ארגז הכלים של MCP למסדי נתונים: הפיכת מערכי נתונים של BigQuery לזמינים ללקוחות MCP

כלי MCP למסדי נתונים:
הפיכת מערכי נתונים של BigQuery לזמינים ללקוחות MCP

מידע על Codelab זה

subjectהעדכון האחרון: יוני 20, 2025
account_circleנכתב על ידי Romin Irani

1.‏ מבוא

בקודלאב הזה נשתמש ב-MCP Toolbox for Databases כדי להפוך את מערכי הנתונים ב-BigQuery לזמינים.

במהלך הקודלאב, נשתמש בגישה הדרגתית לפי השלבים הבאים:

  1. מאתרים מערך נתונים ספציפי ב-BigQuery ('הערות המוצר של Google Cloud') מהתוכנית הציבורית של מערכי הנתונים ב-BigQuery.
  2. מגדירים את MCP Toolbox for Databases שמתחבר למערך הנתונים ב-BigQuery.
  3. פיתוח סוכן באמצעות ערכת הפיתוח של סוכן (ADK) שתשתמש ב-MCP Toolbox כדי לענות על שאילתות של משתמשים לגבי הערות המוצר של Google Cloud

מה עליכם לעשות

  • הגדרת MCP Toolbox למסדי נתונים כדי לחשוף את הערות המוצר של Google Cloud, מערך נתונים ציבורי ב-BigQuery, כממשק MCP ללקוחות MCP אחרים (סביבות פיתוח משולבות, כלים וכו').

מה תלמדו

  • בודקים את מערכי הנתונים הציבוריים של BigQuery ובוחרים מערך נתונים ספציפי.
  • מגדירים את MCP Toolbox for Databases למערך הנתונים הציבורי ב-BigQuery שרוצים להפוך לזמין ללקוחות MCP.
  • תכנון ופיתוח של נציג באמצעות ערכת הפיתוח של נציג (ADK) כדי לענות על שאילתות של משתמשים.
  • בדיקת ה-Agent וארגז הכלים של MCP למסדי נתונים בסביבה המקומית.

מה צריך להכין

  • דפדפן האינטרנט Chrome.
  • סביבת פיתוח מקומית של Python.

2.‏ לפני שמתחילים

יצירת פרויקט

  1. בדף לבחירת הפרויקט במסוף Google Cloud, בוחרים פרויקט ב-Google Cloud או יוצרים פרויקט חדש.
  2. הקפידו לוודא שהחיוב מופעל בפרויקט שלכם ב-Cloud. כך בודקים אם החיוב מופעל בפרויקט
  3. נשתמש ב-Cloud Shell, סביבת שורת פקודה שפועלת ב-Google Cloud ומגיעה עם bq טעון מראש. לוחצים על Activate Cloud Shell בחלק העליון של מסוף Google Cloud.

תמונה של לחצן הפעלת Cloud Shell

  1. אחרי שמתחברים ל-Cloud Shell, בודקים שכבר בוצע אימות ושהמזהה של הפרויקט מוגדר כפרויקט באמצעות הפקודה הבאה:
gcloud auth list
  1. מריצים את הפקודה הבאה ב-Cloud Shell כדי לוודא שהפקודה gcloud מכירה את הפרויקט.
gcloud config list project
  1. אם הפרויקט לא מוגדר, משתמשים בפקודה הבאה כדי להגדיר אותו:
gcloud config set project <YOUR_PROJECT_ID>

במסמכי העזרה מפורטות הפקודות של gcloud והשימוש בהן.

3.‏ מערך הנתונים של הערות המוצר של Google ולקוחות MCP

קודם כול, נבחן את הערות המוצר של Google Cloud שמתעדכנות באופן קבוע בדף האינטרנט הרשמי של הערות המוצר של Google Cloud. צילום המסך של הדף מופיע בהמשך:

37a7d9e124296c55.png

אפשר להירשם לכתובת ה-URL של הפיד, אבל מה אם נוכל פשוט לשאול את הנציג בצ'אט שלנו לגבי הערות המוצר האלה? אולי שאילתת חיפוש פשוטה כמו "עדכון על הערות המוצר של Google Cloud".

4.‏ Toolbox של MCP למסדי נתונים

MCP Toolbox for Databases הוא שרת MCP בקוד פתוח למסדי נתונים. הוא תוכנן תוך התמקדות ברמת הארגון ובאיכות ייצור. הוא מאפשר לפתח כלים בקלות, במהירות ובצורה מאובטחת יותר, על ידי טיפול בבעיות מורכבות כמו מאגר חיבורים, אימות ועוד.

Toolbox עוזר לכם ליצור כלים של AI גנרטיבי שמאפשרים לנציגי התמיכה לגשת לנתונים במסד הנתונים שלכם. ארגז הכלים מספק:

  • פיתוח פשוט יותר: שילוב כלים בסוכנות בפחות מ-10 שורות קוד, שימוש חוזר בכלים בין כמה סוכני או מסגרות ופיתוח גרסאות חדשות של כלים בקלות רבה יותר.
  • ביצועים משופרים: שיטות מומלצות כמו מאגר חיבורים, אימות ועוד.
  • אבטחה משופרת: אימות משולב לגישה מאובטחת יותר לנתונים
  • ניראות מקצה לקצה: מדדים ומעקב אחרי נתונים מובנים עם תמיכה מובנית ב-OpenTelemetry.
  • בעזרת Toolbox אפשר לחבר בקלות מסדי נתונים לכל עוזרי AI שתומכים ב-MCP, גם אלה שנמצאים בסביבת הפיתוח המשולבת (IDE).

Toolbox נמצא בין מסגרת התזמור של האפליקציה לבין מסד הנתונים, ומספק מישור בקרה שמשמש לשינוי, להפצה או להפעלה של כלים. הכלי הזה מפשט את ניהול הכלים על ידי מתן מיקום מרכזי לאחסון ולעדכון של כלים, ומאפשר לכם לשתף כלים בין סוכנים ואפליקציות ולעדכן את הכלים האלה בלי שתצטרכו לפרוס מחדש את האפליקציה.

e316aed02b9861a6.png

לסיכום, בקצרה:

  1. MCP Toolbox זמין כקובץ אימג' בקונטיינר או כקובץ אימג' בינארי, או שאפשר ליצור אותו מקוד מקור.
  2. הוא חושף קבוצה של כלים שמגדירים באמצעות קובץ tools.yaml. אפשר לחשוב על הכלים כמקשרים למקורות הנתונים שלכם. אפשר לראות את מקורות הנתונים השונים שבהם יש תמיכה : AlloyDB,‏ BigQuery וכו'.
  3. מכיוון שערכת הכלים הזו תומכת עכשיו ב-MCP, יש לכם באופן אוטומטי נקודת קצה של שרת MCP שאפשר להשתמש בה לאחר מכן בסוכנים (IDEs), או שאפשר להשתמש בהם במהלך הפיתוח של אפליקציות הסוכנים באמצעות מסגרות שונות כמו Agent Development Kit‏ (ADK).

במאמר הזה נתמקד בתחומים הבאים:

882edaaddf940080.png

לסיכום, אנחנו הולכים ליצור הגדרה ב-MCP Toolbox for Databases שתדע להתחבר למערך הנתונים שלנו ב-BigQuery. לאחר מכן נפתח סוכן באמצעות ערכת פיתוח סוכן (ADK) שישתלב בנקודת הקצה של Toolbox ל-MCP, ויאפשר לנו לשלוח שאילתות טבעיות כדי לשאול על מערך הנתונים שלנו. אפשר לחשוב עליו כעל אפליקציה של סוכנות שאתם מפתחים, שמסוגלת לתקשר עם מערך הנתונים שלכם ב-BigQuery ולהריץ כמה שאילתות.

5.‏ מערך נתונים ב-BigQuery של הערות המוצר של Google Cloud

תוכנית מערכי הנתונים הציבוריים של Google Cloud היא תוכנית שמספקת מגוון של מערכי נתונים לאפליקציות שלכם. אחד ממעריצי הנתונים האלה הוא מסד הנתונים של הערות המוצר של Google Cloud. מערך הנתונים הזה מכיל את אותו מידע שמופיע בדף האינטרנט הרשמי של הערות המוצר של Google Cloud, והוא זמין כמערך נתונים שאפשר לשלוח אליו שאילתות באופן ציבורי.

2104010c05c87d0d.png

כבדיקה, פשוט מאמתים את מערך הנתונים על ידי הרצת שאילתה פשוטה שמופיעה בהמשך:

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

הפקודה הזו מחזירה לי רשימה של רשומות ממערך הנתונים של הערות המוצר שפורסמו ב-7 הימים האחרונים.

מחליפים את השאילתה הזו בכל קבוצת נתונים אחרת לבחירתכם, עם השאילתות והפרמטרים הרצויים. עכשיו כל מה שצריך לעשות הוא להגדיר את הכלי הזה כמקור נתונים וככלי ב-MCP Toolbox for Databases. עכשיו נראה איך עושים את זה.

6.‏ התקנת MCP Toolbox למסדי נתונים

פותחים טרמינל במחשב המקומי ויוצרים תיקייה בשם mcp-toolbox.

mkdir mcp-toolbox

עוברים לתיקייה mcp-toolbox באמצעות הפקודה הבאה:

cd mcp-toolbox

מתקינים את הגרסה הבינארית של MCP Toolbox למסדי נתונים באמצעות הסקריפט שמופיע בהמשך. הפקודה הבאה מיועדת ל-Linux, אבל אם אתם משתמשים ב-Mac או ב-Windows, חשוב לוודא שאתם מורידים את הקובץ הבינארי הנכון. בודקים את דף הגרסאות של מערכת ההפעלה והארכיטקטורה ומורידים את הקובץ הבינארי הנכון.

export VERSION=0.7.0
curl -O https://storage.googleapis.com/genai-toolbox/v$VERSION/linux/amd64/toolbox
chmod +x toolbox

עכשיו יש לנו את הגרסה הבינארית של ערכת הכלים, ומוכנה לשימוש. בשלב הבא מגדירים את ערכת הכלים עם מקורות הנתונים שלנו והגדרות אחרות.

7.‏ הגדרת Toolbox של MCP למסדי נתונים

עכשיו צריך להגדיר את הכלים ואת מערך הנתונים ב-BigQuery בקובץ tools.yaml שנחוץ ל-MCP Toolbox for Database. הקובץ tools.yaml הוא הדרך העיקרית להגדרת Toolbox.

יוצרים קובץ בשם tools.yaml באותה תיקייה, כלומר mcp-toolbox, והתוכן שלו מוצג בהמשך.

אפשר להשתמש בעורך nano שזמין ב-Cloud Shell. הפקודה של nano היא: 'nano tools.yaml'.

חשוב לזכור להחליף את הערך YOUR_PROJECT_ID במזהה הפרויקט ב-Google Cloud.

sources:
 my-bq-source:
   kind: bigquery
   project: YOUR_PROJECT_ID

tools:
 search_release_notes_bq:
   kind: bigquery-sql
   source: my-bq-source
   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
   description: |
    Use this tool to get information on Google Cloud Release Notes.

toolsets:
 my_bq_toolset:
   - search_release_notes_bq

נסביר בקצרה מהו הקובץ:

  1. מקורות מייצגים את מקורות הנתונים השונים שכלי יכול לקיים איתם אינטראקציה. מקור מייצג מקור נתונים שכלי יכול ליצור איתו אינטראקציה. אפשר להגדיר את המקורות כמפה בקטע sources בקובץ tools.yaml. בדרך כלל, הגדרת מקור תכלול את כל המידע הנדרש כדי להתחבר למסד הנתונים ולבצע בו פעולות. במקרה שלנו, הגדרנו מקור BigQuery‏ my-bq-source וצריך לספק את מזהה הפרויקט ב-Google Cloud. מידע נוסף זמין במאמר העזרה מקורות.
  2. כלים מגדירים את הפעולות שסוכן יכול לבצע – כמו קריאה וכתיבה למקור. כלי מייצג פעולה שהסוכן יכול לבצע, כמו הפעלת משפט SQL. אפשר להגדיר את הכלים כמפה בקטע tools בקובץ tools.yaml. בדרך כלל, כלי מחייב מקור שבו יבוצעו הפעולות. במקרה שלנו, אנחנו מגדירים כלי אחד search_release_notes_bq. ההפניה הזו מתייחסת למקור ב-BigQuery‏ my-bq-source שהגדרנו בשלב הראשון. הוא מכיל גם את ההצהרה וההוראות שבהן ישתמשו לקוחות הסוכן של AI. מידע נוסף זמין במאמר העזרה בנושא כלים.
  3. לבסוף, יש לנו את ערכת הכלים, שמאפשרת לכם להגדיר קבוצות של כלים שתרצו לטעון יחד. האפשרות הזו יכולה להיות שימושית להגדרת קבוצות שונות על סמך סוכן או אפליקציה. במקרה שלנו, יש לנו הגדרה של ערכת כלים שבה הגדרנו כרגע רק כלי קיים אחד search_release_notes_bq. אפשר ליצור כמה ערכות כלים, שכוללות שילוב של כלים שונים.

לכן, בשלב הזה הגדרנו רק כלי אחד שמקבל את הערות המוצר מ-7 הימים האחרונים בהתאם לשאילתה. אבל אפשר גם ליצור שילובים שונים עם פרמטרים.

אפשר למצוא פרטי הגדרה נוספים ( מקור, כלים) בהגדרת מקור הנתונים של BigQuery ב-MCP Toolbox for Databases.

8.‏ בדיקה של כלי הארגז של MCP למסדי נתונים

הורדנו והגדרתנו את Toolbox באמצעות הקובץ tools.yaml בתיקייה mcp-toolbox. קודם נריץ אותו באופן מקומי.

מריצים את הפקודה הבאה:

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

אם הפעולה בוצעה בהצלחה, אמורה להופיע הפעלה של שרת עם פלט לדוגמה שדומה לזה שבהמשך:

2025-06-17T07:48:52.989710733Z INFO "Initialized 1 sources." 
2025-06-17T07:48:52.989805642Z INFO "Initialized 0 authServices." 
2025-06-17T07:48:52.989847035Z INFO "Initialized 1 tools." 
2025-06-17T07:48:52.989889742Z INFO "Initialized 2 toolsets." 
2025-06-17T07:48:52.990357879Z INFO "Server ready to serve!"

שרת MCP Toolbox פועל כברירת מחדל ביציאה 5000. אם יציאה 5000 כבר בשימוש, אפשר להשתמש ביציאה אחרת (למשל 7000) לפי הפקודה שמופיעה בהמשך. יש להשתמש ב-7000 במקום ביציאה 5000 בפקודות הבאות.

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

נשתמש ב-Cloud Shell כדי לבדוק את זה.

לוחצים על Web Preview ב-Cloud Shell כמו שמוצג בהמשך:

f990712162e8e924.png

לוחצים על Change port (שינוי השקע) ומגדירים את השקע ל-5000, כפי שמוצג בהמשך, ולוחצים על Change and Preview (שינוי ותצוגה מקדימה).

d1b9de0c46ecef8a.png

הפלט אמור להיות:

2fdcdac326034d41.png

בכתובת ה-URL בדפדפן, מוסיפים את הטקסט הבא בסוף כתובת ה-URL:

/api/toolset

הפעולה הזו אמורה להציג את הכלים שמוגדרים כרגע. דוגמה לפלט:

{
  "serverVersion": "0.7.0+binary.linux.amd64.714d990c34ee990e268fac1aa6b89c4883ae5023",
  "tools": {
    "search_release_notes_bq": {
      "description": "Use this tool to get information on Google Cloud Release Notes.\n",
      "parameters": [],
      "authRequired": []
    }
  }
}

ב-MCP Toolkit for Databases מוסבר איך לאמת ולבדוק את הכלים באמצעות Python, כפי שמתואר כאן. נדלג על זה ונעבור ישירות ל-Agent Development Kit‏ (ADK) בקטע הבא, שבו נשתמש בכלים האלה.

9.‏ כתיבת הסוכן שלנו באמצעות Agent Development Kit ‏ (ADK)

התקנה של Agent Development Kit‏ (ADK)

פותחים כרטיסיית מסוף חדשה ב-Cloud Shell ויוצרים תיקייה בשם my-agents באופן הבא. עוברים גם לתיקייה my-agents.

mkdir my-agents
cd my-agents

עכשיו נלמד איך יוצרים סביבה וירטואלית של Python באמצעות venv באופן הבא:

python -m venv .venv

מפעילים את הסביבה הווירטואלית באופן הבא:

source .venv/bin/activate

מתקינים את חבילות ה-ADK ו-MCP Toolbox for Databases יחד עם יחסי התלות של שרשרת השפות באופן הבא:

pip install google-adk toolbox-core

עכשיו תוכלו להפעיל את השירות adk באופן הבא.

adk

תוצג רשימה של פקודות.

$ adk
Usage: adk [OPTIONS] COMMAND [ARGS]...

  Agent Development Kit CLI tools.

Options:
  --help  Show this message and exit.

Commands:
  api_server  Starts a FastAPI server for agents.
  create      Creates a new app in the current folder with prepopulated agent template.
  deploy      Deploys agent to hosted environments.
  eval        Evaluates an agent given the eval sets.
  run         Runs an interactive CLI for a certain agent.
  web         Starts a FastAPI server with Web UI for agents.

יצירת אפליקציית הסוכן הראשונה שלנו

עכשיו נשתמש ב-adk כדי ליצור תבנית לאפליקציית סוכן של הערות המוצר של Google Cloud באמצעות הפקודה adk create עם שם האפליקציה **(gcp-releasenotes-agent-app)**כפי שמופיע בהמשך.

adk create gcp-releasenotes-agent-app

פועלים לפי השלבים ובוחרים באפשרויות הבאות:

  • מודל של Gemini לבחירת מודל לסוכן ברמה הבסיסית.
  • בוחרים ב-Vertex AI לקצה העורפי.
  • יוצגו מזהה הפרויקט והאזור שמוגדרים כברירת מחדל ב-Google. בוחרים את ברירת המחדל עצמה.
Choose a model for the root agent:
1. gemini-2.0-flash-001
2. Other models (fill later)

Choose model (1, 2): 1
1. Google AI
2. Vertex AI
Choose a backend (1, 2): 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_GOOGLE_PROJECT_ID]: 
Enter Google Cloud region [us-central1]: 

Agent created in ../my-agents/gcp-releasenotes-agent-app:
- .env
- __init__.py
- agent.py

בודקים את התיקייה שבה נוצרו תבנית ברירת המחדל והקבצים הנדרשים ל-Agent.

קובץ .env הוא הראשון. התוכן שלהם מוצג בהמשך:

GOOGLE_GENAI_USE_VERTEXAI=1
GOOGLE_CLOUD_PROJECT=YOUR_GOOGLE_PROJECT_ID
GOOGLE_CLOUD_LOCATION=YOUR_GOOGLE_PROJECT_REGION

הערכים האלה מציינים שנשתמש ב-Gemini דרך Vertex AI, יחד עם הערכים המתאימים של המיקום ומזהה הפרויקט ב-Google Cloud.

לאחר מכן יש את הקובץ __init__.py שמסמן את התיקייה כמודול, וכולל משפט אחד שמייבא את הסוכן מהקובץ agent.py.

from . import agent

לבסוף, נבחן את הקובץ agent.py. התוכן מוצג בהמשך:

from google.adk.agents import Agent

root_agent = Agent(
    model='gemini-2.0-flash-001',
    name='root_agent',
    description='A helpful assistant for user questions.',
    instruction='Answer user questions to the best of your knowledge',
)

זהו ה-Agent הפשוט ביותר שאפשר לכתוב באמצעות ADK. לפי הדף של מסמכי העזרה של ADK, סוכן הוא יחידת ביצוע עצמאית שנועדה לפעול באופן עצמאי כדי להשיג מטרות ספציפיות. סוכנים יכולים לבצע משימות, לקיים אינטראקציה עם משתמשים, להשתמש בכלים חיצוניים ולתאם עם סוכנים אחרים.

באופן ספציפי, LLMAgent, שנקרא בדרך כלל Agent, משתמש במודלים גדולים של שפה (LLM) כמנוע הליבה שלו כדי להבין שפה טבעית, לחשוב, לתכנן, ליצור תשובות ולהחליט באופן דינמי איך להמשיך או באילו כלים להשתמש. לכן, הוא אידיאלי למשימות גמישות שמתמקדות בשפה. כאן אפשר לקרוא מידע נוסף על סוכני LLM.

זהו סוף התהליך של יצירת סוכן בסיסי באמצעות ערכת הפיתוח של סוכן (ADK). עכשיו נקשר את ה-Agent שלנו ל-MCP Toolbox, כדי שהוא יוכל להשתמש בכלי הזה כדי לענות על שאילתות מהמשתמש (במקרה הזה, אלה יהיו הערות המוצר של Google Cloud).

10.‏ חיבור הסוכן שלנו לכלים

עכשיו נחבר את הסוכן הזה לכלים. בהקשר של ADK, 'כלי' מייצג יכולת ספציפית שניתנת לסוכנות AI, ומאפשרת לה לבצע פעולות ולנהל אינטראקציה עם העולם מעבר ליכולות הליבה שלה ליצירת טקסט ולשיקול דעת.

במקרה שלנו, אנחנו נעביר עכשיו לסוכן את הכלים שהגדרתם ב-MCP Toolbox למסדי נתונים.

משנים את הקובץ agent.py באמצעות הקוד הבא. שימו לב שבקוד אנחנו משתמשים ביציאה 5000 כברירת מחדל, אבל אם אתם משתמשים במספר יציאה חלופי, צריך להשתמש בו.

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-2.0-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,
)

עכשיו אפשר לבדוק את הסוכן שיאחזר נתונים אמיתיים ממערך הנתונים שלנו ב-BigQuery, שהוגדר באמצעות MCP Toolbox for Databases.

כדי לעשות זאת, פועלים לפי הסדר הבא:

בטרמינל אחד של Cloud Shell, מריצים את MCP Toolbox for Databases. יכול להיות שהיא כבר פועלת באופן מקומי ביציאה 5000, כפי שבדקנו מקודם. אם לא, מריצים את הפקודה הבאה (מהתיקייה mcp-toolbox) כדי להפעיל את השרת:

./toolbox --tools_file "tools.yaml"

באופן אידיאלי, אמורה להופיע פלט שמציין שהשרת הצליח להתחבר למקורות הנתונים שלנו וטען את ערכת הכלים והכלים. דוגמה לפלט:

./toolbox --tools-file "tools.yaml"
2025-06-17T07:48:52.989710733Z INFO "Initialized 1 sources." 
2025-06-17T07:48:52.989805642Z INFO "Initialized 0 authServices." 
2025-06-17T07:48:52.989847035Z INFO "Initialized 1 tools." 
2025-06-17T07:48:52.989889742Z INFO "Initialized 2 toolsets." 
2025-06-17T07:48:52.990357879Z INFO "Server ready to serve!"

אחרי ששרת ה-MCP מופעל בהצלחה, מריצים את ה-Agent במסוף אחר באמצעות הפקודה adk run (מהתיקייה my-agents) שמופיעה בהמשך. אפשר גם להשתמש בפקודה adk web.

$ adk run gcp-releasenotes-agent-app/

Log setup complete: /tmp/agents_log/agent.20250423_170001.log
To access latest log: tail -F /tmp/agents_log/agent.latest.log
Running agent gcp_releasenotes_agent, type exit to exit.

[user]: get me the google cloud release notes


[gcp_releasenotes_agent]: Here are the Google Cloud Release Notes.

Google SecOps SOAR: Release 6.3.49 is being rolled out to the first phase of regions. This release contains internal and customer bug fixes. Published: 2025-06-14

Compute Engine: Dynamic NICs let you add or remove network interfaces to or from an instance without having to restart or recreate the instance. You can also use Dynamic NICs when you need more network interfaces. The maximum number of vNICs for most machine types in Google Cloud is 10; however, you can configure up to 16 total interfaces by using Dynamic NICs. Published: 2025-06-13

Compute Engine: General purpose C4D machine types, powered by the fifth generation AMD EPYC processors (Turin) and Google Titanium, are generally available. Published: 2025-06-13

Google Agentspace: Google Agentspace Enterprise: App-level feature management. As an Agentspace administrator, you can choose to turn the following features on or off for your end users in the web app: Agents gallery, Prompt gallery, No-code agent, NotebookLM Enterprise. Published: 2025-06-13

Cloud Load Balancing: Cloud Load Balancing supports load balancing to multi-NIC instances that use Dynamic NICs. This capability is in Preview. Published: 2025-06-13

Virtual Private Cloud: Dynamic Network Interfaces (NICs) are available in Preview. Dynamic NICs let you update an instance to add or remove network interfaces without having to restart or recreate the instance. Published: 2025-06-13

Security Command Center: The following Event Threat Detection detectors for Vertex AI have been released to Preview:
- `Persistence: New Geography for AI Service`
- `Privilege Escalation: Anomalous Multistep Service Account Delegation for AI Admin Activity`
- `Privilege Escalation: Anomalous Multistep Service Account Delegation for AI Data Access`
- `Privilege Escalation: Anomalous Service Account Impersonator for AI Admin Activity`
- `Privilege Escalation: Anomalous Service Account Impersonator for AI Data Access`
- `Privilege Escalation: Anomalous Impersonation of Service Account for AI Admin Activity`
- `Persistence: New AI API Method`
......
......

שימו לב שהסוכן משתמש בכלי שהגדרתם ב-MCP Toolbox for Databases‏ (search_release_notes_bq), מאחזר את הנתונים ממערך הנתונים ב-BigQuery ומעצב את התגובה בהתאם.

11.‏ מזל טוב

סיימת להגדיר את Toolbox של MCP למסדי נתונים והגדרת מערך נתונים ב-BigQuery לצורך גישה בלקוחות MCP.

מסמכי עזר

bug_report דיווח על טעות