使用多資料庫持續性功能建構智慧型電子商務目錄

1. 簡介

在現代零售業中，資料是多元且龐大的生態系統。您有可靠的交易資料 (定價和庫存)、多型態的「雜亂」目錄 (電子產品規格與服飾尺寸)，以及數 PB 的行為記錄。如果硬要將這些功能塞進單一巨型架構，不只會產生技術債，還會破壞使用者體驗。

在本程式碼實驗室中，您將建構多語言強大架構，整合以下項目：

「獨門秘訣」是什麼？您將使用 MCP Toolbox for Databases，以智慧方式自動調度管理及整合在 Cloud Run 上執行的資料來源，做為語意橋梁，然後使用 Agent Development Kit (ADK) 部署多代理即時通訊應用程式。您不只是在建構搜尋列，而是在打造智慧零售大腦，能理解情境、遵守限制，並將原始資料轉化為人類意圖。

不可能的使用者查詢

標準電子商務代理無法進行多維度推理 (結合負面限制、視覺相似度和即時庫存)。舉例來說，我通常會想和零售網站這樣對話：

「我正在規劃高海拔攝影之旅，我想找一些防水背包，款式要類似「AeroGlow Pro」，但不能有任何皮革材質。另外，請告訴我這款相機包是否有現貨，以及是否有其他攝影師在評論中抱怨背帶不耐用。」

為什麼這項查詢是「代理殺手」：

  • 視覺相似度 (AlloyDB + 向量搜尋)：「與 AeroGlow Pro 風格相似」需要比較圖片嵌入。
  • 負面限制 (MongoDB)：「不含任何皮革」需要篩選彈性的巢狀屬性，這些屬性通常不在標準 SQL 結構定義中。
  • 即時商品目錄 (AlloyDB)：「實際有現貨」需要即時交易檢查，而非過時的搜尋索引。
  • 語意合成 (BigQuery + 多代理)：如要分析「錶帶耐用度」相關評論，代理必須即時彙整 BigQuery 中的非結構化意見回饋。

大多數零售機器人只會看到「背包」和「皮革」，並顯示 10 個皮革背包。我們如何阻止這種情況？

因為我們不只比對關鍵字，我們使用 MCP Toolbox，讓代理能同時「推論」所有來源，包括 AlloyDB 的交易資料和 MongoDB 的彈性屬性。一起來打造吧！

學習內容

電子商務多資料庫架構

必要條件

2. 事前準備

建立 Google Cloud 專案

  1. 在 Google Cloud 控制台的專案選取器頁面中，選取或建立 Google Cloud 專案。
  2. 確認 Cloud 專案已啟用計費功能。瞭解如何確認專案是否已啟用計費功能。

啟動 Cloud Shell

Cloud Shell 是在 Google Cloud 中運作的指令列環境，已預先載入必要工具。

  1. 點選 Google Cloud 控制台頂端的「啟用 Cloud Shell」。
  2. 連至 Cloud Shell 後，請驗證您的驗證狀態：
    gcloud auth list
  3. 確認專案已設定：
    gcloud config get project
  4. 如果專案未如預期設定，請執行下列指令：
    export PROJECT_ID=<YOUR_PROJECT_ID>
gcloud config set project $PROJECT_ID

設定變數

在 Cloud Shell 設定專案 ID 和專案編號的環境變數：

export PROJECT_ID=$(gcloud config get-value project)
export PROJECT_NUMBER=$(gcloud projects describe $PROJECT_ID --format="value(projectNumber)")

啟用必要的 API

執行下列指令，啟用所有必要 API：

gcloud services enable \
  alloydb.googleapis.com \
  bigquery.googleapis.com \
  storage.googleapis.com \
  run.googleapis.com \
  cloudbuild.googleapis.com \
  artifactregistry.googleapis.com \
  iam.googleapis.com \
  secretmanager.googleapis.com \
  compute.googleapis.com \
  servicenetworking.googleapis.com \
  aiplatform.googleapis.com

3. 設定 Cloud Storage

Cloud Storage 可做為非結構化媒體素材資源 (例如產品圖片) 的大型儲存庫。

  1. 在 Google Cloud 控制台中，前往「Cloud Storage」，然後點選「建立 bucket」。
  2. 為 bucket 指定全域不重複的名稱，例如 -ecommerce-images。
  3. 點選「建立」。
  4. 如要允許試用版應用程式在未經驗證的情況下存取圖片，請取消勾選「強制禁止公開存取這個值區」選項，然後按一下「確認」。
  5. 前往「權限」分頁。
  6. 在「權限」中，按一下「授予存取權」。
  7. 在「New principals」(新增主體) 中輸入 allUsers。
  8. 在「請選擇角色」部分，依序選取「Cloud Storage」 >「Storage 物件檢視者」。
  9. 依序點選「儲存」和「允許公開存取」，確認要將資源設為公開。
  10. 在 Cloud Shell 中，將 bucket 名稱儲存至變數：
    export BUCKET=<your-bucket-name>
    將 替換為您建立的 bucket 名稱。

上傳預留位置圖片

專案會使用預留位置圖片，提供最佳視覺體驗。

  1. 在 Cloud Shell 中複製存放區：
    git clone https://github.com/AbiramiSukumaran/polyglot-persist-ecommerce.git
  2. 前往 UploadImages 資料夾：
    cd polyglot-persist-ecommerce/UploadImages
  3. 將範例圖片上傳至 bucket：
    gcloud storage cp *.jpg gs://$BUCKET/

4. 設定 AlloyDB

AlloyDB 是結構化、交易和重要資料 (例如產品 ID、名稱、SKU、價格和庫存) 的單一事實來源。AlloyDB 也為 AI 代理提供相似度搜尋功能，可用於推薦和自然語言查詢。

佈建 AlloyDB 叢集

  1. 在 Google Cloud 控制台中，前往「AlloyDB for PostgreSQL」。
  2. 點選「建立叢集」。
  3. 在「叢集 ID」部分輸入 ecommerce-cluster。
  4. 為 postgres 使用者設定高強度密碼。如要學習，可以使用 alloydb。
  5. 「資料庫版本」請保留預設值。
  6. 在「Region」(區域)，選取「us-central1」(或偏好的區域)。

設定主要執行個體

  1. 在「Instance ID」(執行個體 ID) 中輸入 ecommerce-cluster-primary。
  2. 在「可用區可用性」部分，選取「單一可用區」。
  3. 在「機器系列」部分選取「N2」，在「機器類型」部分選取「4 vCPU, 32 GB」。
  4. 在「私人 IP 連線」中，選取「私人服務連線 (PSA)」，然後選取「default」網路。如果尚未設定預設網路，請按一下「確認網路設定」來建立。
  5. 在「公開 IP 連線」部分，勾選「啟用公開 IP」核取方塊，MCP Toolbox 才能在本程式碼實驗室中正常連線。控制台會自動啟用 password.enforce_complexity 旗標，這是 AlloyDB 使用公開 IP 的必要條件。
  6. 在「Authorized external networks」(已授權的外部網路) 中，輸入 0.0.0.0/0。勾選「我瞭解風險」核取方塊，然後點選「儲存」。
  7. 點選「建立叢集」。

初始化資料庫

  1. 按一下左側導覽選單中的「AlloyDB Studio」。
  2. 在「Database」(資料庫) 下拉式選單中，選取「postgres」。
  3. 選取「內建驗證」登入資料庫。
  4. 在「使用者名稱」部分，使用 postgres 使用者。
  5. 在「Password」(密碼) 部分，輸入先前設定的密碼。
  6. 按一下「Authenticate」(驗證)。
  7. 在編輯器檢視畫面中，開啟新的「未命名的查詢」分頁。
  8. 複製下列 DDL，然後點選「執行」：
    CREATE TABLE products_core_table (
  product_id UUID PRIMARY KEY,
  name VARCHAR(255) NOT NULL,
  sku VARCHAR(50) UNIQUE NOT NULL,
  price NUMERIC(10, 2) NOT NULL,
  stock INT NOT NULL
);
  9. 在 Cloud Shell 中，前往專案根資料夾：
    cd ~/polyglot-persist-ecommerce
  10. 在 Cloud Shell 中開啟 alloydb_insert_queries.sql 檔案，然後複製插入查詢。
    cat alloydb_insert_queries.sql
  11. 在新的「未命名的查詢」分頁中，只貼上 INSERT 陳述式，然後點選「執行」。
  12. 在新的未命名查詢分頁中，複製下列 DDL 並點選「執行」，在 products_core_table 資料表建立索引：
    CREATE INDEX idx_products_core_sku ON products_core_table(sku);

為 AI 代理建立圖片嵌入，以便擷取類似產品

AI 代理整合功能會使用圖片嵌入擷取類似產品。嵌入是使用 multimodalembedding@001 模型生成，並儲存在 AlloyDB 資料庫中。嵌入項目是 1408 維向量，儲存在 img_embeddings 欄。

生成嵌入前，必須先將必要角色授予 AlloyDB 服務帳戶，以便存取 Cloud Storage。

將角色授予 AlloyDB 服務帳戶，以便存取 Cloud Storage

為 AlloyDB 服務帳戶授予必要角色，以便從 Cloud Storage 讀取圖片，並生成 Vertex AI 嵌入：

for role in roles/storage.objectUser roles/storage.objectViewer roles/aiplatform.user; do
  gcloud projects add-iam-policy-binding $PROJECT_ID \
    --member="serviceAccount:service-${PROJECT_NUMBER}@gcp-sa-alloydb.iam.gserviceaccount.com" \
    --role=$role --condition=None
done

啟用擴充功能

建構這個應用程式時，我們會使用 pgvector 和 google_ml_integration 擴充功能。pgvector 擴充功能可讓您儲存及搜尋向量嵌入。google_ml_integration 擴充功能提供多項函式，可讓您存取 Vertex AI 預測端點，在 SQL 中取得預測結果。執行下列 DDL，啟用這些擴充功能：

  1. 在 Google Cloud 控制台中，前往「AlloyDB for PostgreSQL」。
  2. 按一下左側導覽選單中的「AlloyDB Studio」。
  3. 在編輯器檢視畫面中，開啟新的「未命名的查詢」分頁。
  4. 複製下列 DDL，然後點選「執行」：
    CREATE EXTENSION IF NOT EXISTS vector;
CREATE EXTENSION IF NOT EXISTS google_ml_integration;

使用嵌入初始化資料庫

  1. 將 img_embeddings 欄新增至 products_core_table。
    ALTER TABLE products_core_table
ADD COLUMN img_embeddings vector(1408);
  2. 列印嵌入查詢，並填入 bucket 名稱：
    cd ~/polyglot-persist-ecommerce
sed "s/<STORAGE_BUCKET_NAME>/$BUCKET/g" alloydb_generate_embeddings.sql
  3. 複製輸出內容，貼到新的 AlloyDB Studio 查詢分頁，然後點選「執行」。這個過程大約需要一分鐘。如果逾時，請再次執行。系統會略過已有嵌入項目的產品。

5. 在 Google Cloud 設定 MongoDB Atlas

MongoDB 儲存豐富的半結構化產品詳細資料，以及彈性的使用者行為數據 (例如點擊和觀看次數)。

建立 MongoDB 叢集

  1. 登入 MongoDB Atlas (如有需要，請建立免費帳戶)。
  2. 在「Deploy your cluster」部分，選取「Free」。(Atlas 會預先選取付費級別，請務必選取「Free」)。
  3. 「Provider」請選取「Google Cloud」，「Region」請選取「Iowa (us-central1)」。
  4. 在「名稱」部分輸入 ecommerce-cluster，然後清除「預先載入範例資料集」。
  5. 點選「建立部署作業」。

允許存取權並建立資料庫使用者

Atlas 會開啟「Connect to ecommerce-cluster」對話方塊。

  1. 按一下「新增其他 IP 位址」，輸入 0.0.0.0/0，然後新增。
  2. 在「使用者名稱」部分輸入 store-user，在「密碼」部分輸入 storeuser，然後點選「建立資料庫使用者」。
  3. 依序點選「選擇連線方式」和「驅動程式和用戶端程式庫」。
  4. 在「Use this connection string in your application」(在應用程式中使用這個連線字串) 下方，複製連線字串。網址看起來就像這樣：mongodb+srv://store-user:@ecommerce-cluster.xxxxx.mongodb.net/。將 替換為 storeuser 並儲存字串，您會在 tools.yaml 中使用這個字串。

建立資料庫和集合

  1. 在左側導覽列中，依序點選「資料探索工具」和「建立資料庫」，然後輸入下列詳細資料：
    • 資料庫名稱： ecommerce_db
    • 集合名稱： product_details_collection
  2. 按一下 [Create Database] (建立資料庫)。
  3. 在 Data Explorer 中，選取集合名稱。
  4. 按一下「新增資料 (+)」圖示，然後點選「插入文件」。
  5. 複製 product_details_export.json 的 JSON 內容，然後貼到「Insert Document」(插入文件) 編輯器對話方塊。
  6. Atlas 會顯示橫幅，詢問是否要將文字轉換為殼層語法。依序點選「轉換」和「插入」。確認已新增 192 份文件。
  7. 在資料探索工具中，點選 ecommerce_db 資料庫旁的「建立集合 (+)」。
  8. 輸入 user_interactions_collection 做為集合名稱，然後按一下「Create Collection」(建立集合)。
  9. 在資料探索工具中，選取 user_interactions_collection 集合。
  10. 按一下「新增資料 (+)」圖示，然後點選「插入文件」。
  11. 複製 user_interactions_export.json 的 JSON 內容，並貼到「Insert Document」編輯器對話方塊。
  12. Atlas 會顯示橫幅，詢問是否要將文字轉換為殼層語法。依序點選「轉換」和「插入」。確認已新增 211 份文件。

6. 設定 BigQuery

BigQuery 會匯總及分析歷來使用者行為，產生智慧型報表和建議。

建立資料集

  1. 在 Google Cloud 控制台中，前往「BigQuery」BigQuery。
  2. 在「Explorer」窗格中，點選專案 ID 旁邊的三點圖示選單，然後選取「建立資料集」。
  3. 在「資料集 ID」部分輸入 ecommerce_analytics。
  4. 在「資料位置」部分，選取「US (multiple regions)」(tools.yaml 設定需要位置 US)。
  5. 點選「建立資料集」。

建立 Analytics 資料表

  1. 在 BigQuery 工作區中開啟新查詢。
  2. 執行下列 SQL 陳述式，建立摘要資料表，連結使用者與產品互動：
CREATE TABLE ecommerce_analytics.user_product_interactions (
    user_id STRING DEFAULT 'any user',
    product_id STRING,
    interaction_score INT
);

將角色授予 Compute 服務帳戶

將 MCP Toolbox 和應用程式所需的角色授予預設 Compute 服務帳戶：

for role in \
  roles/bigquery.dataEditor \
  roles/bigquery.jobUser \
  roles/secretmanager.secretAccessor \
  roles/alloydb.client \
  roles/serviceusage.serviceUsageConsumer \
  roles/storage.objectViewer \
  roles/aiplatform.user \
  roles/artifactregistry.writer; do
  gcloud projects add-iam-policy-binding $PROJECT_ID \
    --member="serviceAccount:${PROJECT_NUMBER}-compute@developer.gserviceaccount.com" \
    --role="$role" \
    --condition=None
done

或者，您也可以在控制台依序前往「IAM & Admin」(IAM 與管理) >「IAM」，然後點選「Grant access」(授予存取權)，輸入服務帳戶並新增相同角色。

7. 瞭解應用程式端對端

為了瞭解各元件如何相互搭配運作，我們將建立一個使用多個資料庫和服務的電子商務應用程式。這個應用程式採用 Python (Flask) 後端，並整合多項 Google Cloud 服務和資料庫。

瞭解目錄結構

在下一節中，您將複製 polyglot-persist-ecommerce 存放區，並在本機執行應用程式。在本機測試應用程式後，我們會將 MCP Toolbox 和應用程式部署至 Cloud Run。

探索這個目錄中下載的檔案。其中包含下列高階目錄：

  • UploadImages：儲存圖片素材資源，主要用於電子商務產品目錄的文件或視覺內容。
  • static：儲存應用程式的靜態網頁資產，例如 CSS 和 JavaScript 檔案，用於設定使用者介面的樣式和新增互動功能 ( 來源)。
  • templates：儲存 Python 應用程式使用的 HTML 範本 (Flask 可能是 Jinja2)，以便動態轉譯電子商務目錄的網頁 ( 來源)。

這個存放區中的檔案會搭配運作，建構、設定及部署多資料庫電子商務應用程式。app.py 等核心檔案會整合 SQL 和 JSON 檔案中定義的各種資料來源，藉此協調後端，而設定檔則可確保順利部署至雲端環境：

  • app.py：自動調度 Flask 後端和多資料庫整合。
  • agentengine.py：初始化及設定 Vertex AI 代理的核心邏輯。
  • .env：儲存資料庫和儲存空間連線的密鑰。
  • tools.yaml：設定 MCP Toolbox，以便執行多資料庫作業。
  • Dockerfile：定義容器映像檔和環境設定。
  • requirements.txt：列出應用程式執行階段所需的 Python 程式庫。
  • tools.yaml：MCP Toolbox 的設定。
  • Procfile：指定部署作業的正式環境執行指令。
  • alloydb_insert_queries.sql：包含關聯資料的 SQL 查詢。
  • product_details_export.json 和 user_interactions_export.json：提供 NoSQL 資料庫的 JSON 資料範例。
  • README.md：引導您完成設定、部署和瞭解專案。

應用程式的端對端流程

  • 設定 AlloyDB：佈建高效能叢集，並使用提供的 SQL 指令碼建立 products_core_table，其中包含用於圖片嵌入的向量資料欄。
  • 設定 MongoDB Atlas：在 Google Cloud 部署叢集，將流動產品屬性儲存在 product_details，並將即時點擊流記錄在 user_interactions。
  • BigQuery Analytics：建立資料集來彙整互動記錄，以便執行複雜的分析查詢，從數百萬個事件中找出「前 5 名」熱門項目。
  • Cloud Storage 存放區：建立公開 bucket 來存放高解析度產品圖像，確保每個素材資源都能透過已簽署或公開網址存取，供前端使用。
  • 部署 MCP Toolbox：將 Toolbox 部署至 Cloud Run，做為中央 RESTful 橋梁，將自然語言意圖轉譯為多資料庫查詢。
  • Tools.yaml 設定：定義「工具」(例如 get_product_core_data 或 get_top_5_views)，將特定 SQL 和 NoSQL 作業對應至代理可讀取的簡單名稱。
  • Flask 後端邏輯：實作與 MCP Toolbox 介接的 app.py 路由，處理資料擷取協調作業，並做為 UI 的 API。
  • 多代理自動調度管理：在程式碼中設定 ADK 代理，推論使用者意圖，並選取合適的「工具」來解決複雜的多來源零售查詢。
  • 前端整合：建構 index.html 介面，其中包含產品目錄和互動記錄功能、「數據分析」分頁 (用於瞭解產品成效數據分析)，以及專屬的「代理分頁」(使用 ADK 多代理對話功能，提供流暢的對話式購物體驗)。

現在，我們來實作自動化調度管理和部署作業。

8. 設定 MCP Toolbox 並部署至 Cloud Run

MCP Toolbox 會抽象化多個資料來源，讓應用程式能以統一的方式擷取及寫入資料。

在本機安裝 MCP Toolbox

將 MCP Toolbox 二進位檔下載至主目錄，並設為可執行：

export VERSION=1.15.0
curl -L -o ~/toolbox https://storage.googleapis.com/mcp-toolbox-for-databases/v$VERSION/linux/amd64/toolbox
chmod +x ~/toolbox

設定 tools.yaml

您需要定義 AlloyDB、MongoDB 和 BigQuery 的抽象。tools.yaml 檔案會指示 MCP 工具箱如何相互互動。

  1. 存放區已包含 tools.yaml。開啟：
    cd ~/polyglot-persist-ecommerce
cloudshell edit tools.yaml
  2. 將 ***** 預留位置替換為您的值：

    資料庫

    欄位

    範例值

    AlloyDB/BigQuery

    project

    YOUR_PROJECT_ID

    AlloyDB

    region

    us-central1

    AlloyDB

    cluster

    ecommerce-cluster

    AlloyDB

    instance

    ecommerce-cluster-primary

    AlloyDB

    database

    postgres

    AlloyDB

    password

    alloydb

    AlloyDB

    ipType

    public (如果 alloydb-source 下方沒有這一行，請新增)

    MongoDB

    uri

    您先前儲存的連線字串

  3. 將圖片預覽指向 bucket：
    sed -i "s/ecommerce-app-images/$BUCKET/g" tools.yaml

測試工具 UI

  1. 在本機執行 Toolbox，在 Cloud Shell 終端機中提供 UI：
    ~/toolbox --config tools.yaml --ui --enable-api
  2. 在 Cloud Shell 中，依序點選「網頁預覽」 >「變更通訊埠」，輸入 5000，然後在開啟的網址結尾加上 /ui。

畫面會顯示下列 MCP Toolbox UI：

MCP Toolbox UI

完成後，請按下 Ctrl+C 停止本機工具箱。

部署至 Cloud Run

將 MCP Toolbox 部署至 Cloud Run，做為安全、代管服務，供應用程式查詢資料庫。我們會將設定儲存在 Secret Manager，保護機密連線詳細資料。

  1. 將 tools.yaml 設定上傳至 Google Secret Manager：
    gcloud secrets create tools --data-file=tools.yaml
    如果日後變更 tools.yaml，請上傳新版本，並附上：
    gcloud secrets versions add tools --data-file=tools.yaml
  2. 使用公開的 MCP Toolbox 容器映像檔進行部署：
    gcloud run deploy toolbox \
    --image us-central1-docker.pkg.dev/database-toolbox/toolbox/toolbox:$VERSION \
    --region us-central1 \
    --service-account ${PROJECT_NUMBER}-compute@developer.gserviceaccount.com \
    --set-secrets "/app/tools.yaml=tools:latest" \
    --args="--config=/app/tools.yaml","--address=0.0.0.0","--port=8080","--ui","--enable-api" \
    --allow-unauthenticated
    --enable-api 會啟用網頁應用程式使用的 REST API。
  3. 儲存工具箱網址：
    export TOOLBOX_URL=$(gcloud run services describe toolbox --region us-central1 --format='value(status.url)')
echo $TOOLBOX_URL
    您可以在瀏覽器中開啟 $TOOLBOX_URL/ui 查看工具。

9. 設定電子商務應用程式並部署至 Cloud Run

資料庫運作正常，且 MCP Toolbox 抽象層也部署完成後，就能執行 Flask 網頁應用程式！

為提供產品目錄，Flask 應用程式會執行下列步驟來處理資料：

  1. 擷取核心資料：從 AlloyDB (list_products_core) 擷取完整的產品清單。
  2. 擷取詳細資料：從 MongoDB (list_all_product_details) 擷取所有產品詳細資料。
  3. 合併清單：串連兩個清單。
  4. Enrich with media：將 Cloud Storage 圖片網址新增至每個項目。

建立代理引擎

  1. 安裝依附元件：
    cd ~/polyglot-persist-ecommerce
pip install -r requirements.txt
    注意：這個步驟可能需要幾分鐘才能解析及安裝套件。
  2. 使用 Vertex AI 推論引擎初始化及註冊 AI 代理：
    export REASONING_ENGINE_LOCATION=us-central1
export APP_NAME=$(python agentengine.py)
echo $APP_NAME
    輸出內容大致如下：
    projects/991742412753/locations/us-central1/reasoningEngines/4933254136889081856

應用程式會從環境變數讀取設定，您會在下方的部署指令中傳遞這些變數，因此不需要編輯 .env。

將前端部署至 Cloud Run

  1. 將網頁應用程式部署至 Cloud Run，完成架構：
    gcloud run deploy polyglot --source . \
  --region us-central1 \
  --allow-unauthenticated \
  --set-env-vars="MCP_TOOLBOX_SERVER_URL=$TOOLBOX_URL,GCS_PRODUCT_BUCKET=$BUCKET,FALLBACK_IMAGE_URL=https://storage.googleapis.com/$BUCKET/fallback.jpg,GOOGLE_GENAI_USE_VERTEXAI=TRUE,PROJECT_ID=$PROJECT_ID,GOOGLE_CLOUD_LOCATION=global,REASONING_ENGINE_LOCATION=$REASONING_ENGINE_LOCATION,APP_NAME=$APP_NAME,MODEL=gemini-3.5-flash"

應用程式現已上線！開啟 Cloud Run 提供的服務網址，查看 Multidb 電子商務目錄。網址應類似於 https://polyglot-*********-uc.a.run.app/。

10. 探索應用程式

  1. 按一下「產品目錄」即可查看所有產品。
    產品目錄
  2. 按一下產品圖示，即可查看產品詳細資料。您會發現圖片來自 Cloud Storage，產品詳細資料來自 MongoDB，產品庫存則來自 AlloyDB。產品詳細資料
  3. 與產品目錄互動，產生傳送至 MongoDB 的模擬檢視和寫入作業。
  4. 按一下「ETL & Analytics」，查看產品數據分析。您會發現產品數據分析是從 BigQuery 擷取。
    產品 ETL 和數據分析
  5. 按一下「AI 代理」分頁標籤，與 AI 代理互動。以自然語言提出問題，例如：
    I'm planning a high-altitude photography trip.
Show me some weather-resistant backpacks similar in style to aero glow pro
but without any leather components. Also, let me know if they are actually in
stock and if other photographers have complained about the strap durability
in the reviews.
    AI 代理

您可以看到，搜尋結果完全符合我們的要求：不含皮革成分、有現貨，且評論中沒有關於背帶耐用性的抱怨。

AI 代理

11. 清除

為避免系統持續向您的 Google Cloud 帳戶收取費用，請刪除在本程式碼實驗室中建立的資源。

執行下列 Cloud Shell 指令：

gcloud run services delete toolbox --region us-central1 --quiet
gcloud run services delete polyglot --region us-central1 --quiet
gcloud secrets delete tools --quiet
bq rm -r -f -d $PROJECT_ID:ecommerce_analytics
gcloud storage rm --recursive gs://$BUCKET
gcloud alloydb clusters delete ecommerce-cluster --region us-central1 --force --quiet

(選用) 刪除 Agent Engine 執行個體：

curl -X DELETE -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  "https://us-central1-aiplatform.googleapis.com/v1/$APP_NAME?force=true"

或者，您也可以在 Google Cloud 控制台，依序前往「Vertex AI」 >「Agent Engine」，然後刪除執行個體。

(選用) 如要刪除整個 Google Cloud 雲端專案和所有資源，請執行下列指令：

gcloud projects delete $PROJECT_ID

12. 恭喜

恭喜！您已成功建構跨雲端的多資料庫架構。

您已成功展示 MCP Toolbox 如何做為架構黏著劑，打造出專業的現代化應用程式。只要為工作選用合適的資料庫，就能達成以下目標：

  • 彈性寫入資料：MongoDB 適合用於事件記錄。
  • 交易一致性：AlloyDB 可確保核心完整性。
  • 高效能數據分析：BigQuery 適用於商業智慧。
  • 統一開發：使用 MCP Toolbox，透過單一 Python 後端抽象化所有複雜作業。

參考文件

進一步瞭解相關 Google Cloud 產品，並探索下列程式碼實驗室：

如要進一步瞭解本程式碼實驗室使用的產品，請參閱：