP Toolbox for Databases usando o script abaixo. O comando abaixo é para Linux, mas, se você estiver usando Mac ou Windows, baixe o binário correto. Confira a página de versões do seu sistema operacional e arquitetura e faça o download do binário correto.

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

Agora temos a versão binária da caixa de ferramentas pronta para uso. A próxima etapa é configurar a caixa de ferramentas com nossas fontes de dados e outras configurações.

7. Configurar o MCP Toolbox for Databases

Agora, precisamos definir nosso conjunto de dados e ferramentas do BigQuery no arquivo tools.yaml, que é necessário para a MCP Toolbox for Databases. O arquivo tools.yaml é a principal maneira de configurar a caixa de ferramentas.

Crie um arquivo chamado tools.yaml na mesma pasta, ou seja, mcp-toolbox, cujo conteúdo é mostrado abaixo.

Você pode usar o editor nano disponível no Cloud Shell. O comando nano é: "nano tools.yaml".

Substitua o valor YOUR_PROJECT_ID pelo ID do projeto do 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

Entenda o arquivo brevemente:

As fontes representam as diferentes origens de dados com que uma ferramenta pode interagir. Uma origem representa uma fonte de dados com que uma ferramenta pode interagir. É possível definir fontes como um mapa na seção "sources" do arquivo tools.yaml. Normalmente, uma configuração de origem contém todas as informações necessárias para se conectar e interagir com o banco de dados. No nosso caso, definimos uma origem do BigQuery my-bq-source, e você precisa fornecer o ID do projeto do Google Cloud. Para mais informações, consulte a referência Fontes.
As ferramentas definem as ações que um agente pode realizar, como ler e gravar em uma fonte. Uma ferramenta representa uma ação que o agente pode realizar, como executar uma instrução SQL. É possível definir ferramentas como um mapa na seção "tools" do arquivo tools.yaml. Normalmente, uma ferramenta precisa de uma fonte para agir. No nosso caso, definimos uma única ferramenta search_release_notes_bq. Isso faz referência à origem do BigQuery my-bq-source que definimos na primeira etapa. Ele também tem a declaração e a instrução que serão usadas pelos clientes do agente de IA. Para mais informações, consulte a referência de Ferramentas.
Por fim, temos o conjunto de ferramentas, que permite definir grupos de ferramentas que você quer carregar juntas. Isso pode ser útil para definir diferentes grupos com base no agente ou no aplicativo. No nosso caso, temos uma definição de conjunto de ferramentas em que definimos apenas uma ferramenta search_release_notes_bq. É possível ter mais de um conjunto de ferramentas, que tem uma combinação de ferramentas diferentes.

No momento, definimos apenas uma ferramenta que recebe as notas da versão dos últimos sete dias, de acordo com a consulta. Mas você também pode ter várias combinações com parâmetros.

Confira mais detalhes de configuração na Configuração da fonte de dados do BigQuery na MCP Toolbox for Databases.

8. Testar a MCP Toolbox for Databases

Fizemos o download e configuramos a caixa de ferramentas com o arquivo tools.yaml na pasta mcp-toolbox. Primeiro, vamos executar o app localmente.

Execute o seguinte comando:

./toolbox --config "tools.yaml"

Se a execução for bem-sucedida, você vai ver uma inicialização do servidor com uma saída de exemplo semelhante a esta:

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!"

O servidor da caixa de ferramentas do MCP é executado por padrão na porta 5000. Se você descobrir que a porta 5000 já está em uso, use outra porta (por exemplo, 7000), conforme o comando mostrado abaixo. Use 7000 em vez da porta 5000 nos comandos subsequentes.

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

Vamos usar o Cloud Shell para testar isso.

Clique em "Visualização da Web" no Cloud Shell, conforme mostrado abaixo:

Clique em Alterar porta e defina a porta como 5000, conforme mostrado abaixo. Depois, clique em "Alterar e visualizar".

Isso vai gerar a seguinte saída:

Testar as ferramentas na interface da MCP Toolbox for Databases

A caixa de ferramentas oferece uma interface visual (interface da caixa de ferramentas) para interagir diretamente com as ferramentas modificando parâmetros, gerenciando cabeçalhos e executando chamadas, tudo em uma interface da Web simples.

Para testar isso, execute o comando anterior que usamos para iniciar o servidor da caixa de ferramentas com uma opção --ui.

Para fazer isso, encerre a instância anterior do servidor da MCP Toolbox for Databases que você pode estar executando e execute o seguinte comando:

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

O ideal é que você veja uma saída informando que o servidor conseguiu se conectar às nossas fontes de dados e carregou o conjunto de ferramentas e as ferramentas. Confira abaixo um exemplo de saída. Você vai notar que ela menciona que a interface da caixa de ferramentas está funcionando.

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"

Clique no URL da interface e verifique se você tem o /ui no final do URL. Isso vai mostrar uma interface como esta:

Clique na opção "Ferramentas" à esquerda para conferir as ferramentas configuradas. No nosso caso, deve haver apenas uma, ou seja, search_release_notes_bq, conforme mostrado abaixo:

Basta clicar nas ferramentas (search_release_notes_bq) para abrir uma página em que você pode testar a ferramenta. Como não há parâmetros a serem fornecidos, basta clicar em Executar ferramenta para ver o resultado. Confira um exemplo de execução abaixo:

9. Como escrever nosso agente com o Kit de Desenvolvimento de Agente (ADK)

Instalar o Kit de Desenvolvimento de Agente (ADK)

Abra uma nova guia do terminal no Cloud Shell e crie uma pasta chamada my-agents da seguinte maneira. Navegue até a pasta my-agents também.

mkdir my-agents
cd my-agents

Agora, vamos criar um ambiente virtual do Python usando venv da seguinte maneira:

python -m venv .venv

Ative o ambiente virtual da seguinte maneira:

source .venv/bin/activate

Instale o ADK e os pacotes do MCP Toolbox for Databases junto com a dependência do langchain da seguinte maneira:

pip install google-adk toolbox-core

Agora você pode invocar o utilitário adk da seguinte maneira.

adk

Uma lista de comandos vai aparecer.

$ 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.

Como criar nosso primeiro aplicativo de agente

Agora vamos usar adk para criar um scaffolding para o aplicativo do agente de notas da versão do Google Cloud usando o comando adk create com o nome do app **(gcp_releasenotes_agent_app)**, conforme mostrado abaixo.

adk create gcp_releasenotes_agent_app

Siga as etapas e selecione o seguinte:

Escolha o modelo gemini-3.8-flash para o agente raiz.
Escolha Vertex AI para o back-end.
O ID do projeto padrão do Google vai aparecer. Selecione essa opção.
A região do projeto atual do Google Cloud vai aparecer. Digite 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

Observe a pasta em que um modelo padrão e os arquivos necessários para o agente foram criados.

Primeiro, o arquivo .env. O conteúdo é mostrado abaixo:

GOOGLE_GENAI_USE_ENTERPRISE=1
GOOGLE_CLOUD_PROJECT=YOUR_GOOGLE_PROJECT_ID
GOOGLE_CLOUD_LOCATION=YOUR_GOOGLE_PROJECT_REGION

Os valores indicam que vamos usar o Gemini com o Gemini Enterprise, além dos valores respectivos para o ID e o local do projeto do Google Cloud.

Em seguida, temos o arquivo __init__.py, que marca a pasta como um módulo e tem uma única instrução que importa o agente do arquivo agent.py.

from . import agent

Por fim, vamos analisar o arquivo agent.py. O conteúdo é mostrado abaixo:

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',
)

Esse é o agente mais simples que você pode escrever com o ADK. Na página de documentação do ADK, um agente é uma unidade de execução independente projetada para agir de forma autônoma e alcançar metas específicas. Os agentes podem realizar tarefas, interagir com usuários, usar ferramentas externas e coordenar com outros agentes.

Especificamente, um LLMAgent, geralmente conhecido como Agent, usa modelos de linguagem grandes (LLMs) como mecanismo principal para entender a linguagem natural, raciocinar, planejar, gerar respostas e decidir dinamicamente como proceder ou quais ferramentas usar, o que os torna ideais para tarefas flexíveis e centradas na linguagem. Saiba mais sobre os agentes de LLM aqui.

Isso conclui nosso scaffolding para gerar um agente básico usando o Kit de Desenvolvimento de Agente (ADK). Agora vamos conectar nosso agente à caixa de ferramentas do MCP para que ele possa usar essa ferramenta e responder às consultas do usuário (neste caso, serão as notas da versão do Google Cloud).

10. Conectar nosso agente a ferramentas

Vamos conectar esse agente às ferramentas agora. No contexto do ADK, uma ferramenta representa uma capacidade específica fornecida a um agente de IA, para que ele execute ações e interaja com o mundo além de suas habilidades básicas de geração de texto e raciocínio.

No nosso caso, vamos equipar nosso agente com as ferramentas que configuramos na MCP Toolbox for Databases.

Modifique o arquivo agent.py com o seguinte código. Observe que estamos usando a porta padrão 5000 no código, mas, se você estiver usando um número de porta alternativo, use esse número.

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,
)

Agora podemos testar o agente que vai buscar dados reais do nosso conjunto de dados do BigQuery, que foi configurado com a MCP Toolbox for Databases.

Para isso, siga esta sequência:

Em um terminal do Cloud Shell, inicie o MCP Toolbox for Databases. Talvez ele já esteja sendo executado localmente na porta 5000, como testamos antes. Caso contrário, execute o seguinte comando (na pasta mcp-toolbox) para iniciar o servidor:

./toolbox --config "tools.yaml"

O ideal é que você veja uma saída informando que o servidor conseguiu se conectar às nossas fontes de dados e carregou o conjunto de ferramentas e as ferramentas.

Depois que o servidor MCP for iniciado, em outro terminal, inicie o agente com o comando adk run (da pasta my-agents) mostrado abaixo. Se preferir, use o comando 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.
..
..
..

O agente usa a ferramenta que configuramos na MCP Toolbox for Databases (search_release_notes_bq) e recupera os dados do conjunto de dados do BigQuery, formatando a resposta de acordo.

11. Parabéns

Parabéns! Você configurou a MCP Toolbox for Databases e um conjunto de dados do BigQuery para acesso em clientes do MCP.