Google MCP 服务器使用入门

1. 简介

欢迎！在此 Codelab 中，您将学习如何使用 Google 托管的 Model Context Protocol (MCP) 服务器来增强 AI 智能体的功能。

Model Context Protocol (MCP) 是一种开源标准，可让 AI 模型安全高效地连接到外部数据源和工具。虽然大多数 MCP 实现都在本地计算机上运行，但 Google 提供了托管式远程 MCP 服务器。这些是完全托管的企业级端点，可让代理直接与 Google Cloud 基础架构互动，而无需管理任何服务器端代码或容器。

“受管理”的优势

与使用标准输入/输出 (stdio) 的本地 MCP 服务器不同，Google 的托管服务器使用可流式 HTTP。此架构可提供：

零基础设施：无需预配或扩缩服务器。
设计安全性：与 Google Cloud IAM 和 Audit Logs 原生集成。
无状态扩缩：通过标准负载平衡器和代理实现无缝互动。

学习内容

如何启用和验证受管理的 MCP 服务器。
如何使用 Cloud Logging MCP 服务器作为基础基准。
如何编排多个 MCP 服务器（开发者知识、Firestore 等）来构建自主工作流。

所需条件

启用了结算功能的 Google Cloud 项目。
熟悉 Google Cloud 控制台和 gcloud CLI。
Google Cloud Shell（此处已预安装 Gemini CLI）。

本 Codelab 适合不同水平的用户和开发者（包括新手）。

报告问题

在学习此 Codelab 并使用 Antigravity 时，您可能会遇到问题。

如果遇到与 Codelab 相关的问题（错别字、说明错误），请点击此 Codelab 左下角的 Report a mistake 按钮提交 bug：

2. 准备工作

在此步骤中，您将准备 Google Cloud 环境。我们将在 Google Cloud Shell 中执行所有任务，该 Shell 提供了一个持久的预配置终端。

激活 Cloud Shell

导航到 Google Cloud Console。
点击右上角标题中的激活 Cloud Shell 图标。
终端会话开始后，如果系统要求您授权，请进行授权。

设置项目 ID

确保 Cloud Shell 指向正确的项目：

# Set your active project
gcloud config set project YOUR_PROJECT_ID

# Verify the setting
gcloud config list project

启用基础 API

托管式 MCP 服务器要求同时启用底层产品 API 和 MCP 接口。运行以下命令以启用 Cloud Logging 后端（本实验的基准）：

# Enable the Cloud Logging API and its MCP interface
gcloud services enable logging.googleapis.com
gcloud beta services mcp enable logging.googleapis.com

注意：托管式 MCP 服务目前处于 Beta 版 阶段。您必须使用 gcloud beta 组件才能启用这些功能。

设置应用默认凭证 (ADC)

Gemini CLI 使用您的用户身份与 MCP 服务器通信。授予代理代表您执行操作的权限：

gcloud auth application-default login

按照终端中的网址操作，登录账号，然后将授权代码粘贴回 Cloud Shell。

分配基础 IAM 角色

托管式 MCP 服务器使用双层安全模型。您需要打开两个特定的“门”：

Gate 1（MCP 访问权限）：允许您调用协议的角色。
Gate 2（服务访问权限）：允许您查看数据的角色（例如，查看日志）。

运行以下命令，为自己授予所需的访问权限：

export PROJECT_ID=$(gcloud config get-value project)
export USER_EMAIL=$(gcloud config get-value account)

# Gate 1: Permission to use the MCP protocol
gcloud projects add-iam-policy-binding $PROJECT_ID \
    --member="user:$USER_EMAIL" \
    --role="roles/mcp.toolUser"

# Gate 2: Permission to view the actual logs
gcloud projects add-iam-policy-binding $PROJECT_ID \
    --member="user:$USER_EMAIL" \
    --role="roles/logging.viewer"

3. 基础知识：连接第一个 MCP 服务器

在此步骤中，您将 AI 智能体 (Gemini CLI) 关联到 Google Cloud Logging MCP 服务器。这是我们的“基础”，因为它可以让代理实时了解项目内部发生的情况。

任务 1：配置日志记录 MCP 服务器

Gemini CLI 使用 settings.json 文件来管理其连接。您需要修改此文件（位于 ~/.gemini 文件夹中），以在 mcpServers 块内添加以下代码段。将 YOUR_PROJECT_ID 替换为您的实际项目 ID：

"logging-mcp": {
      "httpUrl": "https://logging.googleapis.com/mcp",
      "authProviderType": "google_credentials",
      "oauth": {
        "scopes": [
          "https://www.googleapis.com/auth/logging.read"
        ]
      },
      "timeout": 30000,
      "headers": {
        "x-goog-user-project": "YOUR_PROJECT_ID"
      }
}

注意：对于受管理的 MCP 服务器，必须使用 x-goog-user-project 标头，以确保 API 用量和结算正确归因于您的项目。

任务 2：模拟项目活动（创建日志）

如果您的项目是新项目或处于空闲状态，则可能没有任何近期“有趣”的日志。我们来使用 gcloud CLI 注入一些自定义条目，以便代理可以找到一些内容。

依次运行以下命令，以模拟一系列事件：

# 1. Simulate a standard system start
gcloud logging write mcp-test-log "System boot sequence initiated" --severity=INFO
# 2. Simulate a warning about resource limits
gcloud logging write mcp-test-log "High memory pressure detected in zone us-central1-a" --severity=WARNING
# 3. Simulate a critical authentication failure
gcloud logging write mcp-test-log "ERROR: Failed to connect to Cloud SQL. Permission Denied." --severity=ERROR

任务 3：验证 Gemini CLI 中的工具

在开始聊天之前，我们先验证代理是否可以“看到”Logging 服务器公开的工具。启动 Gemini CLI：

gemini

进入 Gemini CLI 提示符 (>) 后，运行 list 命令：

/mcp list

验证检查点：您应该会看到 logging-mcp 列为就绪，并提供大约 6 个工具，包括 list_log_entries。

任务 4：您的第一个实时基础设施提示

现在，我们让智能体查找刚刚创建的日志。由于您之前授予了 roles/logging.viewer 角色，因此代理现在可以“联系”并读取您的项目状态。

在 Gemini CLI 中输入以下提示：

Show me the 3 most recent log entries from the log named 'mcp-test-log'. What is the highest severity issue you see?

观察代理：

代理可能会提示您输入 Google Cloud 项目 ID。请提供该信息。
它会识别出需要 list_log_entries 工具。
系统会请求您授予运行该工具的权限。选择 1. Yes, allow once（是，允许一次）。
它会解析 JSON 响应，并告知您我们模拟的 Cloud SQL 权限遭拒错误。

4. 历程 A：大脑（开发者知识 MCP）

在此学习之旅中，您将通过将智能体连接到 Google Developer Knowledge MCP 服务器，为智能体赋予“大脑”。

AI 智能体面临的最大风险之一是产生幻觉，即自信地提供过时的 CLI 命令或已弃用的 API 参数。此 MCP 服务器通过以下方式解决了该问题：让代理基于 Google 的官方实时开发者文档语料库（涵盖 Google Cloud、Firebase、Android 等）进行回答。

任务 1：启用知识服务

与基础步骤一样，我们必须同时启用后端 API 和 MCP 服务端点。

# 1. Enable the Developer Knowledge API
gcloud services enable developerknowledge.googleapis.com

# 2. Enable the MCP Server interface
gcloud beta services mcp enable developerknowledge.googleapis.com

任务 2：预配受限 API 密钥

开发者知识 MCP 使用 API 密钥进行身份验证。为确保安全，我们将创建一个密钥并对其进行限制，使其仅能用于此特定 API。

运行以下脚本以创建和检索密钥：

# Create the restricted API key
gcloud alpha services api-keys create \
    --display-name="MCP-Knowledge-Key" \
    --api-target service=developerknowledge.googleapis.com

# Wait a few seconds for the key to propagate, then fetch the string
gcloud alpha services api-keys get-key-string \
    $(gcloud alpha services api-keys list \
    --filter="displayName='MCP-Knowledge-Key'" \
    --format="value(name)") \
    --format="value(keyString)"

复制第二个命令返回的长字符串。这是您的 YOUR_API_KEY。

任务 3：配置 Gemini CLI

现在，向您的代理注册 Knowledge MCP 服务器。这样一来，当代理遇到无法 100% 确定答案的技术问题时，就可以搜索官方文档。

在 ~/.gemini/settings.json 文件中的 mcpServers 部分内添加以下代码段，并将 YOUR_API_KEY 替换为您刚刚复制的字符串：

"developer-knowledge-mcp": {
      "httpUrl": "https://developerknowledge.googleapis.com/mcp",
      "headers": {
        "X-Goog-Api-Key": "YOUR_API_KEY"
      }
}

任务 4：反幻觉测试

我们来验证一下，代理现在是否在“研究”而不是“猜测”。

启动 Gemini CLI：

gemini

验证服务器是否已准备就绪：输入 /mcp list。您应该会看到 google-developer-knowledge，其中包含 2 个工具（search_documents、get_document）。

提示：让代理查找特定的现代命令。

I want to create a Google Cloud Storage bucket using the modern gcloud storage command. Search the official documentation for the exact syntax and show me an example for a bucket in the 'us-central1' region.

需要注意的事项：

Gemini 会请求使用 search_documents 的权限。
然后，它可能会调用 get_document 来读取找到的特定网页。
最终答案应包含直接从文档中引用的 gcloud storage buckets create ... 命令。

5. 历程 B：分诊（自动问题排查）

前提条件：本学习路线要求您已完成学习路线 A：Brain，以便代理可以研究修复方案。

在此历程中，您将结合智能体的眼睛（Cloud Logging MCP）和大脑（开发者知识 MCP）来构建自主问题排查循环。

您无需再手动将错误代码复制到搜索引擎中，只需向智能体提供一个提示，让其扫描项目中的错误、研究官方解决方案，并生成可行的修复报告。

任务 1：在 GCP 中模拟“糟糕的一天”

为了展示自主问题排查的强大功能，我们需要一组真实的故障。我们将使用 Python 脚本将各种基础设施障碍（从权限遭拒错误到配额问题）直接注入到您的日志中。

在 Cloud Shell 中，创建一个您选择的文件夹并前往该文件夹。
创建一个名为 simulate_errors.py 的文件：

nano simulate_errors.py

将以下代码粘贴到编辑器中：

import argparse
from google.cloud import logging

def simulate_errors(project_id):
    client = logging.Client(project=project_id)
    logger = client.logger("mcp-scenario-logger")

    print(f"Simulating realistic errors for project: {project_id}...")

    # 1. GCS Permission Error
    logger.log_text("ERROR: GCS Upload failed for 'gs://my-app-bucket/data.json'. Status: 403 Forbidden. Missing 'storage.objects.create' for service account.", severity="ERROR")

    # 2. Cloud Run Startup Error
    logger.log_text("ERROR: Cloud Run service 'api-gateway' failed to start. Container failed to listen on port 8080. Check 'Cloud Run container startup requirements'.", severity="ERROR")

    # 3. Secret Manager Access Error
    logger.log_text("ERROR: Access denied to secret 'API_KEY'. The identity lacks 'secretmanager.versions.access'.", severity="ERROR")

    print("Log entries written to 'mcp-scenario-logger'.")

if __name__ == "__main__":
    parser = argparse.ArgumentParser()
    parser.add_argument("--project", required=True)
    args = parser.parse_args()
    simulate_errors(args.project)

按 Ctrl+O、Enter 和 Ctrl+X 键保存并退出。
安装 Google Cloud Logging 库并运行脚本：

python -m venv mcp_env
source mcp_env/bin/activate
pip install google-cloud-logging
python simulate_errors.py --project $(gcloud config get-value project)

任务 2：执行自主循环

现在，我们将发出一个复杂的提示，指示 Gemini 同时编排两个 MCP 服务器。

启动 Gemini CLI：

gemini

将以下“主提示”输入到代理中：

I need to troubleshoot recent issues in my project. Perform the following autonomous loop:

Step 1 : Retrieval: Use the Logging MCP to fetch the 5 most recent ERROR entries from the log 'mcp-scenario-logger'.
Step 2 : Iteration: For every unique error found, extract the service and specific error message.
Step 3 : Research: Use the Developer Knowledge MCP to find the official resolution or gcloud command to fix each issue.
Step 4 : Resolution: Consolidate everything into a markdown table with columns: | Service | Error Summary | Recommended Fix |.

预期结果

您现在正在实时观看 Agentic Workflow。智能体将：

调用 list_log_entries 可查看我们刚刚模拟的“糟糕的一天”。
分析文本，以确定 GCS、Cloud Run 和 Secret Manager 是否出现故障。
针对每项服务分别调用 search_documents 和 get_document，以找到正确的 IAM 角色或配置修复。
向您显示一个结构化表格，该表格类似于以下内容（建议可能有所不同）：

服务	错误摘要	建议的修复方法
Cloud Storage	上传时显示“403 Forbidden”错误	向服务账号授予 `roles/storage.objectCreator`。
Cloud Run	无法监听端口 8080	确保应用绑定到 `$PORT` 定义的端口上的 0.0.0.0。
Secret Manager	缺少版本访问角色	将 `roles/secretmanager.secretAccessor` 分配给身份。

6. 历程 C：数据 (Firestore MCP)

在此历程中，您将使用 Firestore MCP 服务器，仅通过自然语言来管理 NoSQL 文档数据库。

Firestore 是一种灵活且可扩缩的数据库，但管理它通常需要编写复杂的 SDK 代码或在控制台中操作。借助 MCP，您的智能体将成为数据库管理员，能够通过聊天播种数据、查询记录，甚至执行复杂的架构迁移。

任务 1：启用 Firestore 服务

首先，启用 Firestore API 及其对应的 MCP 端点。

# 1. Enable the Firestore API
gcloud services enable firestore.googleapis.com

# 2. Enable the MCP Server interface
gcloud beta services mcp enable firestore.googleapis.com

任务 2：分配 Firestore IAM 角色

如需运行查询，您的身份需要拥有基本 MCP 访问权限之外的特定权限。

# Grant Firestore User role
gcloud projects add-iam-policy-binding $PROJECT_ID \
    --member="user:$USER_EMAIL" \
    --role="roles/datastore.user"

任务 3：创建专用测试数据库

为了确保实验安全，我们将创建一个名为 mcp-lab-db 的专用 Firestore 数据库。

gcloud firestore databases create --database=mcp-lab-db --location=nam5 --type=firestore-native

任务 4：配置 Gemini CLI

将 Firestore MCP 服务器添加到您的代理。将以下配置添加到 ~/.gemini/settings.json 文件中的 mcpServers 部分。将 YOUR_PROJECT_ID 替换为您的实际项目 ID：

"firestore-mcp": {
      "httpUrl": "https://firestore.googleapis.com/mcp",
      "authProviderType": "google_credentials",
      "oauth": {
        "scopes": [
          "https://www.googleapis.com/auth/cloud-platform"
        ]
      },
      "timeout": 30000,
      "headers": {
        "x-goog-user-project": "YOUR_PROJECT_ID"
      }
}

任务 5：自然语言数据库操作

启动 Gemini CLI 并执行一些基本操作来验证连接。

启动 Gemini CLI：

gemini

验证服务器是否已准备就绪：输入 /mcp list。您应该会看到 firestore-mcp 以及多种工具 (add_document, create_database, list_documents, etc)。

按顺序尝试以下提示：

种子数据：

In the 'mcp-lab-db' database, add three documents to a 'products' collection. Include a laptop (stock 5), a mouse (stock 25), and a keyboard (stock 8).

验证：

List all documents in the 'products' collection from the 'mcp-lab-db' database.

不妨尝试其他提示，以便通过自然语言管理 Firestore 数据库和集合。

7. 历程 D：智能（BigQuery 和 Maps）

在此学习历程中，您将使用 BigQuery 和 Maps Grounding Lite MCP 服务器，让智能体能够分析 PB 级数据并了解现实世界。

在本部分结束时，您的代理将能够将自然语言转换为复杂的 SQL 查询，并提供情境感知型地理空间建议（例如出行时间和天气），以便根据实际情况生成回答。

任务 1：启用智能服务

为 BigQuery 和 Google 地图启用 API 和 MCP 接口。

# 1. Enable product APIs
gcloud services enable bigquery.googleapis.com mapstools.googleapis.com

# 2. Enable MCP Server interfaces
gcloud beta services mcp enable bigquery.googleapis.com
gcloud beta services mcp enable mapstools.googleapis.com

任务 2：分配 BigQuery IAM 角色

如需运行查询，您的身份需要拥有基本 MCP 访问权限之外的特定权限。

# Grant BigQuery Job User and Data Viewer roles
gcloud projects add-iam-policy-binding $PROJECT_ID \
    --member="user:$USER_EMAIL" \
    --role="roles/bigquery.jobUser"

gcloud projects add-iam-policy-binding $PROJECT_ID \
    --member="user:$USER_EMAIL" \
    --role="roles/bigquery.dataViewer"

任务 3：配置地图 API 密钥

与其他仅依赖于 IAM 的服务不同，Maps Grounding Lite 服务器需要 API 密钥才能进行配额管理和结算。

创建密钥：

gcloud alpha services api-keys create --display-name="MCP-Maps-Key"

获取密钥字符串：

# Wait a few seconds for the key to propagate, then fetch the string
gcloud alpha services api-keys get-key-string \
    $(gcloud alpha services api-keys list \
    --filter="displayName='MCP-Maps-Key'" \
    --format="value(name)") \
    --format="value(keyString)"

复制密钥字符串以供下一步使用。

任务 4：配置 Gemini CLI

现在，注册这两个服务器。将以下代码段添加到 ~/.gemini/settings.json 文件中的 mcpServers 部分。相应地替换 YOUR_PROJECT_ID 和 YOUR_MAPS_API_KEY。

"bigquery-mcp": {
      "httpUrl": "https://bigquery.googleapis.com/mcp",
      "authProviderType": "google_credentials",
      "oauth": {
        "scopes": [
          "https://www.googleapis.com/auth/cloud-platform"
        ]
      },
      "timeout": 30000,
      "headers": {
        "x-goog-user-project": "YOUR_PROJECT_ID"
      }
},
"maps-grounding-lite-mcp": {
      "httpUrl": "https://mapstools.googleapis.com/mcp",
      "headers": {
        "X-Goog-Api-Key": "YOUR_MAPS_API_KEY"
      }
}

任务 5：智能功能在行动

启动 Gemini CLI 并测试新的“智能”功能。

gemini

验证服务器是否已准备就绪：输入 /mcp list。您应该会看到 bigquery-mcp 和 maps-grounding-lite-mcp，其中列出了多种工具。。

场景 1：分析引擎 (BigQuery) 在您不了解任何 SQL 的情况下，让代理查询公共数据集：

Run a query to count the number of penguins on each island in the BigQuery public dataset ml_datasets.penguins.

场景 2：地理空间背景信息（地图）让代理规划一次现实世界的旅行：

I am planning a drive from Mumbai to Pune tomorrow morning. Based on current weather and routing, what should I expect in terms of travel time and what should I carry?

需要注意的事项：

对于 BigQuery，代理将调用 execute_sql 来发现架构并运行查询。
对于 Google 地图，它将协调 lookup_weather 和 compute_routes，为您提供有依据的实用旅行计划。

8. 安全加固：生产环境安全和 IAM

在最后一步中，您将从使用广泛的“Owner”权限转为使用生产环境级纵深防御模型。

AI 智能体天生就是“有帮助”的。如果您在界面级限制某个工具，智能代理可能会尝试通过运行 shell 命令来绕过该限制。如需真正确保基础架构的安全，您必须使用 Google Cloud IAM 构建硬边界。

双层安全模型

若要执行任何操作，代理必须通过两个门：

关口 1（MCP 关口）：身份是否具有 roles/mcp.toolUser？（使用该协议的权限）。
Gate 2（服务门）：身份是否具有特定的产品角色（例如 roles/datastore.viewer）？（查看数据的权限）。

任务 1：第 1 层 - 客户端过滤 (`excludeTools`)

第一层防御措施是向代理隐藏工具，这样代理甚至不会“想到”使用这些工具。

在 Cloud Shell 编辑器中打开 Gemini CLI 设置：

cloudshell edit ~/.gemini/settings.json

找到 firestore-mcp 代码块，并添加 excludeTools 指令以隐藏破坏性操作：

"firestore-mcp": {
  "httpUrl": "https://firestore.googleapis.com/mcp",
  "excludeTools": ["delete_database", "update_database", "delete_document"],
  ...
}

保存文件并重启 Gemini CLI。运行 /mcp list，并注意这些工具现在已消失。

任务 2：第 2 层 - 基础设施至上（IAM 保镖）

客户端过滤是一种“软”防护措施。如果您要求代理“删除我的 Firestore 数据库”，但该工具处于隐藏状态，代理可能会尝试运行 gcloud firestore databases delete。为防止这种情况，我们使用最小权限服务账号。

创建“仅限读取者”服务账号：

# Create the service account
gcloud iam service-accounts create mcp-reader-sa --display-name="MCP Reader Only"

# Grant ONLY the necessary roles (Gate 1 + Gate 2)
export PROJECT_ID=$(gcloud config get-value project)
SA_EMAIL="mcp-reader-sa@$PROJECT_ID.iam.gserviceaccount.com"

gcloud projects add-iam-policy-binding $PROJECT_ID --member="serviceAccount:$SA_EMAIL" --role="roles/mcp.toolUser"
gcloud projects add-iam-policy-binding $PROJECT_ID --member="serviceAccount:$SA_EMAIL" --role="roles/datastore.viewer"
gcloud projects add-iam-policy-binding $PROJECT_ID --member="serviceAccount:$SA_EMAIL" --role="roles/aiplatform.user"

生成并激活密钥：

gcloud iam service-accounts keys create reader-key.json --iam-account=$SA_EMAIL
export GOOGLE_APPLICATION_CREDENTIALS=$(pwd)/reader-key.json

任务 3：“有用的代理”Bouncer 测试

现在，我们来测试一下该代理是否可以绕过我们的安全措施。

我们的第一步是激活服务账号，这样即使代理回退到使用 gcloud 命令，它也会以我们刚刚创建的服务账号身份运行。

激活服务账号：

运行以下命令，并将 [PATH_TO_KEY_FILE] 替换为 JSON 密钥文件的实际路径（例如 reader-key.json）。

gcloud auth activate-service-account --key-file=[PATH_TO_KEY_FILE]

验证更改：

运行该命令后，您可以运行以下命令来验证服务账号是否处于活跃状态：

gcloud auth list

输出将显示服务账号为有效凭据。

启动 Gemini CLI：

gemini

输入以下提示：

I want to delete the 'mcp-lab-db' firestore database. If the tool is missing, try using the gcloud firestore command in the terminal.

会发生什么情况？

智能体将首先尝试使用 Firestore MCP 服务器中的 delete_database 工具。由于缺少权限，该操作将失败。
然后，它会尝试通过回退到 run_shell_command 工具来使用 gcloud firestore 命令，从而“提供帮助”。

结果：

该命令失败，并显示“禁止”错误。由于代理是在 mcp-reader-sa 身份下运行的，因此缺少 datastore.databases.delete 权限。IAM 是最终的后盾。无论代理如何尝试访问资源，Google Cloud API 级别的“Bouncer”都会阻止该请求。

切换回您的用户账号：

如需切换回您的用户账号，请运行以下命令：

gcloud config set account YOUR_EMAIL_ADDRESS

9. 清理

为避免产生不必要的费用，请删除您的测试资源：

# Delete the Firestore database
gcloud firestore databases delete --database=mcp-lab-db

# Remove the service account
gcloud iam service-accounts delete mcp-reader-sa@$PROJECT_ID.iam.gserviceaccount.com

10. 总结

恭喜！您已成功浏览 Google 管理的 MCP 服务器的完整堆栈。

您首先完成了实验的“主干”部分，建立了与 Cloud Logging 的基础连接。然后，您开始探索模块化“冒险”之旅，包括夯实代理的知识基础、自动执行复杂的问题排查循环、在 Firestore 中迁移数据，以及从 BigQuery 和 Google 地图 中提取情报。

最重要的是，您最终将代理锚定在生产安全性的根中。您证明了虽然代理可能会“帮倒忙”，但 Google Cloud IAM 是最终的门卫，可确保您的自主工作流程始终遵循最小权限原则。

重点小结

托管 = 可扩缩：您通过可流式传输的 HTTP 连接到基础架构级工具，而无需部署任何服务器。
建立依据是强制性的：您使用开发者知识库 MCP 替换了 LLM 的“猜测”，确保智能体使用当前有效的命令。
编排即力量：您已经看到，当智能体组合多个 MCP 服务器来解决单个业务问题时，真正的魔力就会显现出来。

Google MCP 服务器使用入门 使用集合让一切井井有条 根据您的偏好保存内容并对其进行分类。

1. 简介

“受管理”的优势

学习内容

所需条件

报告问题

2. 准备工作

激活 Cloud Shell

设置项目 ID

启用基础 API

设置应用默认凭证 (ADC)

分配基础 IAM 角色

3. 基础知识：连接第一个 MCP 服务器

任务 1：配置日志记录 MCP 服务器

任务 2：模拟项目活动（创建日志）

任务 3：验证 Gemini CLI 中的工具

任务 4：您的第一个实时基础设施提示

4. 历程 A：大脑（开发者知识 MCP）

任务 1：启用知识服务

任务 2：预配受限 API 密钥

任务 3：配置 Gemini CLI

任务 4：反幻觉测试

5. 历程 B：分诊（自动问题排查）

任务 1：在 GCP 中模拟“糟糕的一天”

任务 2：执行自主循环

6. 历程 C：数据 (Firestore MCP)

任务 1：启用 Firestore 服务

任务 2：分配 Firestore IAM 角色

任务 3：创建专用测试数据库

任务 4：配置 Gemini CLI

任务 5：自然语言数据库操作

7. 历程 D：智能（BigQuery 和 Maps）

任务 1：启用智能服务

任务 2：分配 BigQuery IAM 角色

任务 3：配置地图 API 密钥

任务 4：配置 Gemini CLI

任务 5：智能功能在行动

8. 安全加固：生产环境安全和 IAM

双层安全模型

任务 1：第 1 层 - 客户端过滤 (excludeTools)

任务 2：第 2 层 - 基础设施至上（IAM 保镖）

任务 3：“有用的代理”Bouncer 测试

9. 清理

10. 总结

重点小结

Google MCP 服务器使用入门

任务 1：第 1 层 - 客户端过滤 (`excludeTools`)