Google używa technologii AI do tłumaczenia treści na Twój preferowany język. Tłumaczenia wygenerowane przez AI mogą zawierać błędy.

Wdrażanie agenta z uwzględnieniem zarządzania w firmie za pomocą MCP i Cloud Run

1. Wprowadzenie

To ćwiczenie jest częścią dwuczęściowej serii, w której pokazujemy, jak utworzyć agenta AI uwzględniającego zasady zarządzania.

(Pierwszą część tej serii, która opisuje, jak stworzyć podstawy danych przez zarejestrowanie typu aspektu Knowledge Catalog, zastosowanie aspektów do tabel BigQuery i lokalne testowanie reguł za pomocą interfejsu AGY CLI, znajdziesz tutaj. 👉 Przeczytaj część 1

Testowanie w lokalnym interfejsie wiersza poleceń to jednak dopiero początek. Aby wdrożyć to rozwiązanie w całej firmie, potrzebujesz scentralizowanego zabezpieczenia, standardowych połączeń z narzędziami AI i odpowiednich ram aplikacji do koordynowania logiki agenta i zapewniania znanego interfejsu czatu.

W tej drugiej części rozwiążesz te problemy i skalujesz rozwiązanie do środowiska produkcyjnego. Zamiast wdrażać niestandardowy serwer MCP, połączysz agenta bezpośrednio z serwerem MCP Knowledge Catalog zarządzanym przez Google. Następnie za pomocą zestawu Agent Development Kit (ADK) od Google utworzysz aplikację agenta, wczytasz reguły zarządzania z lokalnego komponentu agenta i wdrożysz ją w Cloud Run wraz z profesjonalnym interfejsem internetowym.

Gdy użytkownik wchodzi w interakcję z interfejsem ADK, następuje ta sekwencja:

Czego się nauczysz

Jak używać protokołu Model Context Protocol (MCP) do standaryzacji interakcji agentów AI z danymi Google Cloud.
Sposób, w jaki agent ADK łączy się z serwerem MCP Katalogu wiedzy zarządzanym przez Google.
Jak dynamicznie wczytywać reguły zarządzania z udostępnionej umiejętności agenta.
Jak wdrożyć agenta w Cloud Run i uruchomić wbudowane środowisko testowe ADK.

Czego potrzebujesz

projekt Google Cloud z włączonymi płatnościami;
Dostęp do Google Cloud Shell.
Podstawowa wiedza o Cloud Run, kontach usługi IAM i Pythonie.
Zbiory danych BigQuery i aspekty Knowledge Catalog utworzone w części 1. (Nie martw się, jeśli je usuniesz. Poniżej znajdziesz skrypt, który pozwoli Ci je szybko odtworzyć).

Kluczowych pojęć

Model Context Protocol (MCP): MCP to „uniwersalny kabel USB-C” dla agentów AI. Zamiast pisać niestandardowy kod integracji interfejsu API dla każdego modelu AI, MCP zapewnia standardowy sposób bezpiecznego łączenia AI z narzędziami do obsługi danych w Twojej firmie (takimi jak Knowledge Catalog i BigQuery).
Pakiet Agent Development Kit (ADK): elastyczna platforma open source od Google, która upraszcza kompleksowe tworzenie agentów AI. Stosuje zasady inżynierii oprogramowania do tworzenia agentów, co pozwala koordynować złożone narzędzia, zarządzać stanem i łatwo uruchamiać wbudowany interfejs programisty do testowania i wdrażania.
Gemini Enterprise Agent Platform(GEAP): środowisko hostingu i orkiestracji klasy korporacyjnej do wdrażania agentów AI w Google Cloud.

2. Konfiguracja i wymagania

Uruchamianie Cloud Shell

Z Google Cloud można korzystać zdalnie na laptopie, ale w tym ćwiczeniu użyjesz Google Cloud Shell, czyli środowiska wiersza poleceń działającego w chmurze.

W konsoli Google Cloud kliknij ikonę Cloud Shell na pasku narzędzi w prawym górnym rogu:

Aktywowanie Cloud Shell

Uzyskanie dostępu do środowiska i połączenie się z nim powinno zająć tylko kilka chwil. Po zakończeniu powinno wyświetlić się coś takiego:

Zrzut ekranu terminala Google Cloud Shell pokazujący, że środowisko zostało połączone

Ta maszyna wirtualna zawiera wszystkie potrzebne narzędzia dla programistów. Zawiera również stały katalog domowy o pojemności 5 GB i działa w Google Cloud, co znacznie zwiększa wydajność sieci i usprawnia proces uwierzytelniania. Wszystkie zadania w tym laboratorium możesz wykonać w przeglądarce. Nie musisz niczego instalować.

Inicjowanie środowiska

Otwórz Cloud Shell i ustaw zmienne projektu, aby mieć pewność, że wszystkie polecenia są kierowane do prawidłowej infrastruktury.

export PROJECT_ID=$(gcloud config get-value project)
gcloud config set project $PROJECT_ID
export REGION="us-central1"

Włącz wymagane interfejsy API

Włącz minimalny zestaw interfejsów Google Cloud API wymaganych do zarządzania podstawami danych, uruchamiania modeli Vertex AI i hostowania agenta ADK w Cloud Run.

gcloud services enable \
    dataplex.googleapis.com \
    bigquery.googleapis.com \
    aiplatform.googleapis.com \
    run.googleapis.com \
    artifactregistry.googleapis.com \
    cloudbuild.googleapis.com

Punkt kontrolny: wznowić czy odbudować?

To jest część 2, więc agent potrzebuje do działania danych podlegających kontroli z części 1. Wybierz ścieżkę:

Ścieżka A: właśnie skończyłem(-am) część 1 i moje zasoby nadal działają

Świetnie. Przejdź do katalogu roboczego i możesz kontynuować.

cd ~/devrel-demos/data-analytics/governance-context

Ścieżka B: Pominięto część 1 LUB usunięto zasoby (wyczyszczono)

Żaden problem. Poniżej znajdziesz blok poleceń „Szybka ścieżka”. Spowoduje to automatyczne ponowne utworzenie jeziora danych BigQuery, zarejestrowanie typu aspektu i zastosowanie metadanych zarządzania dokładnie tak, jak w części 1.

# 1. Clone the repo and navigate to the working directory
git clone --depth 1 --filter=blob:none --sparse https://github.com/GoogleCloudPlatform/devrel-demos.git
cd devrel-demos
git sparse-checkout set data-analytics/governance-context
cd data-analytics/governance-context

# 2. Rebuild the BigQuery datasets and tables
chmod +x ./setup_bq_tables.sh
./setup_bq_tables.sh

# 3. Register the Knowledge Catalog aspect type
gcloud dataplex aspect-types create official-data-product-spec \
    --location="${REGION}" \
    --project="${PROJECT_ID}" \
    --metadata-template-file-name="aspect_template.json"

# 4. Generate and apply aspects (governance rules)
chmod +x ./generate_payloads.sh ./apply_governance.sh
./generate_payloads.sh
./apply_governance.sh

3. Scentralizowana platforma sterująca danymi (zarządzana MCP)

W prawdziwym środowisku przedsiębiorstwa potrzebujesz bezpiecznej, scentralizowanej platformy sterującej danymi. Zamiast tworzyć i wdrażać niestandardowy kontener serwera MCP w Cloud Run, połączymy naszego agenta bezpośrednio z zarządzanym przez Google serwerem MCP Knowledge Catalog.

Korzystając z tego zarządzanego punktu końcowego, uzyskujemy:

Bezobsługowość: nie musisz zarządzać kontenerami, skalowaniem ani instalowaniem poprawek na serwerze MCP.
Standaryzacja: agent łączy się ze standardowym, bezpiecznym punktem końcowym interfejsu API Google za pomocą protokołu Model Context Protocol (transport SSE).
Kontrolowany zakres: serwer MCP udostępnia tylko niezbędne narzędzia do metadanych (search_entries, lookup_context, lookup_entry), wymuszając pętlę rozumowania tylko do odczytu, w której priorytetem jest zarządzanie.

Serwer MCP usługi Knowledge Catalog zarządzany przez Google jest dostępny pod tym bezpiecznym adresem URL:

https://dataplex.googleapis.com/mcp

Ponieważ jest to interfejs API Google, agent musi uwierzytelniać się za pomocą standardowego tokena dostępu OAuth2 Google Cloud, a nie tokena identyfikatora. Uwierzytelnianie zostanie automatycznie obsłużone w kodzie aplikacji.

4. Tworzenie backendu agenta za pomocą pakietu ADK

Masz bezpieczną, zarządzaną platformę sterującą danymi. Teraz agent AI potrzebuje platformy do koordynowania swojej logiki, np. przetwarzania danych wejściowych użytkownika, decydowania, kiedy wywołać Serwer MCP, i formatowania danych wyjściowych.

Będziemy korzystać z pakietu Agent Development Kit (ADK) od Google. ADK to platforma oparta na kodzie, która automatycznie opakowuje logikę agenta w backendzie FastAPI i zapewnia wbudowany interfejs internetowy do natychmiastowego testowania.

Otwieranie kodu agenta w edytorze Cloud Shell

Zamiast wyświetlać cały plik w terminalu, otwórz go w edytorze Cloud Shell, aby łatwo sprawdzić, edytować i zrozumieć kod.

Uruchom w terminalu to polecenie i przyjrzyj się strukturze kodu w edytorze. Aplikacja jest tworzona za pomocą pakietu Agent Development Kit (ADK) od Google:

cd ~/devrel-demos/data-analytics/governance-context/mcp_server

# Copy the governance skill directory inside the application bundle so it packages during Cloud Run deployment
mkdir -p skills
cp -r ../.agents/skills/knowledge-catalog-governance skills/

cloudshell edit agent.py

(Uwaga: agent.py zawiera u góry powtarzalny kod do obsługi uwierzytelniania OAuth2 w Google Cloud i odświeżania tokena, co zapewnia bezpieczną komunikację agenta z interfejsem API Knowledge Catalog zarządzanym przez Google).

1. Wczytywanie umiejętności natywnych

Aby utworzyć wysoce zoptymalizowanego agenta, wczytujemy instrukcje dotyczące zarządzania z zewnętrznego katalogu umiejętności agenta za pomocą natywnej funkcji load_skill_from_dir ADK. Takie podejście umożliwia stopniowe odkrywanie:

Metadane poziomu 1: agent wczytuje tylko nazwę i opis umiejętności podczas uruchamiania. Ten minimalny kontekst pozwala LLM określić, kiedy użyć umiejętności, bez zużywania z góry dużej liczby tokenów.
Instrukcje L2: pełna lista instrukcji procesora w SKILL.md jest pobierana dynamicznie w czasie działania tylko wtedy, gdy model uzna, że jest to istotne.

base_dir = Path(__file__).parent
governance_skill = load_skill_from_dir(
    base_dir / "skills" / "knowledge-catalog-governance"
)

# Bundle the skill and MCP tools together into a SkillToolset
governance_skill_toolset = skill_toolset.SkillToolset(
    skills=[governance_skill],
    additional_tools=[tools]
)

2. Administracja agentami

ADK umożliwia koordynowanie złożonych zachowań agentów przez łączenie ze sobą wielu agentów. Definiujemy przepływ pracy SequentialAgent składający się z 2 wyspecjalizowanych agentów:

governance_researcher: Wyposażony w governance_skill_toolset i MCP Knowledge Catalog tools. Sprawdza, czy zapytanie mieści się w zakresie katalogu danych i zgodności, a następnie wysyła zapytanie do Knowledge Catalog za pomocą zmiennych środowiskowych wstrzykniętych do instrukcji systemowych.
compliance_formatter: Odpowiada za przekształcanie surowych wyników wyszukiwania metadanych JSON w czystą odpowiedź lub za wyjaśnianie granic zakresu, jeśli żądanie jest poza zakresem.

# 1. Researcher Agent (has access to the encapsulated SkillToolset)
governance_researcher = LlmAgent(
    name="governance_researcher",
    model=model_name,
    description="Dynamically interprets metadata schema (Booleans/Enums) and searches for assets using strict syntax.",
    instruction=f"""
    You are a governance researcher. Your job is to verify Knowledge Catalog metadata rules and find compliant assets for the user's query.
    
    YOUR ACTIVE ENVIRONMENT CONTEXT:
    - Google Cloud Project ID: {project_id}
    - Location (Region): {location}

    YOUR WORKFLOW:
    1. First, check if the user query is related to data analytics assets, database tables, or data compliance.
       - If YES: Call `load_skill` with `name="knowledge-catalog-governance"` to load the rules, then use search/lookup tools to locate a certified compliant table.
       - If NO (e.g., general chit-chat, unrelated tasks): Skip skill loading and output a JSON object indicating it is out of scope:
         {"error": "out_of_scope", "message": "The query does not pertain to data catalog search or governance compliance."}
    2. Populate the required projectId and location parameters in tool calls with the active environment parameters.
    3. Return the verified table's metadata in JSON format as your final research output.
    """,
    tools=[governance_skill_toolset, tools],
    output_key="research_data"
)

# 2. Formatter Agent (formats the output or explains out-of-scope errors)
compliance_formatter = LlmAgent(
    name="compliance_formatter",
    model=model_name,
    description="Formats the JSON research data into a helpful response for the user.",
    instruction="""
    You are the **Intelligent Data Governance Specialist**.
    Your job is to explain the findings of the governance research clearly to the user.

    **YOUR GOAL:**
    1. If the researcher found a matching table (valid JSON with table metadata):
       - Explain the logical connection between the User's Request, the Governance Schema (translated criteria), and the Recommended Table.
       - Use the following RESPONSE TEMPLATE:
         - **Analysis:** "I analyzed the metadata schema and translated your request into the following technical criteria:..."
         - **Recommendation:** "Based on this, I recommend the following table:"
           - **Table:** [Insert Table Name]
           - **Description:** [Insert Table Description]
         - **Verification:** "This asset is a verified match because: [Explain the verification details]."
    2. If the researcher returned an 'out_of_scope' error or no matching tables were found:
       - Apologize politely and explain that no data asset currently matches the strict governance criteria defined in `official-data-product-spec`.
       - Clearly state what domain of questions this agent is certified to answer (e.g., Data Catalog Search and Data Governance compliance).
    """
)

# 3. Orchestrated Workflow (Exported as root_agent)
root_agent = SequentialAgent(
    name="governance_workflow",
    description="Workflow to learn metadata rules, search with strict syntax, and recommend assets.",
    sub_agents=[
        governance_researcher,
        compliance_formatter,
    ]
)

Konfigurowanie zmiennych środowiska wykonawczego

Aby uruchomić agenta, musimy poinformować go, gdzie znajduje się zarządzany serwer MCP, i skonfigurować jego projekt i region. Zapiszemy te zmienne w pliku .env, który ADK odczyta w czasie działania.

Aby wygenerować plik .env, uruchom to polecenie. Zwróć uwagę, że symbol MCP_SERVER_URL wskazuje bezpośrednio punkt końcowy interfejsu Knowledge Catalog API zarządzany przez Google:

export MCP_SERVER_URL="https://dataplex.googleapis.com/mcp"

echo MCP_SERVER_URL=$MCP_SERVER_URL > .env
echo GOOGLE_GENAI_USE_VERTEXAI=1 >> .env
echo GOOGLE_CLOUD_PROJECT=$PROJECT_ID >> .env
echo GOOGLE_CLOUD_LOCATION=$REGION >> .env

5. Uruchamianie i testowanie agenta lokalnie

Zanim wdrożysz agenta w chmurze, uruchom go lokalnie w Cloud Shell, aby sprawdzić jego działanie. Agent zależy od kilku pakietów Pythona (w tym bibliotek Google Cloud Logging i ADK), więc skonfigurujemy lokalne środowisko wirtualne, aby zainstalować te zależności.

Gdy agent jest uruchamiany lokalnie w Cloud Shell, automatycznie używa aktywnych danych logowania użytkownika Google Cloud, więc ma już niezbędne uprawnienia dostępu do Vertex AI i Knowledge Catalog.

Otwórz katalog mcp_server, utwórz środowisko wirtualne i zainstaluj zależności:

cd ~/devrel-demos/data-analytics/governance-context/mcp_server

# Create a virtual environment using uv
uv venv
source .venv/bin/activate

# Install the dependencies listed in requirements.txt
uv pip install -r requirements.txt

Rozpocznij interaktywną sesję czatu w terminalu:

adk run .

Po rozpoczęciu sesji zobaczysz prompt. Wpisz zapytanie, aby przetestować logikę zarządzania agenta:

I need the Q1 revenue summary for our internal board meeting.

Agent przetworzy Twoje żądanie, wyszuka informacje w Katalogu wiedzy za pomocą zarządzanego serwera MCP i wyświetli rekomendację oraz uzasadnienie bezpośrednio w terminalu.

Aby zakończyć sesję interaktywną, wpisz exit lub quit (albo naciśnij Ctrl+C). Po zakończeniu możesz dezaktywować środowisko wirtualne:

deactivate

6. Wdrażanie agenta w środowisku produkcyjnym

Po zweryfikowaniu agenta lokalnie możesz wdrożyć go w Google Cloud do użytku produkcyjnego.

Tworzenie konta usługi

Ze względów bezpieczeństwa wdrożony agent nie powinien działać na podstawie Twoich danych logowania. Utworzymy oddzielną tożsamość (knowledge-catalog-agent-sa) dla agenta, zgodnie z zasadą jak najmniejszych uprawnień.

Aby utworzyć konto usługi, uruchom te polecenia:

export AGENT_SA=knowledge-catalog-agent-sa
export AGENT_SERVICE_ACCOUNT="${AGENT_SA}@${PROJECT_ID}.iam.gserviceaccount.com"

gcloud iam service-accounts create ${AGENT_SA} \
    --display-name="Service Account for Knowledge Catalog Agent"

Przyznaj uprawnienia

Mimo że agent deleguje sprawdzanie zasad na serwer MCP, nadal potrzebuje podstawowych uprawnień do działania.

gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$AGENT_SERVICE_ACCOUNT" \
  --role="roles/aiplatform.user"

gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$AGENT_SERVICE_ACCOUNT" \
  --role="roles/dataplex.catalogAdmin"

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

gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$AGENT_SERVICE_ACCOUNT" \
  --role="roles/mcp.toolUser"

gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$AGENT_SERVICE_ACCOUNT" \
  --role="roles/viewer"

Wdrożenie w Cloud Run

Na koniec wdrażamy agenta w Cloud Run. To polecenie tworzy obraz kontenera za pomocą pliku Dockerfile w bieżącym katalogu, przesyła go do Artifact Registry i wdraża w Cloud Run. Może to potrwać 1–3 minuty.

gcloud run deploy knowledge-catalog-agent \
  --source . \
  --project=$PROJECT_ID \
  --region=$REGION \
  --service-account=$AGENT_SERVICE_ACCOUNT \
  --allow-unauthenticated \
  --clear-base-image \
  --labels created-by=adk

Po wykonaniu tego polecenia zostanie wyświetlony adres URL usługi (np. https://knowledge-catalog-agent-xyz.run.app). Kliknij ten link, aby otworzyć w pełni zarządzany interfejs czatu GenAI.

7. Testowanie pracownika obsługi klienta

Agent jest już aktywny, więc przetestujmy scenariusze zarządzania. Logika pozostaje taka sama, ale teraz korzystasz z wdrożonego środowiska ADK Web Playground, które wizualizuje stan wewnętrzny i wykonanie narzędzi.

Otwórz w przeglądarce adres URL usługi wygenerowany w poprzednim kroku (np. https://knowledge-catalog-agent-xyz.run.app). Wklej ten prompt:

"My dashboard needs to show what's happening right now with our ad spend. I can't wait for the overnight load. What do you recommend?"

Obserwuj proces rozumowania agenta w interfejsie dewelopera:

Rozpoznawanie intencji: agent analizuje wyrażenia „teraz” i „nie mogę czekać do jutra”.
Wyszukiwanie metadanych: wywołuje narzędzie MCP search_entries z zapytaniem: [PROJECT_ID].us-central1.official-data-product-spec.update_frequency=REALTIME_STREAMING
Wybór: wskazuje, że tabela mkt_realtime_campaign_performance spełnia te kryteria.
Odpowiedź: pracownik obsługi klienta poleca tabelę w czasie rzeczywistym.

Dlaczego to jest ważne:

Bez tych metadanych zarządzania LLM prawdopodobnie poleciłby tabelę fin_monthly_closing_internal tylko dlatego, że ma ona kolumnę o nazwie „ad_spend”, ignorując fakt, że dane są sprzed 24 godzin. Kontekst metadanych zapobiegł wystąpieniu błędu biznesowego.

Możesz też przetestować prompt „Board Meeting”, aby sprawdzić, jak agent przełącza się między różnymi tabelami na podstawie aspektu Data Product Tier:

"We are preparing the deck for an internal Board of Directors meeting next week. I need the numbers to be absolutely finalized, trustworthy, and kept strictly confidential. Which table is safe to use?"

8. Czyszczenie danych

Aby uniknąć obciążenia konta Google Cloud opłatami, wykonaj te czynności, aby usunąć całą infrastrukturę utworzoną w tym laboratorium.

Usuwanie jeziora danych

Użyj skryptu czyszczącego, aby usunąć tabele i zbiory danych BigQuery oraz definicje aspektów Knowledge Catalog.

cd ~/devrel-demos/data-analytics/governance-context
chmod +x ./cleanup_data_lake.sh
./cleanup_data_lake.sh

Usuń usługi Cloud Run

Usuń zasoby obliczeniowe, aby zatrzymać aktywne rozliczenia za działający kontener.

gcloud run services delete knowledge-catalog-agent --region=$REGION --quiet

Zwalnianie miejsca zajmowanego przez artefakty kompilacji i pamięć przejściową

Gdy wdrożysz agenta ADK, system automatycznie skompiluje obraz kontenera i prześle kod źródłowy do tymczasowego zasobnika Cloud Storage.

Usuń repozytorium Artifact Registry i zasobnik przejściowy Cloud Storage:

# Delete the repository used for the agent build
gcloud artifacts repositories delete cloud-run-source-deploy \
    --location=$REGION \
    --quiet

# Delete the staging bucket created by Cloud Run source deploy
gcloud storage rm --recursive gs://run-sources-${PROJECT_ID}-${REGION}

Usuwanie tożsamości i uprawnień

Najpierw usuń powiązania zasad uprawnień, a potem usuń konta usługi.

# Remove IAM roles granted to the Agent Service Account
gcloud projects remove-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$AGENT_SERVICE_ACCOUNT" \
  --role="roles/aiplatform.user" --quiet

gcloud projects remove-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$AGENT_SERVICE_ACCOUNT" \
  --role="roles/dataplex.catalogViewer" --quiet

gcloud projects remove-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$AGENT_SERVICE_ACCOUNT" \
  --role="roles/mcp.toolUser" --quiet

gcloud projects remove-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$AGENT_SERVICE_ACCOUNT" \
  --role="roles/bigquery.dataViewer" --quiet

# Delete the Service Account
gcloud iam service-accounts delete $AGENT_SERVICE_ACCOUNT --quiet

Usuwanie konfiguracji lokalnej

Na koniec usuń lokalne pliki konfiguracyjne i zmienne środowiskowe w Cloud Shell.

# Uninstall the AGY CLI plugin
agy plugin uninstall dataplex

# Remove local repository files and unset variables
cd ~
rm -rf ~/devrel-demos
unset MCP_SERVER_URL
unset AGENT_SERVICE_ACCOUNT

9. Gratulacje!

Udało Ci się wdrożyć kompleksowego agenta GenAI z uwzględnieniem zasad zarządzania.

W tym dwuczęściowym ćwiczeniu wyszliśmy poza proste inżynierowanie promptów, aby wdrożyć solidną architekturę gotową do użytku produkcyjnego. Traktując zarządzanie danymi jako warunek wstępny korzystania z generatywnej AI, stworzyliście systematyczną metodę zapobiegania pobieraniu przez model niecertyfikowanych lub zmyślonych danych.

Najważniejsze punkty

Deterministyczna AI za pomocą metadanych: zamiast polegać na LLM w zakresie zgadywania prawidłowej tabeli na podstawie nazw kolumn, wymusiliśmy ścisłą pętlę wnioskowania za pomocą serwera MCP katalogu wiedzy zarządzanego przez Google, zmuszając model do weryfikowania certyfikatów danych przed rekomendowaniem tabel.
Architektura rozdzielona: agent interfejsu nie musi zawierać logiki bazy danych. Wystarczy, że będzie komunikować się za pomocą standardu MCP. Oznacza to, że w przyszłości do tego samego zarządzanego backendu będzie można podłączyć dowolny model AI lub klienta.
Rozdzielenie obowiązków: zastosowano zasadę jak najmniejszych uprawnień przez odizolowanie tożsamości IAM. Agent ADK dostępny dla użytkowników działa z uprawnieniami ograniczonymi do wywoływania modelu i kierowania interfejsów API.
Orkiestracja agentów oparta na kodzie: za pomocą pakietu Google Agent Development Kit (ADK) możesz natychmiast przekształcić logikę agenta w Pythonie w skalowalny backend FastAPI, korzystając z wbudowanego interfejsu programisty do wizualizacji i debugowania wewnętrznych wykonań narzędzi agenta.

Co dalej?

Laboratorium podstaw zarządzania w Knowledge Catalog: opanuj podstawy zarządzania danymi w Knowledge Catalog, zanim dodasz warstwę AI.
Dokumentacja pakietu Agent Development Kit (ADK): zapoznaj się z oficjalną dokumentacją dotyczącą tworzenia i wdrażania agentów za pomocą pakietu ADK.
Szczegółowe informacje o MCP: zapoznaj się z oficjalną specyfikacją MCP, aby dowiedzieć się, jak tworzyć niestandardowe serwery dla wewnętrznych interfejsów API Twojej firmy.

Wdrażanie agenta z uwzględnieniem zarządzania w firmie za pomocą MCP i Cloud Run Zadbaj o dobrą organizację dzięki kolekcji Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.