Google 會運用 AI 技術將內容翻譯成你偏好的語言，但可能會出錯。

資料庫專用的 MCP 工具箱：為 MCP 用戶端提供 BigQuery 資料集

1. 簡介

在本程式碼研究室中，您將使用 MCP Toolbox for Databases 開放存取 BigQuery 資料集。

在本程式碼研究室中，您將逐步完成下列步驟：

從 BigQuery 公開資料集計畫中，找出特定 BigQuery 資料集 (「Google Cloud 發行說明」)。
設定 MCP Toolbox for Databases，連線至 BigQuery 資料集。
使用 Agent Development Kit (ADK) 開發代理，並透過 MCP Toolbox 回答使用者有關 Google Cloud 版本資訊的查詢

執行步驟

設定 MCP Toolbox for Databases，將 Google Cloud 版本資訊 (公開 BigQuery 資料集) 做為 MCP 介面，提供給其他 MCP 用戶端 (IDE、工具等)。

課程內容

探索 BigQuery 公開資料集，然後選擇特定資料集。
為要提供給 MCP 用戶端的 BigQuery 公開資料集設定 MCP Toolbox for Databases。
使用 Agent Development Kit (ADK) 設計及開發代理，回答使用者查詢。
在本機環境中測試 Agent 和 MCP Toolbox for Databases。

軟硬體需求

Chrome 網路瀏覽器。
本機 Python 開發環境。

2. 事前準備

建立專案

在 Google Cloud 控制台的專案選擇器頁面中，選取或建立 Google Cloud 專案。
確認 Cloud 專案已啟用計費功能。瞭解如何檢查專案是否已啟用計費功能。
您將使用 Cloud Shell，這是預先載入 bq 的 Google Cloud 指令列環境。點選 Google Cloud 控制台頂端的「啟用 Cloud Shell」。

「啟用 Cloud Shell」按鈕圖片

連至 Cloud Shell 後，請使用下列指令檢查驗證是否已完成，專案是否已設為獲派的專案 ID：

gcloud auth list

在 Cloud Shell 中執行下列指令，確認 gcloud 指令知道您的專案。

gcloud config list project

如果未設定專案，請使用下列指令設定：

gcloud config set project <YOUR_PROJECT_ID>

透過下列指令啟用必要的 API。這項作業可能需要幾分鐘才能完成，請耐心等候。

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

成功執行指令後，您應該會看到類似下方的訊息：

Operation "operations/..." finished successfully.

您也可以透過控制台搜尋各項產品，或使用這個連結，取代 gcloud 指令。

如果遺漏任何 API，您隨時可以在導入過程中啟用。

如要瞭解 gcloud 指令和用法，請參閱說明文件。

3. Google 版本資訊資料集和 MCP 用戶端

首先，請參閱官方 Google Cloud 版本資訊網頁上定期更新的 Google Cloud 版本資訊，螢幕截圖如下所示：

你可能會訂閱動態消息網址，但如果我們可以在 Agent Chat 中詢問這些版本資訊，會怎麼樣呢？例如「請提供 Google Cloud 版本資訊的最新消息」。

4. MCP Toolbox for Databases

MCP Toolbox for Databases 是資料庫專用的開放原始碼 MCP 伺服器，專為企業級和生產品質而設計。這項服務可處理連線集區和驗證等複雜作業，讓您更輕鬆、快速且安全地開發工具。

您可以透過 Toolbox 建構生成式 AI 工具，讓代理程式存取資料庫中的資料。工具箱提供：

簡化開發作業：整合工具至代理程式時，程式碼行數少於 10 行；在多個代理程式或架構之間重複使用工具；更輕鬆地部署新版工具。
提升效能：連線集區、驗證等最佳做法。
強化安全性：整合式驗證機制，可更安全地存取資料
端對端可觀測性：內建支援 OpenTelemetry，提供立即可用的指標和追蹤功能。
有了 Toolbox，您可以輕鬆將資料庫連結至任何支援 MCP 的 AI 助理，包括 IDE 中的助理。

Toolbox 位於應用程式的協調架構和資料庫之間，提供用於修改、發布或叫用工具的控制平面。這項功能提供集中式位置來儲存及更新工具，方便您管理工具，並在代理程式和應用程式之間共用工具，以及更新這些工具，不必重新部署應用程式。

簡單來說：

MCP Toolbox 可以二進位檔或容器映像檔的形式提供，您也可以從來源建構。
並透過 tools.yaml 檔案設定一組工具。這些工具可視為連結資料來源。您可以查看支援的各種資料來源：AlloyDB、BigQuery 等。
由於這個工具箱現在支援 MCP，您會自動取得 MCP 伺服器端點，供代理 (IDE) 使用，或在透過各種架構 (如 Agent Development Kit (ADK)) 開發代理應用程式時使用。

本網誌文章將著重於以下重點領域：

總之，我們將在 MCP Toolbox for Databases 中建立設定，瞭解如何連線至 BigQuery 資料集。接著，我們將使用 Agent Development Kit (ADK) 開發代理，與 MCP Toolbox 端點整合，並允許我們傳送自然查詢，詢問有關資料集的問題。您可以將其視為您開發的代理應用程式，這類應用程式知道如何與 BigQuery 資料集通訊，並執行一些查詢。

5. Google Cloud BigQuery 資料集版本說明

Google Cloud 公開資料集計畫提供一系列資料集，供您用於應用程式。其中一個例子是 Google Cloud 版本資訊資料庫。這個資料集提供的資訊與官方 Google Cloud 版本資訊網頁相同，而且可公開查詢。

做為測試，我只要執行下列簡單查詢，即可驗證資料集：

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

這樣一來，我就可以取得過去 7 天內發布的「發行說明」資料集記錄清單。

您可以將這個資料集替換為任何其他資料集，以及您想要的相關查詢和參數。現在只要在 MCP Toolbox for Databases 中，將其設為資料來源和工具即可。我們來看看如何操作。

6. 安裝 MCP Toolbox for Databases

在本機開啟終端機，然後建立名為 mcp-toolbox 的資料夾。

mkdir mcp-toolbox

透過下列指令前往 mcp-toolbox 資料夾：

cd mcp-toolbox

透過下列指令碼安裝 MCP Toolbox for Databases 的二進位檔版本。下列指令適用於 Linux，但如果您使用 Mac 或 Windows，請務必下載正確的二進位檔。查看作業系統和架構的發布頁面，並下載正確的二進位檔。

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

現在我們可以使用工具箱的二進位版本。下一步是使用資料來源和其他設定來設定工具箱。

7. 設定 MCP Toolbox for Databases

現在，我們需要在 MCP Toolbox for Database tools.yaml 檔案中定義 BigQuery 資料集和工具。設定 Toolbox 的主要方式是透過 tools.yaml 檔案。

在同一個資料夾 (即 mcp-toolbox) 中建立名為 tools.yaml 的檔案，內容如下所示。

您可以使用 Cloud Shell 提供的 nano 編輯器。nano 指令如下：「nano tools.yaml」。

請記得將 YOUR_PROJECT_ID 值替換為您的 Google Cloud 專案 ID。

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

讓我們簡要瞭解檔案：

來源代表工具可互動的不同資料來源。來源代表工具可互動的資料來源。您可以在 tools.yaml 檔案的來源部分中，將來源定義為對應。一般來說，來源設定會包含連線及與資料庫互動所需的任何資訊。在本例中，我們已定義 BigQuery 來源 my-bq-source，您需要提供 Google Cloud 專案 ID。詳情請參閱「來源」參考資料。
工具會定義代理程式可執行的動作，例如讀取及寫入來源。工具代表代理程式可執行的動作，例如執行 SQL 陳述式。您可以在 tools.yaml 檔案的工具部分，將工具定義為對應。通常工具需要來源才能運作。在本例中，我們定義單一工具 search_release_notes_bq。這會參照我們在第一個步驟中定義的 BigQuery 來源 my-bq-source。此外，當中也包含 AI 代理用戶端會使用的陳述內容和指令。詳情請參閱「工具」參考資料。
最後是工具集，可讓您定義要一起載入的工具群組。這項功能有助於根據代理程式或應用程式定義不同群組。在本例中，我們有一個工具集定義，目前只定義了一個現有工具 search_release_notes_bq。您可以有多個工具集，每個工具集都包含不同的工具組合。

因此目前我們只定義了一項工具，可根據查詢內容取得過去 7 天的發行說明。但您也可以使用各種參數組合。

如要查看更多設定詳細資料，請參閱 MCP Toolbox for Databases 中的「BigQuery 資料來源設定」。

8. 測試 MCP Toolbox for Databases

我們已在 mcp-toolbox 資料夾中，使用 tools.yaml 檔案下載及設定工具箱。請先在本機執行。

執行下列指令：

./toolbox --config "tools.yaml"

執行成功後，您應該會看到伺服器啟動，並輸出類似下方的範例：

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 Toolbox 伺服器預設會在通訊埠 5000 上執行。如果發現通訊埠 5000 已在使用中，請隨意使用其他通訊埠 (例如 7000)，如下所示。請在後續指令中使用 7000，而非 5000 連接埠。

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

我們將使用 Cloud Shell 進行測試。

在 Cloud Shell 中點選「網頁預覽」，如下所示：

按一下「變更通訊埠」，然後將通訊埠設為 5000，如下所示，並按一下「變更並預覽」。

這應該會產生下列輸出內容：

透過 MCP Toolbox for Databases 使用者介面測試工具

工具箱提供視覺化介面 (工具箱 UI)，可直接與工具互動，方法是在簡單的網頁 UI 中修改參數、管理標頭及執行呼叫。

如要測試，請執行先前用來啟動 Toolbox 伺服器的指令，並加上 --ui 選項。

如要這麼做，請關閉先前可能正在執行的 MCP Toolbox for Databases 伺服器執行個體，然後執行下列指令：

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

理想情況下，您應該會看到伺服器已連線至資料來源，並已載入工具集和工具的輸出內容。以下是輸出範例，您會發現其中提到 Toolbox UI 正在運作。

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"

點選使用者介面網址，確認網址結尾有 /ui。系統會顯示如下所示的 UI：

按一下左側的「工具」選項，即可查看已設定的工具。在本例中，應該只有一個工具，即 search_release_notes_bq，如下所示：

只要按一下工具 (search_release_notes_bq)，系統就會顯示頁面，供您測試工具。由於不需要提供任何參數，只要按一下「執行工具」即可查看結果。以下是範例執行結果：

9. 使用 Agent Development Kit (ADK) 編寫 AI 代理

安裝 Agent Development Kit (ADK)

在 Cloud Shell 中開啟新的終端機分頁，然後建立名為 my-agents 的資料夾，如下所示。前往 my-agents 資料夾。

mkdir my-agents
cd my-agents

現在，讓我們使用 venv 建立虛擬 Python 環境，如下所示：

python -m venv .venv

按照下列步驟啟動虛擬環境：

source .venv/bin/activate

一併安裝 ADK 和 MCP Toolbox for Databases 套件，以及 langchain 依附元件，如下所示：

pip install google-adk toolbox-core

現在可以透過以下方式叫用 adk 公用程式。

adk

系統會顯示指令清單。

$ 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.

建立第一個代理應用程式

我們現在要使用 adk，透過 adk create 指令，為 Google Cloud 版本資訊代理程式應用程式建立架構，並將應用程式名稱設為 **(gcp_releasenotes_agent_app)**，如下所示。

adk create gcp_releasenotes_agent_app

按照步驟選取下列項目：

選擇 gemini-3.8-flash 模型，為根代理選擇模型。
選擇 Vertex AI 做為後端。
系統會顯示預設的 Google 專案 ID。選取該項目。
系統會顯示目前的 Google Cloud 專案區域。請務必輸入 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

觀察已建立預設範本和 Agent 必要檔案的資料夾。

首先是 .env 檔案。內容如下所示：

GOOGLE_GENAI_USE_ENTERPRISE=1
GOOGLE_CLOUD_PROJECT=YOUR_GOOGLE_PROJECT_ID
GOOGLE_CLOUD_LOCATION=YOUR_GOOGLE_PROJECT_REGION

這些值表示我們將透過 Gemini Enterprise 使用 Gemini，以及 Google Cloud 專案 ID 和位置的相應值。

接著是 __init__.py 檔案，這個檔案會將資料夾標示為模組，並包含從 agent.py 檔案匯入代理程式的單一陳述式。

from . import agent

最後，我們來看看 agent.py 檔案。內容如下所示：

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',
)

這是您可以使用 ADK 編寫的最簡單代理。根據 ADK 說明文件頁面，代理是獨立運作的執行單元，專門用於自主達成特定目標，包括執行工作、與使用者互動、運用外部工具，以及與其他代理協調。

具體來說，LLMAgent (通常別名為 Agent) 會使用大型語言模型 (LLM) 做為核心引擎，理解自然語言、推論、規劃、生成回覆，並動態決定如何繼續或使用哪些工具，因此非常適合彈性、以語言為中心的工作。如要進一步瞭解 LLM 代理，請按這裡。

這樣就完成架構，可使用 Agent Development Kit (ADK) 生成基本代理。現在我們要將 Agent 連線至 MCP Toolbox，讓 Agent 使用該工具回答使用者查詢 (在本例中，查詢內容為 Google Cloud 版本資訊)。

10. 將 Agent 連結至工具

我們現在要將這個代理程式連結至工具。在 ADK 架構，工具代表賦予 AI 代理的特定能力，用於執行各種動作並與世界互動，而不侷限於核心的文字生成和推論能力。

在本例中，我們現在要為代理提供在 MCP Toolbox for Databases 中設定的工具。

使用下列程式碼修改 agent.py 檔案。請注意，我們在程式碼中使用預設通訊埠 5000，但如果您使用其他通訊埠號碼，請使用該號碼。

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,
)

現在可以測試 Agent，從透過 MCP Toolbox for Databases 設定的 BigQuery 資料集擷取實際資料。

如要執行這項操作，請按照下列步驟操作：

在 Cloud Shell 的其中一個終端機中，啟動 MCP Toolbox for Databases。如先前測試時，您可能已在本機的通訊埠 5000 上執行。如果沒有，請執行下列指令 (從 mcp-toolbox 資料夾) 啟動伺服器：

./toolbox --config "tools.yaml"

理想情況下，您應該會看到伺服器已連線至資料來源，並已載入工具集和工具的輸出內容。

MCP 伺服器成功啟動後，請在另一個終端機中，透過下方顯示的 adk run (來自 my-agents 資料夾) 指令啟動代理程式。如有需要，您也可以使用 adk web 指令。

$ 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.
..
..
..

請注意，代理會使用我們在 MCP Toolbox for Databases 中設定的工具 (search_release_notes_bq)，從 BigQuery 資料集擷取資料，並據此設定回應格式。

11. 恭喜

恭喜！您已成功設定 MCP Toolbox for Databases，並設定 BigQuery 資料集，供 MCP 用戶端存取。