Google, içerikleri tercih ettiğiniz dile çevirmek için yapay zeka teknolojisini kullanır. Yapay zeka çevirilerinde hata olabilir.

MCP ve Cloud Run ile kurumsal yönetime uygun bir aracı dağıtma

1. Giriş

Bu codelab, yönetime uygun bir yapay zeka aracısı oluşturmanın nasıl yapılacağını ele alan iki bölümlük serinin bir parçasıdır.

(Bu serinin ilk bölümünde, Knowledge Catalog yön türü kaydederek, BigQuery tablolarına yönler uygulayarak ve kuralları AGY CLI aracılığıyla yerel olarak test ederek veri temelini nasıl oluşturacağınız anlatılıyor. 👉 1. Bölümü okuyun)

Ancak yerel bir CLI'de test yapmak sadece başlangıçtır. Bu özelliği şirketinizin tamamında kullanıma sunmak için merkezi güvenlik, standartlaştırılmış yapay zeka aracı bağlantıları ve aracının mantığını düzenleyip tanıdık bir sohbet arayüzü sunmak için uygun bir uygulama çerçevesi gerekir.

Bu ikinci bölümde, bu zorlukları çözecek ve üretim için ölçeklendirme yapacaksınız. Özel bir MCP sunucusu dağıtmak yerine, aracınızı doğrudan Google tarafından yönetilen Knowledge Catalog MCP sunucusuna bağlarsınız. Ardından, Google'ın Agent Development Kit'ini (ADK) kullanarak gerçek aracı uygulamasını oluşturacak, yönetim kurallarınızı yerel aracı becerinizden yükleyecek ve profesyonel bir web kullanıcı arayüzüyle birlikte Cloud Run'a dağıtacaksınız.

Bir kullanıcı ADK kullanıcı arayüzüyle etkileşimde bulunduğunda aşağıdaki sıra gerçekleşir:

Neler öğreneceksiniz?

Yapay zeka ajanlarının Google Cloud verileriyle etkileşim kurma şeklini standartlaştırmak için Model Bağlam Protokolü'nü (MCP) kullanma
ADK aracısı, Google tarafından yönetilen Knowledge Catalog MCP sunucusuna nasıl bağlanır?
Yönetim kurallarınızı paylaşılan aracı becerisinden dinamik olarak yükleme
Aracınızı Cloud Run'a dağıtma ve ADK'nın yerleşik web alanı ile oynama

İhtiyacınız olanlar

Faturalandırmanın etkin olduğu bir Google Cloud projesi.
Google Cloud Shell'e erişim.
Cloud Run, IAM hizmet hesapları ve Python hakkında temel bilgiler.
1. bölümde oluşturulan BigQuery veri kümeleri ve Knowledge Catalog yönleri. (Sildiyseniz endişelenmeyin. Aşağıda bunları yeniden oluşturmak için hızlı bir komut dosyası paylaşıyoruz.)

Temel kavramlar

Model Bağlam Protokolü (MCP): MCP'yi yapay zeka ajanı için "evrensel USB-C kablosu" olarak düşünebilirsiniz. MCP, her bir yapay zeka modeli için özel API entegrasyon kodu yazmak yerine yapay zekanın kurumsal veri araçlarınıza (ör. Knowledge Catalog ve BigQuery) güvenli bir şekilde bağlanması için standart bir yol sunar.
Agent Development Kit (ADK): Google tarafından geliştirilen ve yapay zeka ajanlarının uçtan uca geliştirilmesini kolaylaştırmak için tasarlanmış esnek, açık kaynaklı bir çerçeve. Yazılım mühendisliği ilkelerini aracı oluşturmaya uygulayarak karmaşık araçları düzenlemenize, durumu yönetmenize ve test ile dağıtım için yerleşik bir geliştirici kullanıcı arayüzünü kolayca başlatmanıza olanak tanır.
Gemini Enterprise Agent Platform(GEAP): Google Cloud'da yapay zeka aracı dağıtmak için kullanılan kurumsal düzeyde barındırma ve düzenleme ortamı.

2. Kurulum ve şartlar

Cloud Shell'i Başlatma

Google Cloud, dizüstü bilgisayarınızdan uzaktan çalıştırılabilir ancak bu codelab'de Cloud'da çalışan bir komut satırı ortamı olan Google Cloud Shell'i kullanacaksınız.

Google Cloud Console'da sağ üstteki araç çubuğunda Cloud Shell simgesini tıklayın:

Cloud Shell'i etkinleştirme

Ortamın temel hazırlığı ve bağlantı kurulması yalnızca birkaç dakikanızı alır. İşlem tamamlandığında aşağıdakine benzer bir sonuç görürsünüz:

Ortamın bağlandığını gösteren Google Cloud Shell terminalinin ekran görüntüsü

Bu sanal makine, ihtiyaç duyacağınız tüm geliştirme araçlarıyla birlikte gelir. 5 GB boyutunda kalıcı bir ana dizin sunar ve Google Cloud üzerinde çalışır. Bu sayede ağ performansı ve kimlik doğrulama önemli ölçüde güçlenir. Bu codelab'deki tüm çalışmalarınızı tarayıcıda yapabilirsiniz. Herhangi bir şey yüklemeniz gerekmez.

Ortamı başlatma

Cloud Shell'i açın ve tüm komutların doğru altyapıyı hedeflediğinden emin olmak için proje değişkenlerinizi ayarlayın.

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

Gerekli API'leri etkinleştirme

Veri temelini yönetmek, Vertex AI modellerini çalıştırmak ve ADK aracısını Cloud Run'da barındırmak için gereken minimum Google Cloud API'lerini etkinleştirin.

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

Kontrol noktası: Devam mı edelim yoksa yeniden mi oluşturalım?

Bu, 2. Bölüm olduğundan temsilcinizin çalışması için 1. Bölümdeki yönetilen verilere ihtiyacı var. Lütfen yolunuzu seçin:

A yolu: 1. Bölüm'ü yeni tamamladım ve kaynaklarım hâlâ çalışıyor

Mükemmel! Çalışma dizinine gidin ve devam etmeye hazır olun.

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

B yolu: 1. Bölüm'ü atladım VEYA kaynaklarımı sildim (Temizleme)

Sorun değil. Aşağıda bir "Hızlı İzleme" komut bloğu verilmiştir. Bu işlem, BigQuery veri gölünü otomatik olarak yeniden oluşturur, yön türünü kaydeder ve yönetim meta verilerini 1. Bölüm'de yaptığımız gibi uygular.

# 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. Merkezi veri kontrol düzlemi (yönetilen MCP)

Gerçek bir kurumsal ortamda güvenli ve merkezi bir veri kontrol düzlemine ihtiyacınız vardır. Cloud Run'da özel bir MCP sunucu kapsayıcısı oluşturup dağıtmak yerine, aracımızı doğrudan Google tarafından yönetilen Knowledge Catalog MCP sunucusuna bağlayacağız.

Bu yönetilen uç noktayı kullanarak şunları elde ederiz:

Bakım gerektirmez: MCP sunucusu için kapsayıcıları, ölçeklendirmeyi veya yama uygulamayı yönetmeniz gerekmez.
Standartlaştırma: Aracı, Model Bağlam Protokolü'nü (SSE aktarımı) kullanarak standart ve güvenli bir Google API uç noktasına bağlanır.
Kontrollü kapsam: MCP sunucusu yalnızca gerekli meta veri araçlarını (search_entries, lookup_context, lookup_entry) kullanıma sunarak salt okunur ve yönetime öncelik veren bir mantık döngüsü uygular.

Google tarafından yönetilen Knowledge Catalog MCP sunucusuna aşağıdaki güvenli URL üzerinden erişilebilir:

https://dataplex.googleapis.com/mcp

Bu, 1. taraf Google API'si olduğundan aracı, kimlik jetonu yerine standart bir Google Cloud OAuth2 erişim jetonu kullanarak kimlik doğrulaması yapmalıdır. Bu kimlik doğrulama, uygulama kodumuzda otomatik olarak gerçekleştirilir.

4. ADK ile temsilci arka ucunu oluşturma

Güvenli ve yönetilen bir veri kontrol düzleminiz olur. Artık yapay zeka aracınızın, mantığını düzenlemek için bir çerçeveye ihtiyacı var. Örneğin, kullanıcı girişlerini işleme, MCP sunucusunun ne zaman çağrılacağına karar verme ve çıkışı biçimlendirme gibi.

Google'ın Agent Development Kit'ini (ADK) kullanacağız. ADK, kod öncelikli bir çerçevedir. Aracı mantığınızı otomatik olarak FastAPI arka ucuna sarar ve anında test için yerleşik bir web arayüzü sağlar.

Aracı Cloud Shell Editor'da açma

Dosyanın tamamını terminale dökmek yerine, kodu kolayca inceleyebilmeniz, düzenleyebilmeniz ve anlayabilmeniz için Cloud Shell Düzenleyici'de açalım.

Terminalde aşağıdaki komutu çalıştırın ve düzenleyicideki kod yapısına bakın. Uygulama, Google'ın Agent Development Kit (ADK) kullanılarak oluşturulmuştur:

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

(Not: agent.py, Google Cloud OAuth2 kimlik doğrulamasını ve jeton yenilemeyi işlemek için en üstte standart kod içerir. Bu sayede, aracının Google tarafından yönetilen Knowledge Catalog API ile güvenli bir şekilde iletişim kurması sağlanır.)

1. Yerel Beceri Yükleme

Yüksek düzeyde optimize edilmiş bir aracı oluşturmak için ADK'nın yerel load_skill_from_dir işlevini kullanarak harici aracı beceri dizininden yönetim talimatlarını yükleriz. Bu yaklaşım, aşamalı ifşayı mümkün kılar:

L1 Meta Verileri: Aracı, başlangıçta yalnızca becerinin adını ve açıklamasını yükler. Bu minimal bağlam, LLM'nin beceriyi ne zaman kullanacağını önceden büyük miktarda jeton tüketmeden belirlemesini sağlar.
L2 Talimatları: SKILL.md içindeki talimat grubunun tamamı, yalnızca modelin alakalı olduğuna karar verdiği durumlarda çalışma zamanında dinamik olarak getirilir.

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. Ajan düzenleme

ADK, birden fazla aracıyı birbirine bağlayarak karmaşık aracı davranışlarını düzenlemenize olanak tanır. İki özel ajandan oluşan bir SequentialAgent iş akışı tanımlıyoruz:

governance_researcher: ve Bilgi Kataloğu MCP tools ile donatılmış olmalıdır.governance_skill_toolset Sorgunun veri kataloğu ve uygunluk kapsamına girip girmediğini kontrol eder, ardından sistem talimatlarına yerleştirilen ortam değişkenlerini kullanarak Knowledge Catalog'u sorgular.
compliance_formatter: Ham JSON meta veri arama sonuçlarını temiz bir yanıta çevirmekten veya istek kapsam dışındaysa kapsam sınırlarını düzgün bir şekilde açıklamaktan sorumludur.

# 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,
    ]
)

Çalışma zamanı değişkenlerini yapılandırma

Ajanı çalıştırmak için yönetilen MCP sunucunuzun konumunu belirtmemiz ve projesini ve bölgesini yapılandırmamız gerekir. Bu değişkenleri, ADK'nın çalışma zamanında okuyacağı bir .env dosyasına kaydedeceğiz.

.env dosyasını oluşturmak için aşağıdaki komutu çalıştırın. MCP_SERVER_URL işaretinin doğrudan Google tarafından yönetilen Knowledge Catalog API uç noktasına yönlendirdiğini unutmayın:

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. Aracı yerel olarak çalıştırma ve test etme

Temsilcinizi buluta dağıtmadan önce davranışını doğrulamak için Cloud Shell'de yerel olarak çalıştırmanız gerekir. Aracı, Google Cloud Logging ve ADK kitaplıkları da dahil olmak üzere çeşitli Python paketlerine bağlı olduğundan bu bağımlılıkları yüklemek için yerel bir sanal ortam oluşturacağız.

Cloud Shell'de yerel olarak çalıştırıldığında aracı, etkin Google Cloud kullanıcı kimlik bilgilerinizi otomatik olarak kullandığından Vertex AI ve Knowledge Catalog'a erişmek için gerekli izinlere zaten sahiptir.

mcp_server dizinine gidin, sanal bir ortam oluşturun ve bağımlılıkları yükleyin:

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

Terminalinizde etkileşimli sohbet oturumunu başlatın:

adk run .

Oturum başladıktan sonra bir istem görürsünüz. Temsilcinin yönetim mantığını test etmek için bir sorgu yazın:

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

Aracı, isteğinizi işler, yönetilen MCP sunucusu aracılığıyla Bilgi Kataloğu'nu sorgular ve önerisini ve gerekçesini doğrudan terminalde verir.

Etkileşimli oturumdan çıkmak için exit veya quit yazın (ya da Ctrl+C tuşuna basın). Çıktıktan sonra sanal ortamı devre dışı bırakabilirsiniz:

deactivate

6. Temsilciyi üretime dağıtma

Aracıyı yerel olarak doğruladığınıza göre artık üretimde kullanmak üzere Google Cloud'a dağıtabilirsiniz.

Hizmet hesabı oluşturma

Güvenlik nedeniyle, dağıtılan aracı kişisel kimlik bilgilerinizle çalıştırmamalısınız. En az ayrıcalık ilkesine uyarak aracı için ayrı bir kimlik (knowledge-catalog-agent-sa) oluşturacağız.

Hizmet hesabını oluşturmak için aşağıdaki komutları çalıştırın:

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"

İzin verin

Aracı, yönetim kontrollerini MCP sunucusuna devretse de çalışmak için temel izinlere ihtiyaç duyar.

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"

Cloud Run'a dağıt

Son olarak, aracıyı Cloud Run'a dağıtırız. Aşağıdaki komut, geçerli dizininizdeki Dockerfile kullanarak container görüntüsünü oluşturur, Artifact Registry'ye yükler ve Cloud Run'a dağıtır. Bu işlemin tamamlanması 1-3 dakika sürebilir.

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

Bu komut tamamlandığında Hizmet URL'si (ör. https://knowledge-catalog-agent-xyz.run.app) oluşturulur. Tamamen yönetilen üretken yapay zeka sohbet arayüzünüzü açmak için bu bağlantıyı tıklayın.

7. Canlı müşteri temsilcisini test etme

Temsilciniz yayına alındığına göre şimdi yönetim senaryolarını test edelim. Mantık aynı kalır ancak artık dahili durumu ve araç yürütmelerini görselleştiren dağıtılmış ADK Web Playground ile etkileşim kuruyorsunuz.

Önceki adımda oluşturduğunuz hizmet URL'sini (ör. https://knowledge-catalog-agent-xyz.run.app) tarayıcınızda açın. Aşağıdaki istemi yapıştırın:

"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?"

Geliştirici kullanıcı arayüzünde aracının akıl yürütme sürecini gözlemleyin:

Niyet Tanıma: Temsilci, "şu anda" ve "geceyi bekleyemem" ifadelerini ayrıştırıyor.
Meta Veri Arama: MCP aracında şu sorguyla search_entries çağrısı yapılır: [PROJECT_ID].us-central1.official-data-product-spec.update_frequency=REALTIME_STREAMING
Seçim: Tablonun mkt_realtime_campaign_performance bu ölçütleri karşıladığını gösterir.
Yanıt: Temsilci, anlık tabloyu öneriyor.

Peki bu neden önemli?

Bu yönetim meta verileri olmadan, bir LLM, verilerin 24 saatlik olduğunu göz ardı ederek yalnızca "ad_spend" adlı bir sütunu olduğu için fin_monthly_closing_internal tablosunu önerebilir. Meta veri bağlamınız bir işletme hatasını önledi.

Ayrıca, aracının Veri Ürünü Katmanı yönüne göre farklı tablolara nasıl geçtiğini görmek için "Yönetim Kurulu Toplantısı" istemini de test edebilirsiniz:

"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. Temizleme

Google Cloud hesabınızın ücretlendirilmesini önlemek için bu codelab'de oluşturulan tüm altyapıyı kaldırmak üzere aşağıdaki adımları uygulayın.

Veri gölünü kaldırma

BigQuery tablolarını, veri kümelerini ve Knowledge Catalog yönü tanımlarını kaldırmak için temizleme komut dosyasını kullanın.

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

Cloud Run hizmetlerini silme

Çalışan kapsayıcı için etkin faturalandırmayı durdurmak üzere işlem kaynaklarını kaldırın.

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

Derleme yapılarını ve hazırlama depolama alanını temizleme

ADK aracısını dağıttığınızda sistem otomatik olarak bir kapsayıcı görüntüsü oluşturdu ve kaynak kodunuzu geçici bir Cloud Storage paketine yükledi.

Artifact Registry deposunu ve Cloud Storage hazırlık paketini kaldırın:

# 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}

Kimliği ve izinleri silme

Önce IAM politikası bağlamalarını kaldırın, ardından hizmet hesaplarını silin.

# 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

Yerel yapılandırmayı kaldırma

Son olarak, Cloud Shell'deki yerel yapılandırma dosyalarını ve ortam değişkenlerini temizleyin.

# 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. Tebrikler!

Uçtan uca, yönetime uygun bir üretken yapay zeka aracısını başarıyla dağıttınız.

Bu iki bölümlük codelab'de, basit istem mühendisliğinin ötesine geçerek sağlam ve üretime hazır bir mimari uyguladınız. Veri yönetimine üretken yapay zekanın ön koşulu olarak yaklaşarak modelin sertifikasız veya uydurulmuş verileri almasını önlemek için sistematik bir yöntem oluşturmuş olursunuz.

Temel çıkarımlar

Meta Verilerle Belirleyici Yapay Zeka: Büyük dil modelinin sütun adlarına göre doğru tabloyu tahmin etmesine güvenmek yerine, Google tarafından yönetilen Knowledge Catalog MCP sunucusunu kullanarak katı bir muhakeme döngüsü uyguladınız. Bu sayede, model tabloları önermeden önce veri sertifikalarını doğrulamak zorunda kaldı.
Ayrılmış Mimari: Ön uç aracısının veritabanı mantığı içermesi gerekmez. Yalnızca MCP standardı üzerinden iletişim kurması yeterlidir. Bu sayede, gelecekteki tüm yapay zeka modellerini veya istemcilerini aynı yönetilen arka uca bağlayabilirsiniz.
Görevlerin ayrılması: IAM kimliklerini izole ederek en az ayrıcalık ilkesini uyguladınız. Kullanıcıya yönelik ADK aracısı, model çağırma ve API yönlendirmeyle sınırlı izinlerle çalışır.
Önce kod yaklaşımıyla ajan düzenleme: Python ajan mantığınızı anında ölçeklenebilir bir FastAPI arka ucuna sarmak için Google Agent Development Kit'i (ADK) kullandınız. Ayrıca, ajanın dahili araç yürütmelerini görselleştirmek ve hatalarını ayıklamak için yerleşik geliştirici kullanıcı arayüzünden yararlandınız.

Sırada ne var?

Knowledge Catalog Temel Yönetim Codelab'i: Yapay zeka katmanını eklemeden önce Knowledge Catalog'da veri yönetimiyle ilgili temel bilgileri öğrenin.
Agent Development Kit (ADK) Belgeleri: ADK ile aracı oluşturma ve dağıtma hakkında resmi belgeleri inceleyin.
MCP'ye Derinlemesine Bakış: Dahili kurumsal API'leriniz için özel sunucular oluşturmayı öğrenmek üzere resmi MCP spesifikasyonuna göz atın.

MCP ve Cloud Run ile kurumsal yönetime uygun bir aracı dağıtma Koleksiyonlar ile düzeninizi koruyun İçeriği tercihlerinize göre kaydedin ve kategorilere ayırın.