Veritabanları için MCP Araç Kutusu: BigQuery veri kümelerini MCP istemcilerinin kullanımına sunma
Bu codelab hakkında
1. Giriş
Bu codelab'de, BigQuery veri kümelerinizi kullanıma sunmak için Veritabanları için MCP Araç Kutusu'nu kullanacaksınız.
Codelab'de aşağıdaki gibi adım adım bir yaklaşım uygulayacaksınız:
- Herkese açık BigQuery veri kümeleri programında belirli bir BigQuery veri kümesini ("Google Cloud Sürüm Notları") bulun.
- BigQuery veri kümesine bağlanan MCP Toolbox for Databases'i kurun.
- Kullanıcının Google Cloud sürüm notlarıyla ilgili sorgularını yanıtlamak için MCP Aracı Kutusu'nu kullanacak bir Temsilci Geliştirme Kiti (ADK) kullanarak bir temsilci geliştirin
Yapacaklarınız
- Herkese açık bir BigQuery veri kümesi olan Google Cloud sürüm notlarını diğer MCP istemcileri (IDE'ler, araçlar vb.) için MCP arayüzü olarak göstermek üzere veritabanları için MCP Araç Kutusu'nu ayarlayın.
Neler öğreneceksiniz?
- BigQuery'nin herkese açık veri kümelerini keşfedin ve belirli bir veri kümesi seçin.
- MCP müşterilerine sunmak istediğimiz BigQuery herkese açık veri kümesi için Veritabanları için MCP Araç Kutusu'nu ayarlayın.
- Kullanıcı sorgularını yanıtlamak için Agent Development Kit'i (ADK) kullanarak bir temsilci tasarlayın ve geliştirin.
- Yerel ortamda veritabanları için aracıyı ve MCP araç kutusunu test edin.
Gerekenler
- Chrome web tarayıcısı.
- Yerel bir Python geliştirme ortamı.
2. Başlamadan önce
Proje oluşturma
- Google Cloud Console'daki proje seçici sayfasında bir Google Cloud projesi seçin veya oluşturun.
- Cloud projeniz için faturalandırmanın etkinleştirildiğinden emin olun. Projede faturalandırmanın etkin olup olmadığını nasıl kontrol edeceğinizi öğrenin .
- Google Cloud'da çalışan ve bq ile önceden yüklenmiş bir komut satırı ortamı olan Cloud Shell'i kullanacaksınız. Google Cloud Console'un üst kısmından Cloud Shell'i etkinleştir'i tıklayın.
- Cloud Shell'e bağlandıktan sonra aşağıdaki komutu kullanarak kimliğinizin doğrulanıp doğrulanmadığını ve projenin proje kimliğinize ayarlanıp ayarlanmadığını kontrol edebilirsiniz:
gcloud auth list
- gcloud komutunun projeniz hakkında bilgi sahibi olduğunu onaylamak için Cloud Shell'de aşağıdaki komutu çalıştırın.
gcloud config list project
- Projeniz ayarlanmadıysa ayarlamak için aşağıdaki komutu kullanın:
gcloud config set project <YOUR_PROJECT_ID>
gcloud komutları ve kullanımı için belgelere bakın.
3. Google Sürüm Notları Veri Kümesi ve MCP istemcileri
Öncelikle, resmi Google Cloud Sürüm Notları web sayfasında düzenli olarak güncellenen Google Cloud Sürüm Notları'na göz atalım. Bu sayfanın ekran görüntüsünü aşağıda görebilirsiniz:
Feed URL'sine abone olabilirsiniz. Ancak bu sürüm notları hakkında müşteri temsilcisi sohbetimizde bilgi alabiliriz. Örneğin, "Google Cloud sürüm notları hakkında beni bilgilendir" gibi basit bir sorgu gönderebilirsiniz.
4. Veritabanları için MCP Araç Seti
Veritabanları için MCP Araç Kutusu, veritabanları için açık kaynak bir MCP sunucusudur. Kurumsal düzeyde ve üretim kalitesinde tasarlanmıştır. Bağlantı havuzu oluşturma, kimlik doğrulama ve daha birçok karmaşıklığı ele alarak araçları daha kolay, daha hızlı ve daha güvenli bir şekilde geliştirmenize olanak tanır.
Araç Kutusu, temsilcilerinizin veritabanınızdaki verilere erişmesine olanak tanıyan üretken yapay zeka araçları oluşturmanıza yardımcı olur. Araç Kutusu şunları sağlar:
- Basitleştirilmiş geliştirme: Araçları 10 satırdan kısa kodla aracınıza entegre edin, araçları birden fazla aracı veya çerçeve arasında yeniden kullanın ve araçların yeni sürümlerini daha kolay dağıtın.
- Daha iyi performans: Bağlantı havuzu, kimlik doğrulama ve daha fazlası gibi en iyi uygulamalar.
- Gelişmiş güvenlik: Verilerinize daha güvenli erişim için entegre kimlik doğrulama
- Uçtan uca gözlemlenebilirlik: OpenTelemetry için yerleşik destek içeren kullanıma hazır metrikler ve izleme.
- Araç Kutusu, veritabanlarını IDE'nizdekiler de dahil olmak üzere MCP özellikli tüm yapay zeka asistanlarına bağlamayı kolaylaştırır.
Araç Kutusu, uygulamanızın orkestrasyon çerçevesi ile veritabanınız arasında yer alır ve araçları değiştirmek, dağıtmak veya çağırmak için kullanılan bir kontrol düzlemi sağlar. Araçları depolamak ve güncellemek için merkezi bir konum sunarak araçlarınızın yönetimini basitleştirir. Böylece, araçları temsilciler ve uygulamalar arasında paylaşabilir ve uygulamanızı yeniden dağıtmadan bu araçları güncelleyebilirsiniz.
Basit bir dille özetlemek gerekirse:
- MCP Toolbox, ikili ve kapsayıcı görüntü olarak kullanılabilir veya kaynaktan derleyebilirsiniz.
- tools.yaml dosyası aracılığıyla yapılandırdığınız bir dizi araç sunar. Araçların veri kaynaklarınıza bağlandığı düşünülebilir. Desteklediği çeşitli veri kaynaklarını (ör. AlloyDB, BigQuery) görebilirsiniz.
- Bu araç kutusu artık MCP'yi desteklediğinden, otomatik olarak MCP sunucu uç noktasına sahip olursunuz. Bu uç nokta, aracılar (IDE'ler) tarafından kullanılabilir veya aracı geliştirme kiti (ADK) gibi çeşitli çerçeveleri kullanarak aracı uygulamalarınızı geliştirirken kullanabilirsiniz.
Bu blog yayınında, aşağıda vurgulanan alanlara odaklanacağız:
Özet olarak, veritabanları için MCP Aracı Kutusu'nda BigQuery veri kümemize nasıl bağlanacağını bilen bir yapılandırma oluşturacağız. Ardından, Temsilci Geliştirme Kiti'ni (ADK) kullanarak MCP Toolbox uç noktasıyla entegre olacak ve veri kümemiz hakkında soru sormak için doğal sorgular göndermemize olanak tanıyacak bir temsilci geliştireceğiz. Bunu, BigQuery veri kümenizle nasıl iletişim kuracağını bilen ve bazı sorgular çalıştıran, geliştirdiğiniz bir aracı uygulama olarak düşünün.
5. Google Cloud için BigQuery Veri Kümesi Sürüm Notları
Google Cloud Herkese Açık Veri Kümesi Programı, uygulamalarınız için çeşitli veri kümeleri sunan bir programdır. Bu tür veri kümelerinden biri Google Cloud Sürüm Notları veritabanıdır. Bu veri kümesi, resmi Google Cloud Sürüm Notları web sayfası ile aynı bilgileri sağlar ve herkes tarafından sorgulanabilir bir veri kümesi olarak kullanılabilir.
Test olarak, aşağıda gösterilen basit bir sorguyu çalıştırarak veri kümesini doğrulayabilirim:
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
Bu işlem, son 7 gün içinde yayınlanan Sürüm Notları veri kümesinden kayıtların listesini döndürür.
Bu ifadeyi, istediğiniz diğer veri kümesiyle ve ilgili sorgu ve parametrelerinizle değiştirin. Şimdi tek yapmamız gereken, bunu veritabanları için MCP Araç Kutusu'nda Veri Kaynağı ve Araç olarak ayarlamak. Bunun nasıl yapılacağını görelim.
6. Veritabanları için MCP Aracı Kutusu'nu yükleme
Yerel makinenizde bir terminal açın ve mcp-toolbox adlı bir klasör oluşturun.
mkdir mcp-toolbox
Aşağıda gösterilen komutu kullanarak mcp-toolbox klasörüne gidin:
cd mcp-toolbox
Veritabanları için MCP Aracı Kutusu'nun ikili sürümünü aşağıdaki komut dosyası aracılığıyla yükleyin. Aşağıda verilen komut Linux içindir. Mac veya Windows kullanıyorsanız doğru ikili dosyayı indirdiğinizden emin olun. İşletim sisteminiz ve mimariniz için sürümler sayfasına göz atın ve doğru ikili dosyayı indirin.
export VERSION=0.7.0
curl -O https://storage.googleapis.com/genai-toolbox/v$VERSION/linux/amd64/toolbox
chmod +x toolbox
Artık araç kutusunun ikili sürümünü kullanabiliriz. Sonraki adım, araç kutusunu veri kaynaklarımız ve diğer yapılandırmalarla yapılandırmaktır.
7. Veritabanları için MCP Aracı Kutusu'nu yapılandırma
Şimdi, veritabanı için MCP Aracı Kutusu'nun ihtiyaç duyduğu tools.yaml dosyasında BigQuery veri kümemizi ve araçlarımızı tanımlamamız gerekiyor. tools.yaml dosyası, Araç Kutusu'nu yapılandırmanın birincil yoludur.
Aynı klasörde (mcp-toolbox) tools.yaml adlı bir dosya oluşturun. Dosyanın içeriği aşağıda gösterilmiştir.
Cloud Shell'de bulunan nano düzenleyiciyi kullanabilirsiniz. nano komutu şu şekildedir: "nano tools.yaml".
YOUR_PROJECT_ID değerini Google Cloud proje kimliğinizle değiştirmeyi unutmayın.
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
Dosyayı kısaca anlayalım:
- Kaynaklar, bir aracın etkileşime geçebileceği farklı veri kaynaklarınızı temsil eder. Kaynak, bir aracın etkileşim kurabileceği bir veri kaynağını temsil eder. Kaynakları, tools.yaml dosyanızın sources bölümünde bir harita olarak tanımlayabilirsiniz. Genellikle bir kaynak yapılandırması, veritabanına bağlanmak ve veritabanı ile etkileşimde bulunmak için gereken tüm bilgileri içerir. Bizim durumumuzda bir BigQuery kaynağı
my-bq-sourcetanımladık ve Google Cloud proje kimliğinizi sağlamanız gerekiyor. Daha fazla bilgi için Kaynaklar bölümüne bakın. - Araçlar, bir aracının yapabileceği işlemleri (ör. bir kaynağa okuma ve yazma) tanımlar. Araçlar, temsilcinizin yapabileceği bir işlemi (ör. SQL ifadesi çalıştırma) temsil eder. tools.yaml dosyanızın tools bölümünde Araçlar'ı bir harita olarak tanımlayabilirsiniz. Genellikle bir aracın işlem yapması için bir kaynak gerekir. Bu örnekte tek bir araç
search_release_notes_bqtanımladık. Bu, ilk adımda tanımladığımız BigQuery kaynağınamy-bq-sourcereferans verir. Ayrıca, yapay zeka temsilcisi istemcileri tarafından kullanılacak ifadeyi ve talimatı da içerir. Daha fazla bilgi için Araçlar referansına bakın. - Son olarak, birlikte yüklemek istediğiniz araç gruplarını tanımlamanıza olanak tanıyan araç seti de mevcuttur. Bu, temsilciye veya uygulamaya göre farklı gruplar tanımlamak için yararlı olabilir. Bizim durumumuzda, şu anda yalnızca bir mevcut araç
search_release_notes_bqtanımladığımız bir araç seti tanımı var. Farklı araçların bir kombinasyonunu içeren birden fazla araç setiniz olabilir.
Bu nedenle, şu anda sorguya göre son 7 günün sürüm notlarını alan yalnızca bir araç tanımladık. Ancak parametrelerle de çeşitli kombinasyonlar oluşturabilirsiniz.
Veritabanları için MCP Araç Kutusu'ndaki BigQuery veri kaynağı yapılandırmasında daha fazla yapılandırma ayrıntısına ( Kaynak, Araçlar) göz atın.
8. Veritabanları için MCP Araç Kutusu'nu test etme
Araç Kutusu'nu indirip mcp-toolbox klasöründeki tools.yaml dosyasıyla yapılandırdık. Önce yerel olarak çalıştıralım.
Aşağıdaki komutu yürütün:
./toolbox --tools-file="tools.yaml"
Komut başarıyla çalıştırıldığında, aşağıdakine benzer bir örnek çıkış içeren bir sunucu başlatma görürsünüz:
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!"
MCP Toolbox sunucusu varsayılan olarak 5000 bağlantı noktasında çalışır. 5000 bağlantı noktasının zaten kullanıldığını görürseniz aşağıda gösterilen komuta göre başka bir bağlantı noktası (ör. 7000) kullanabilirsiniz. Lütfen sonraki komutlarda 5000 bağlantı noktası yerine 7000 bağlantı noktasını kullanın.
./toolbox --tools-file "tools.yaml" --port 7000
Bunu test etmek için Cloud Shell'i kullanalım.
Cloud Shell'de aşağıdaki gibi Web Önizlemesi'ni tıklayın:
Bağlantı noktasını değiştir'i tıklayın ve bağlantı noktasını aşağıda gösterildiği gibi 5000 olarak ayarlayın ve Değiştir ve Önizle'yi tıklayın.
Bu işlem sonucunda aşağıdaki çıkışı alırsınız:
Tarayıcı URL'sinde, URL'nin sonuna aşağıdakileri ekleyin:
/api/toolset
Bu işlem, şu anda yapılandırılmış araçları gösterir. Aşağıda örnek bir çıkış gösterilmektedir:
{
"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": []
}
}
}
Veritabanları için MCP Aracı Kiti'nde, araçları doğrulama ve test etme için kullanabileceğiniz Python'a özgü bir yöntem açıklanmaktadır. Bu yöntemle ilgili dokümanlar burada yer almaktadır. Bu bölümü atlayıp doğrudan bu araçları kullanacak olan sonraki bölümdeki Temsilci Geliştirme Kiti'ne (ADK) geçeceğiz.
9. Temsilcimizi Agent Development Kit (ADK) ile yazma
Temsilci Geliştirme Kiti'ni (ADK) yükleme
Cloud Shell'de yeni bir terminal sekmesi açın ve aşağıdaki gibi my-agents adlı bir klasör oluşturun. my-agents klasörüne de gidin.
mkdir my-agents
cd my-agents
Şimdi, venv kullanarak aşağıdaki gibi bir sanal Python ortamı oluşturalım:
python -m venv .venv
Sanal ortamı aşağıdaki şekilde etkinleştirin:
source .venv/bin/activate
ADK ve veritabanları için MCP Aracı Paketleri'ni, langchain bağımlılığıyla birlikte aşağıdaki şekilde yükleyin:
pip install google-adk toolbox-core
Artık adk yardımcı programını aşağıdaki gibi çağırabilirsiniz.
adk
Komutların listesi gösterilir.
$ 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.
İlk temsilci uygulamamızı oluşturma
Artık adk create komutunu kullanarak Google Cloud Sürüm Notları Aracı Uygulaması için bir iskelet oluşturmak üzere adk'u kullanacağız. Aşağıda verilen **(gcp-releasenotes-agent-app)**uygulama adını kullanacağız.
adk create gcp-releasenotes-agent-app
Adımları uygulayıp aşağıdakileri seçin:
- Kök aracı için model seçmek üzere Gemini modeli.
- Arka uç için Vertex AI'ı seçin.
- Varsayılan Google proje kimliğiniz ve bölgeniz gösterilir. Varsayılan değeri seçin.
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
Temsilci için varsayılan şablonun ve gerekli dosyaların oluşturulduğu klasörü gözlemleyin.
İlk olarak .env dosyasını açın. İçeriği aşağıda gösterilmiştir:
GOOGLE_GENAI_USE_VERTEXAI=1
GOOGLE_CLOUD_PROJECT=YOUR_GOOGLE_PROJECT_ID
GOOGLE_CLOUD_LOCATION=YOUR_GOOGLE_PROJECT_REGION
Değerler, Google Cloud proje kimliği ve konumuna ilişkin ilgili değerlerle birlikte Vertex AI üzerinden Gemini'yi kullanacağımızı gösterir.
Ardından, klasörü modül olarak işaretleyen ve aracıyı agent.py dosyasından içe aktaran tek bir ifade içeren __init__.py dosyası vardır.
from . import agent
Son olarak agent.py dosyasına göz atalım. İçerikleri aşağıda görebilirsiniz:
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',
)
Bu, ADK ile yazabildiğiniz en basit aracıdır. ADK dokümanları sayfasında belirtildiği gibi, temsilciler belirli hedeflere ulaşmak için bağımsız olarak hareket etmek üzere tasarlanmış, kendi kendine yeten bir yürütme birimidir. Temsilciler görevleri gerçekleştirebilir, kullanıcılarla etkileşim kurabilir, harici araçları kullanabilir ve diğer temsilcilerle koordinasyon sağlayabilir.
Daha açık belirtmek gerekirse, genellikle Temsilci olarak adlandırılan LLMAgent, doğal dili anlamak, mantık yürütmek, plan yapmak, yanıt oluşturmak ve nasıl devam edileceğine veya hangi araçların kullanılacağına dinamik olarak karar vermek için temel motor olarak Büyük Dil Modelleri'ni (LLM'ler) kullanır. Bu sayede esnek, dile odaklı görevler için idealdir. LLM temsilcileri hakkında daha fazla bilgiye buradan ulaşabilirsiniz.
Bu işlemle, Temsilci Geliştirme Kiti'ni (ADK) kullanarak temel bir Temsilci oluşturma iskelemiz tamamlanır. Şimdi, kullanıcıdan gelen sorguları (bu durumda Google Cloud sürüm notları) yanıtlamak için bu aracı kullanabilmesi amacıyla temsilcimizi MCP Aracı Kutusu'na bağlayacağız.
10. Temsilcimizi Araçlar'a bağlama
Bu temsilciyi şimdi Araçlar'a bağlayacağız. ADK bağlamında bir araç, yapay zeka aracısına sağlanan ve temel metin oluşturma ve akıl yürütme özelliklerinin ötesinde işlemler gerçekleştirmesini ve dünyayla etkileşim kurmasını sağlayan belirli bir özelliği temsil eder.
Bizim durumumuzda, Temsilcimizi veritabanları için MCP Araç Kutusu'nda yapılandırdığımız araçlarla donatacağız.
agent.py dosyasını aşağıdaki kodla değiştirin. Kodda varsayılan bağlantı noktası olan 5000'i kullandığımızı unutmayın. Alternatif bir bağlantı noktası numarası kullanıyorsanız lütfen bunu kullanın.
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,
)
Artık veritabanları için MCP Aracı Kutusu ile yapılandırılan BigQuery veri kümemizden gerçek verileri alacak olan aracıyı test edebiliriz.
Bunun için aşağıdaki sırayı uygulayın:
Cloud Shell'deki bir terminalde Veritabanları için MCP Araç Kutusu'nu başlatın. Daha önce test ettiğimiz gibi, 5000 numaralı yerel bağlantı noktasında zaten çalışıyor olabilir. Aksi takdirde, sunucuyu başlatmak için mcp-toolbox klasöründen aşağıdaki komutu çalıştırın:
./toolbox --tools_file "tools.yaml"
İdeal olarak, sunucunun veri kaynaklarımıza bağlanabildiğini ve araç setini ve araçları yüklediğini belirten bir çıkış görmeniz gerekir. Aşağıda örnek bir çıkış verilmiştir:
./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!"
MCP sunucusu başarıyla başlatıldıktan sonra başka bir terminalde, aşağıda gösterilen adk run (my-agents klasöründen) komutu aracılığıyla aracıyı başlatın. Dilerseniz adk web komutunu da kullanabilirsiniz.
$ 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`
......
......
Temsilcinin, veritabanları için MCP Aracı Kutusu'nda (search_release_notes_bq) yapılandırdığımız aracı kullandığını, verileri BigQuery veri kümesinden aldığını ve yanıtı buna göre biçimlendirdiğini görebilirsiniz.
11. Tebrikler
Tebrikler, veritabanları için MCP Aracı Kutusu'nu ve MCP istemcileri içinde erişim için bir BigQuery veri kümesini başarıyla yapılandırdınız.