MCP-Server des BigQuery-Migrationsdienstes verwenden

In diesem Dokument wird beschrieben, wie Sie den BigQuery-Remote-MCP-Server (Model Context Protocol) verwenden, um eine Verbindung zu KI-Anwendungen wie Antigravity, ChatGPT, Claude und benutzerdefinierten Anwendungen herzustellen, die Sie entwickeln. Sie können den MCP-Server (Model Context Protocol) des BigQuery Migration Service verwenden, um Aufgaben wie das Übersetzen von SQL-Abfragen in die GoogleSQL-Syntax, das Generieren von DDL-Anweisungen aus SQL-Eingabeabfragen und das Abrufen von Erläuterungen zu SQL-Übersetzungen auszuführen. Der BigQuery-Remote-MCP-Server wird aktiviert, wenn Sie die BigQuery API aktivieren.

Das Model Context Protocol (MCP) standardisiert, wie Large Language Models (LLMs) und KI-Anwendungen oder -Agenten mit externen Datenquellen verbunden werden. Mit MCP-Servern können Sie deren Tools, Ressourcen und Prompts verwenden, um Aktionen auszuführen und aktualisierte Daten von ihrem Backend-Dienst abzurufen.

Lokale MCP-Server werden in der Regel auf Ihrem lokalen Computer ausgeführt und verwenden die Standardeingabe- und ‑ausgabestreams (stdio) für die Kommunikation zwischen Diensten auf demselben Gerät. MCP-Server werden in der Infrastruktur des Dienstes ausgeführt und bieten KI-Anwendungen einen HTTPS-Endpunkt für die Kommunikation zwischen dem KI-MCP-Client und dem MCP-Server. Weitere Informationen zur MCP-Architektur finden Sie unter MCP-Architektur.

Google- und Google Cloud MCP-Server bieten die folgenden Funktionen und Vorteile:

• Vereinfachte, zentrale Erkennung
• Verwaltete globale oder regionale HTTPS-Endpunkte
• Detaillierte Autorisierung
• Optionale Sicherheit für Prompts und Antworten mit Model Armor-Schutz
• Zentralisiertes Audit-Logging

Informationen zu anderen MCP-Servern sowie zu den Sicherheits- und Governance-Kontrollen für Google Cloud-MCP-Server finden Sie in der Übersicht über Google Cloud-MCP-Server.

Hinweis

Melden Sie sich in Ihrem Google Cloud -Konto an. Wenn Sie mit Google Cloudnoch nicht vertraut sind, erstellen Sie einfach ein Konto, um die Leistungsfähigkeit unserer Produkte in der Praxis sehen und bewerten zu können. Neukunden erhalten außerdem ein Guthaben von 300 $, um Arbeitslasten auszuführen, zu testen und bereitzustellen.

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Roles required to select or create a project

• Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
• Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector

If you're using an existing project for this guide, verify that you have the permissions required to complete this guide. If you created a new project, then you already have the required permissions.

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Roles required to select or create a project

• Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
• Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector

If you're using an existing project for this guide, verify that you have the permissions required to complete this guide. If you created a new project, then you already have the required permissions.

1. Aktivieren Sie die BigQuery Migration Service API, falls sie noch nicht aktiviert ist.

   Erforderliche Rollen zum Aktivieren von APIs

   Zum Aktivieren von APIs benötigen Sie die Berechtigung serviceusage.services.enable. Wenn Sie das Projekt erstellt haben, haben Sie diese Berechtigung wahrscheinlich bereits über die Inhaberrolle (roles/owner). Andernfalls können Sie diese Berechtigung über die Rolle „Service Usage-Administrator“ (roles/serviceusage.serviceUsageAdmin) erhalten. Informationen zum Zuweisen von Rollen

   API aktivieren

Erforderliche Rollen

Bitten Sie Ihren Administrator, Ihnen die folgenden IAM-Rollen für das Projekt zuzuweisen, in dem Sie den MCP-Server für den BigQuery Migration Service aktivieren möchten, um die Berechtigungen zu erhalten, die Sie zum Aktivieren des MCP-Servers für den BigQuery Migration Service benötigen:

• MCP-Toolaufrufe ausführen: MCP Tool User (roles/mcp.toolUser)
• BigQuery Migration Service verwenden: Migration Workflow Editor (roles/bigquerymigration.editor)

Weitere Informationen zum Zuweisen von Rollen finden Sie unter Zugriff auf Projekte, Ordner und Organisationen verwalten.

Diese vordefinierten Rollen enthalten die Berechtigungen, die zum Aktivieren des MCP-Servers des BigQuery Migration Service erforderlich sind. Maximieren Sie den Abschnitt Erforderliche Berechtigungen, um die notwendigen Berechtigungen anzuzeigen:

Erforderliche Berechtigungen

Die folgenden Berechtigungen sind erforderlich, um den MCP-Server des BigQuery Migration Service zu aktivieren:

• MCP-Toolaufrufe ausführen: mcp.tools.call
• Verwenden Sie den BigQuery Migration Service:
  • bigquerymigration.workflows.create
  • bigquerymigration.workflows.get
  • bigquerymigration.workflows.list
  • bigquerymigration.workflows.delete
  • bigquerymigration.subtasks.get
  • bigquerymigration.subtasks.list

Sie können diese Berechtigungen auch mit benutzerdefinierten Rollen oder anderen vordefinierten Rollen erhalten.

Je nach Aufgabe sind möglicherweise zusätzliche BigQuery Migration Service-Berechtigungen erforderlich. Informationen zu Rollen und Berechtigungen für den BigQuery-Migrationsdienst finden Sie unter Rollen und Berechtigungen für den BigQuery-Migrationsdienst.

Authentifizierung und Autorisierung

MCP-Server des BigQuery Migration Service verwenden das OAuth 2.0-Protokoll mit Identity and Access Management (IAM) für die Authentifizierung und Autorisierung. Alle Google Cloud -Identitäten werden für die Authentifizierung bei MCP-Servern unterstützt.

Der MCP-Server des BigQuery Migration Service akzeptiert keine API-Schlüssel.

BigQuery Migration Service MCP OAuth-Bereiche

OAuth 2.0 verwendet Bereiche und Anmeldedaten, um zu bestimmen, ob ein authentifiziertes Hauptkonto berechtigt ist, eine bestimmte Aktion für eine Ressource auszuführen. Weitere Informationen zu OAuth 2.0-Bereichen bei Google finden Sie unter Mit OAuth 2.0 auf Google APIs zugreifen.

Der BigQuery-Migrationsdienst hat die folgenden MCP-Tool-OAuth-Bereiche:

Bereichs-URI für die gcloud CLI	Beschreibung
https://www.googleapis.com/auth/bigquerymigration	Ihre Workflows im BigQuery-Migrationsdienst aufrufen und verwalten sowie die E‑Mail-Adresse Ihres Google-Kontos sehen.
https://www.googleapis.com/auth/devstorage.read_only	Dieser Bereich ist für Abfrageübersetzungen erforderlich, die Daten aus Cloud Storage lesen.

Für den Zugriff auf Ressourcen während eines Toolaufrufs sind möglicherweise zusätzliche Bereiche erforderlich.

MCP-Client für die Verwendung des MCP-Servers von BigQuery Migration Service konfigurieren

KI-Anwendungen und -Agenten wie Claude oder Antigravity können einen MCP-Client instanziieren, der eine Verbindung zu einem einzelnen MCP-Server herstellt. Eine KI-Anwendung kann mehrere Clients haben, die sich mit verschiedenen MCP-Servern verbinden. Wenn Ihre Anwendung nicht in der clientspezifischen Anleitung aufgeführt ist, können Sie die folgenden Informationen verwenden, um eine Verbindung von den meisten Anwendungen herzustellen.

Registrieren Sie den MCP-Server mit add-mcp.

Sie können den MCP-Server des BigQuery Migration Service automatisch in unterstützten KI-Clients registrieren, indem Sie add-mcp verwenden, ohne manuell nach Pfaden zu Konfigurationsdateien suchen zu müssen. Das Tool erkennt Ihre installierten KI-Clients automatisch. Im folgenden Beispiel wird gezeigt, wie Sie mit add-mcp den MCP-Server des BigQuery Migration Service registrieren:

npx add-mcp https://bigquerymigration.googleapis.com/mcp --name bqms --header "x-goog-user-project: PROJECT_ID" --scopes "https://www.googleapis.com/auth/bigquerymigration,https://www.googleapis.com/auth/devstorage.read_only" --timeout 30000

Hinweis: Wenn Sie google_credentials für die Authentifizierung verwenden, härtet add-mcp geschriebene Konfigurationen, indem Standard-MCP-Felder ausgegeben und anbieterspezifische Attribute wie authProviderType: "google_credentials" verworfen werden. Für Clients, die Google Cloud OAuth-Anmeldedaten erfordern (z. B. Antigravity oder Gemini CLI), müssen "authProviderType": "google_credentials" und "oauth": { "scopes": [...] } in Ihrer JSON-Konfiguration enthalten sein.

Suchen Sie in Ihrer KI-Anwendung nach einer Möglichkeit, einen Remote-MCP-Server hinzuzufügen oder eine Verbindung zu ihm herzustellen. Geben Sie für den MCP-Server des BigQuery Migration Service die folgenden Informationen ein:

• Servername: BigQuery Migration Service MCP-Server
• Server-URL oder Endpunkt: bigquerymigration.googleapis.com/mcp
• Transport: Streamable HTTP
• Authentifizierungsdetails: Je nachdem, wie Sie sich authentifizieren möchten, können Sie Ihre Google Cloud -Anmeldedaten, Ihre OAuth-Client-ID und Ihr OAuth-Secret oder eine Agentenidentität und Anmeldedaten eingeben. Weitere Informationen zur Authentifizierung finden Sie unter Bei MCP-Servern authentifizieren.
• OAuth-Bereich: Der OAuth 2.0-Bereich, den Sie für die Verbindung mit dem MCP-Server des BigQuery Migration Service verwenden möchten.

{
  "name": "BQMS-MCP",
  "version": "1.0.0",
  "mcpServers": {
    "BigQueryMigration": {
      "httpUrl": "https://bigquerymigration.googleapis.com/mcp",
      "authProviderType": "google_credentials",
      "oauth": {
        "scopes": [
          "https://www.googleapis.com/auth/bigquerymigration",
          "https://www.googleapis.com/auth/devstorage.read_only"
        ]
      },
      "timeout": 30000,
      "headers": {
        "x-goog-user-project": "PROJECT_ID"
      }
    }
  }
}

Weiterleitungs-URIs

Für webbasierte Anwendungen und einige Desktopanwendungen müssen Sie einen Weiterleitungs-URI auf die Zulassungsliste setzen, wenn Sie eine Client-ID und einen Clientschlüssel für die Authentifizierung erstellen. Weiterleitungs-URIs werden vom Autorisierungsserver verwendet, um Tokens an Ihre Anwendung zu senden. In der Dokumentation Ihrer Anwendung sollte der Weiterleitungs-URI angegeben sein, den Sie verwenden müssen. Benutzerdefinierte Weiterleitungs-URIs werden nicht unterstützt.

Anwendungsspezifische Anleitungen zum Einrichten und Verbinden mit einem MCP-Server finden Sie unter Clientspezifische Anleitungen.

Allgemeine Informationen finden Sie in den folgenden Ressourcen:

• Mit Remote-MCP-Servern verbinden
• MCP in einer KI-Anwendung konfigurieren

Verfügbare Tools

Details zu den verfügbaren MCP-Tools und deren Beschreibungen für den BigQuery Migration Service-MCP-Server finden Sie in der BigQuery Migration Service-MCP-Referenz.

Tools auflisten

Verwenden Sie den MCP-Inspector, um Tools aufzulisten, oder senden Sie eine tools/list-HTTP-Anfrage direkt an den Remote-MCP-Server des BigQuery Migration Service. Für die Methode tools/list ist keine Authentifizierung erforderlich.

curl -X POST https://bigquerymigration.googleapis.com/TOOLSET_ENDPOINT \
    -H 'Content-Type: application/json' \
    -H 'Accept: application/json' \
    -H 'MCP-Protocol-Version: MCP_PROTOCOL_VERSION' \
    -H 'Mcp-Method: tools/list' \
    -d '{
      "jsonrpc": "2.0",
      "id": 1,
      "method": "tools/list",
      "params": {
        "_meta": {
          "io.modelcontextprotocol/protocolVersion": "MCP_PROTOCOL_VERSION",
          "io.modelcontextprotocol/clientCapabilities": {
            "extensions": {
              "io.modelcontextprotocol/ui": {
                "mimeTypes": ["text/html;profile=mcp-app"]
              }
            }
          }
        }
      }
    }'

Ersetzen Sie Folgendes:

• TOOLSET_ENDPOINT: der Rest des MCP-Endpunkts nach dem Dienstnamen. Für den BigQuery-Migrationsdienst könnte dies beispielsweise mcp/toolset-name sein.
• MCP_PROTOCOL_VERSION: die MCP-Protokollversion. Beispiel: 2026-07-28.

Beispiele für Anwendungsfälle

Im Folgenden finden Sie Beispielanwendungsfälle für den MCP-Server des BigQuery Migration Service:

• Mit einem MCP-Client und einer IDE eine Abfragedatei in die GoogleSQL-Syntax übersetzen.
• Übersetzen Sie eine angegebene Abfrage mit einem MCP-Client ohne IDE in die GoogleSQL-Syntax.
• Übersetzungsqualität bewerten
• Erläuterungen zu SQL-Übersetzungen abrufen
• Generieren Sie eine DDL-Anweisung für eine bestimmte Abfrage.

Beispiel-Prompts

Mit den folgenden Beispiel-Prompts können Sie BigQuery Migration Service-Ressourcen erstellen und verwalten:

• Übersetzen Sie die DIALECT-Abfrage in diesem FILENAME. Verwende PROJECT_ID und LOCATION. Speichern Sie die Ausgabe- und Übersetzungsprotokolle in separaten Verzeichnissen.

  Wenn Sie diesen Prompt verwenden, ruft der MCP-Client das Tool translate_query auf, um die Abfrage in der angegebenen Datei zu übersetzen. Der MCP-Client ruft regelmäßig das Tool get_translation auf, um die Ergebnisse abzurufen. Nach Abschluss der Übersetzung schreibt der Client die Ausgabe in das Ausgabeverzeichnis und die Logs in das Logverzeichnis.

• Übersetze diese Anfrage aus dem DIALECT: QUERY. Verwende PROJECT_ID und LOCATION.

  Wenn Sie diesen Prompt verwenden, ruft der MCP-Client das Tool translate_query auf, um die angegebene Abfrage zu übersetzen, und zeigt die Übersetzungsergebnisse an.

• Bewerten Sie die Übersetzungsqualität.

  Wenn Sie diesen Prompt verwenden, liest und prüft der MCP-Client die Übersetzungslogs und zeigt eine Zusammenfassung der Übersetzungsprobleme mit vorgeschlagenen nächsten Schritten an.

• Erkläre die Übersetzung.

  Wenn Sie diesen Prompt verwenden, ruft der MCP-Client das Tool explain_translation auf, um eine Erklärung der Übersetzung zu erhalten. Wenn die Übersetzungsprotokolle RelationNotFound- oder AttributeNotFound-Fehler enthalten, sollte der MCP-Client vorschlagen, dass Sie ein Metadatenpaket erstellen. Wenn Sie die Metadaten nicht generieren können, können Sie einen Prompt senden, der die DDL-Anweisung anfordert.

  Eine Beispielantwort sieht so aus:

  The translated code converts Teradata-specific features into their
  BigQuery equivalents. Here's a breakdown of the key changes:
  * `MACRO` to `PROCEDURE`: The `YourMacroName` macro was converted
  into a BigQuery stored procedure because
  BigQuery doesn't support macros.
  * `SELECT INTO` to `SET`:
    * For setting multiple `OUT` parameters in `YourStoredProcedureName`, the
      `SELECT ... INTO` is changed to `SET (...) = (SELECT STRUCT(...))`.
    * For single variable assignment in `YourOtherProcedureName`,
      `SELECT ... INTO` is replaced by `SET variable = (SELECT ...)` which is
      the standard in BigQuery.
  * Atomic Operations to `MERGE: The BEGIN REQUEST ... END REQUEST` blocks in
    the `ProcedureA`, `ProcedureB`, and `ProcedureC` procedures,
    which perform atomic "update or insert" operations, are translated into
    standard SQL `MERGE` statements. This is the correct and modern way to
    handle this logic in BigQuery.
  

• DDL für diese Eingabeabfrage generieren.

  Der MCP-Client ruft das generate_ddl_suggestion-Tool auf, um einen Vorschlagsjob zu starten. Der Client ruft die Vorschlagsergebnisse ab, indem er das Tool fetch_ddl_suggestion aufruft. Wenn der Vorschlag verfügbar ist, wird er vom MCP-Client angezeigt.

  Wenn die DDL-Anweisungen korrekt sind, können Sie einen Prompt senden, um die generierten DDL-Anweisungen der Abfrage voranzustellen und so die Übersetzungsqualität zu verbessern.

• Stellen Sie die generierten DDL-Anweisungen der Eingabeabfrage voran und übersetzen Sie sie noch einmal.

  Wenn Sie diesen Prompt verwenden, stellt der MCP-Client die DDL-Anweisungen der ursprünglichen Eingabeabfrage voran und ruft das translate_query-Tool auf. Der Client ruft das Tool get_translation auf, um die Übersetzung zu erhalten. Die neue Abfrageübersetzung und die Logs bleiben erhalten, wenn sie verfügbar sind.

  Wenn die generierten DDL-Anweisungen korrekt sind, sollten alle RelationNotFound- oder AttributeNotFound-Fehler behoben werden, was zu einer besseren Übersetzungsqualität führt.

Ersetzen Sie in den Prompts Folgendes:

• DIALECT: der Dialekt der SQL-Abfrage, die Sie übersetzen.
• QUERY: die Abfrage, die Sie übersetzen.
• FILENAME: die Datei, die die zu übersetzende Abfrage enthält.
• PROJECT_NUMBER: Ihre Projektnummer in Google Cloud .
• LOCATION: der Standort des SQL-Übersetzers.

Optionale Sicherheitskonfigurationen

MCP bringt aufgrund der Vielzahl von Aktionen, die Sie mit den MCP-Tools ausführen können, neue Sicherheitsrisiken und ‑aspekte mit sich. Um diese Risiken zu minimieren und zu verwalten, bietetGoogle Cloud Standardeinstellungen und anpassbare Richtlinien, mit denen Sie die Verwendung von MCP-Tools in Ihrer Organisation oder Ihrem Projekt in Google Cloudsteuern können.

Weitere Informationen zur Sicherheit und Governance von MCP finden Sie unter KI-Sicherheit.

Model Armor verwenden

Model Armor ist ein Dienst vonGoogle Cloud , der die Sicherheit Ihrer KI-Anwendungen verbessern soll. Model Armor prüft proaktiv LLM-Prompts und ‑Antworten, schützt vor verschiedenen Risiken und unterstützt eine verantwortungsbewusste Anwendung von KI. Unabhängig davon, ob Sie KI in Ihrer Cloud-Umgebung oder bei externen Cloud-Anbietern bereitstellen, kann Model Armor Ihnen helfen, schädliche Eingaben zu verhindern, die Inhaltssicherheit zu überprüfen, sensible Daten zu schützen, die Compliance aufrechtzuerhalten und Ihre KI-Sicherheitsrichtlinien konsistent in Ihrer vielfältigen KI-Landschaft durchzusetzen.

Wenn Model Armor mit aktiviertem Logging aktiviert ist, protokolliert Model Armor die gesamte Nutzlast. Dadurch könnten vertrauliche Informationen in Ihren Logs offengelegt werden.

MCP-Anfragenrouting zu Model Armor

Model Armor ist in bestimmten Regionen verfügbar. Wenn Model Armor aktiviert ist und Sie einen MCP-Server in einer Gerichtsbarkeit verwenden, die von Model Armor nicht unterstützt wird, kann das Routingverhalten des Aufrufs für verschiedene MCP-Server unterschiedlich sein und die Einhaltung von Datenstandortvorgaben für Daten in Verwendung und Daten während der Übertragung beeinträchtigen. Weitere Informationen zum Verhalten einzelner MCP-Server finden Sie unter Von Model Armor unterstützte Produkte.

Model Armor aktivieren

Sie müssen die Model Armor APIs aktivieren, bevor Sie Model Armor verwenden können.

Console

1. Aktivieren Sie die Model Armor API, falls sie noch nicht aktiviert ist.

   Erforderliche Rollen zum Aktivieren von APIs

   Zum Aktivieren von APIs benötigen Sie die Berechtigung serviceusage.services.enable. Wenn Sie das Projekt erstellt haben, haben Sie diese Berechtigung wahrscheinlich bereits über die Inhaberrolle (roles/owner). Andernfalls können Sie diese Berechtigung über die Rolle „Service Usage-Administrator“ (roles/serviceusage.serviceUsageAdmin) erhalten. Informationen zum Zuweisen von Rollen

   API aktivieren

2. Wählen Sie das Projekt aus, in dem Sie Model Armor aktivieren möchten.

gcloud

Führen Sie die folgenden Schritte mit der Google Cloud CLI und der Model Armor API aus, bevor Sie beginnen:

1. Aktivieren Sie Cloud Shell in der Google Cloud Console.

   Cloud Shell aktivieren

   Unten in der Google Cloud Console wird eine Cloud Shell-Sitzung gestartet und eine Eingabeaufforderung angezeigt. Cloud Shell ist eine Shell-Umgebung, in der das Google Cloud CLI bereits installiert ist und Werte für Ihr aktuelles Projekt bereits festgelegt sind. Das Initialisieren der Sitzung kann einige Sekunden dauern.

2. Führen Sie den folgenden Befehl aus, um den API-Endpunkt für den Model Armor-Dienst festzulegen.

   gcloud config set api_endpoint_overrides/modelarmor "https://modelarmor.LOCATION.rep.googleapis.com/"

   Ersetzen Sie LOCATION durch die Region, in der Sie Model Armor verwenden möchten.

Schutz für Google- und Google Cloud Remote-MCP-Server konfigurieren

Zum Schutz Ihrer MCP-Toolaufrufe und ‑Antworten können Sie die Mindesteinstellungen für Model Armor verwenden. Eine Mindesteinstellung definiert die Mindestsicherheitsfilter, die für das gesamte Projekt gelten. Mit dieser Konfiguration wird ein einheitlicher Satz von Filtern auf alle MCP-Toolaufrufe und ‑Antworten im Projekt angewendet.

Tipp: Aktivieren Sie den Filter für Prompt Injection und Jailbreak nur, wenn Ihr MCP-Traffic Daten in natürlicher Sprache enthält.

Richten Sie eine Model Armor-Mindesteinstellung mit aktivierter MCP-Bereinigung ein. Weitere Informationen finden Sie unter Model Armor-Mindesteinstellungen konfigurieren.

Hinweis: Wenn sich der Agent und der MCP-Server in verschiedenen Projekten befinden, können Sie in beiden Projekten (dem Clientprojekt und dem Ressourcenprojekt) Floor-Einstellungen erstellen. In diesem Fall wird Model Armor zweimal aufgerufen, einmal für jedes Projekt.

Sehen Sie sich den folgenden Beispielbefehl an:

gcloud model-armor floorsettings update \
--full-uri='projects/PROJECT_ID/locations/global/floorSetting' \
--enable-floor-setting-enforcement=TRUE \
--add-integrated-services=GOOGLE_MCP_SERVER \
--google-mcp-server-enforcement-type=INSPECT_AND_BLOCK \
--enable-google-mcp-server-cloud-logging \
--malicious-uri-filter-settings-enforcement=ENABLED \
--add-rai-settings-filters='[{"confidenceLevel": "MEDIUM_AND_ABOVE", "filterType": "DANGEROUS"}]'

Ersetzen Sie dabei PROJECT_ID durch die ID Ihres Projekts in Google Cloud .

Beachten Sie die folgenden Einstellungen:

• INSPECT_AND_BLOCK: Der Erzwingungstyp, der Inhalte für den Google MCP-Server prüft und Prompts und Antworten blockiert, die den Filtern entsprechen.
• ENABLED: Die Einstellung, mit der ein Filter oder eine Maßnahme aktiviert wird.
• MEDIUM_AND_ABOVE: Das Konfidenzniveau für die Filtereinstellungen „Verantwortungsbewusste Anwendung von KI – Gefährlich“. Sie können diese Einstellung ändern, wobei niedrigere Werte zu mehr falsch positiven Ergebnissen führen können. Weitere Informationen finden Sie unter Model Armor-Konfidenzniveaus.

Scannen von MCP-Traffic mit Model Armor deaktivieren

Führen Sie den folgenden Befehl aus, um zu verhindern, dass Model Armor den Traffic zu und von Google MCP-Servern basierend auf den Mindesteinstellungen des Projekts automatisch scannt:

gcloud model-armor floorsettings update \
  --full-uri='projects/PROJECT_ID/locations/global/floorSetting' \
  --remove-integrated-services=GOOGLE_MCP_SERVER

Ersetzen Sie PROJECT_ID durch die Projekt-ID in Google Cloud . Model Armor wendet die in den Mindesteinstellungen dieses Projekts definierten Regeln nicht automatisch auf den Traffic von Google-MCP-Servern an.

Die Model Armor-Mindesteinstellungen und die allgemeine Konfiguration können sich nicht nur auf MCP auswirken. Da Model Armor in Dienste wie Vertex AI eingebunden ist, können sich Änderungen an den Mindesteinstellungen auf das Scannen von Traffic und das Sicherheitsverhalten in allen eingebundenen Diensten auswirken, nicht nur in MCP.

MCP-Nutzung mit IAM-Richtlinien steuern

Mit Ablehnungsrichtlinien und Zulassungsrichtlinien von Identity and Access Management (IAM) können Sie Google Cloud und Google MCP-Server schützen.

Sie können mehrere Kriterien kombinieren, um benutzerdefinierte Sicherheits- und Governance-Richtlinien zu erstellen. Dazu können Sie den Zugriff anhand der folgenden Kriterien zulassen oder verweigern:

• Das Hauptkonto.
• Toolattribute wie das Attribut „read-only“.
• Der Name des Dienstes oder Tools.
• Die OAuth-Client-ID der Anwendung.

Weitere Informationen finden Sie unter MCP-Nutzung mit Identity and Access Management steuern.

Kontingente und Limits

Sie unterliegen weiterhin den Kontingenten, die von den APIs erzwungen werden, die von den MCP-Servertools aufgerufen werden. Die folgenden API-Methoden werden von den MCP-Servertools aufgerufen:

Tool	API-Methode	Kontingente
explain_translation	GetMigrationWorkflow	Kontingente und Limits für die BigQuery Migration API
fetch_ddl_suggestion	GetMigrationWorkflow	Kontingente und Limits für die BigQuery Migration API
get_translation	GetMigrationWorkflow	Kontingente und Limits für die BigQuery Migration API
generate_ddl_suggestion	CreateMigrationWorkflow	Kontingente und Limits für die BigQuery Migration API
translate_query	CreateMigrationWorkflow	Kontingente und Limits für die BigQuery Migration API

Weitere Informationen zu BigQuery-Kontingenten finden Sie unter Kontingente und Limits.

Nächste Schritte

• Lesen Sie die Referenzdokumentation zum BigQuery Migration Service MCP.
• Weitere Informationen zu Google Cloud-MCP-Servern
• Unterstützte Produkte