Remote-MCP-Server von Managed Service for Apache Airflow verwenden

Managed Airflow (Gen 3) | Managed Airflow (Gen 2) | Managed Airflow (Legacy Gen 1)

In diesem Dokument wird beschrieben, wie Sie den Remote-MCP-Server (Model Context Protocol) von Managed Service for Apache Airflow verwenden, um eine Verbindung von KI-Anwendungen wie der Gemini CLI, ChatGPT oder Claude zu Managed Service for Apache Airflow herzustellen. Das gilt auch für KI-Anwendungen, die Sie selbst entwickeln. Mit dem Managed Airflow-MCP-Server können Sie Managed Airflow-Umgebungen verwalten und Details zu ausgeführten DAG-Ausführungen und Airflow-Aufgaben abrufen.

Model Context Protocol (MCP) standardisiert, wie Large Language Models (LLMs) und KI-Anwendungen oder -Agents eine Verbindung zu externen Datenquellen herstellen. Mit MCP-Servern können Sie ihre Tools, Ressourcen und Prompts verwenden, um Aktionen auszuführen und aktualisierte Daten von ihrem Back-End-Dienst abzurufen.

Was ist der Unterschied zwischen lokalen und Remote-MCP-Servern?

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.
Remote-MCP-Server
werden in der Infrastruktur des Dienstes ausgeführt und bieten einen HTTP-Endpunkt für KI-Anwendungen zur Kommunikation zwischen dem KI-MCP-Client und dem MCP-Server. Weitere Informationen zur MCP-Architektur finden Sie unter MCP-Architektur.

Google- und Google Cloud Remote-MCP-Server

Google- und Google Cloud Remote-MCP-Server haben die folgenden Funktionen und Vorteile:

  • Vereinfachte, zentrale Erkennung
  • Verwaltete globale oder regionale HTTP-Endpunkte
  • Detaillierte Autorisierung
  • Optionale Prompt- und Antwortsicherheit mit Model Armor-Schutz
  • Zentralisierte Audit-Protokollierung

Informationen zu anderen MCP-Servern und zu Sicherheits und Governance-Kontrollen, die für Google Cloud-MCP-Server verfügbar sind, finden Sie unter Übersicht über Google Cloud-MCP-Server.

Hinweis

  1. Melden Sie sich in Ihrem Google Cloud Konto an. Wenn Sie noch kein Konto haben Google Cloud, 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.

  2. 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.

    Go to project selector

  3. 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.

  4. Enable the Managed Airflow API.

    Roles required to enable APIs

    To enable APIs, you need the serviceusage.services.enable permission. If you created the project, then you likely already have this permission through the Owner role (roles/owner). Otherwise, you can get this permission through the Service Usage Admin role (roles/serviceusage.serviceUsageAdmin). Learn how to grant roles.

    Enable the API

  5. Installieren Sie die Google Cloud CLI.

  6. Wenn Sie einen externen Identitätsanbieter (IdP) verwenden, müssen Sie sich zuerst mit Ihrer föderierten Identität in der gcloud CLI anmelden.

  7. Führen Sie den folgenden Befehl aus, um die gcloud CLI zu initialisieren: 

    gcloud init

  8. 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.

    Go to project selector

  9. 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.

  10. Enable the Managed Airflow API.

    Roles required to enable APIs

    To enable APIs, you need the serviceusage.services.enable permission. If you created the project, then you likely already have this permission through the Owner role (roles/owner). Otherwise, you can get this permission through the Service Usage Admin role (roles/serviceusage.serviceUsageAdmin). Learn how to grant roles.

    Enable the API

  11. Installieren Sie die Google Cloud CLI.

  12. Wenn Sie einen externen Identitätsanbieter (IdP) verwenden, müssen Sie sich zuerst mit Ihrer föderierten Identität in der gcloud CLI anmelden.

  13. Führen Sie den folgenden Befehl aus, um die gcloud CLI zu initialisieren: 

    gcloud init

Erforderliche Rollen

Bitten Sie Ihren Administrator, Ihnen die folgenden IAM-Rollen für das Projekt zuzuweisen, in dem Sie den Managed Service for Apache Airflow-MCP-Server aktivieren möchten, um die erforderlichen Berechtigungen dafür zu erhalten:

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

Sie können die erforderlichen Berechtigungen auch über benutzerdefinierte Rollen oder andere vordefinierte Rollen erhalten.

Authentifizierung und Autorisierung

Der Remote-MCP-Server von Managed Service for Apache Airflow verwendet das OAuth 2.0 Protokoll mit Identity and Access Management (IAM) zur Authentifizierung und Autorisierung. Alle Google Cloud Identitäten werden für die Authentifizierung bei MCP-Servern unterstützt.

Wir empfehlen, eine separate Identität für Agents zu erstellen, die MCP-Tools verwenden, damit der Zugriff auf Ressourcen gesteuert und überwacht werden kann. Weitere Informationen zur Authentifizierung finden Sie unter Bei MCP-Servern authentifizieren.

OAuth-Bereiche für Managed Service for Apache Airflow-MCP-Tools

OAuth 2.0 verwendet Bereiche und Anmeldedaten, um zu ermitteln, ob ein authentifiziertes Prinzipal autorisiert 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.

Managed Service for Apache Airflow hat die folgenden OAuth-Bereiche für MCP-Tools:

Bereichs-URI für die gcloud CLI Beschreibung
https://www.googleapis.com/auth/cloudcomposer.readonly Gewährt nur Lesezugriff auf Daten.
https://www.googleapis.com/auth/cloudcomposer Gewährt Zugriff zum Lesen und Ändern von Daten.

MCP-Client für die Verwendung des Managed Service for Apache Airflow-MCP-Servers konfigurieren

KI-Anwendungen und -Agents 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 eine Verbindung zu verschiedenen MCP-Servern herstellen. Wenn Ihre Anwendung nicht in der clientspezifischen Anleitung aufgeführt ist, können Sie die folgenden Informationen verwenden, um eine Verbindung von den meisten Anwendungen aus herzustellen.

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

  • Servername: Managed Service for Apache Airflow-MCP-Server
  • Endpunkt: composer.{region}.rep.googleapis.com/mcp
  • Transport: HTTP
  • Authentifizierungsdetails: Je nachdem, wie Sie sich authentifizieren möchten, können Sie Ihre Google Cloud Anmeldedaten, Ihre OAuth-Client-ID und Ihren Clientschlüssel oder eine Agent-Identität und ‑Anmeldedaten eingeben. Weitere Informationen zur Authentifizierung finden Sie unter Bei MCP-Servern authentifizieren.
  • OAuth-Bereich: der OAuth 2.0-Bereich, den Sie verwenden möchten, wenn Sie eine Verbindung zum Managed Service for Apache Airflow-MCP-Server herstellen.

Anwendungsspezifische Anleitungen zum Einrichten und Herstellen einer Verbindung zu einem MCP-Server finden Sie unter Clientspezifische Anleitung.

Allgemeinere Anleitungen finden Sie in den folgenden Ressourcen:

Verfügbare Tools

Für schreibgeschützte MCP-Tools ist das MCP-Attribut mcp.tool.isReadOnly auf true gesetzt. Möglicherweise möchten Sie über Ihre Organisationsrichtlinie nur schreibgeschützte Tools in bestimmten Umgebungen zulassen.

Details zu verfügbaren MCP-Tools und deren Beschreibungen für den Managed Service for Apache Airflow-MCP-Server finden Sie in der Referenz zu Managed Service for Apache Airflow-MCP.

Tools auflisten

Verwenden Sie den MCP-Inspector, um Tools aufzulisten, oder senden Sie eine tools/list HTTP-Anfrage direkt an den Remote-MCP-Server von Managed Service for Apache Airflow. Für die Methode tools/list ist keine Authentifizierung erforderlich.

POST /mcp HTTP/1.1
Host: composer.{region}.rep.googleapis.com/mcp
Content-Type: application/json

{
  "jsonrpc": "2.0",
  "method": "tools/list",
}

Beispielanwendungsfälle

Im Folgenden finden Sie Beispielanwendungsfälle für den Managed Service for Apache Airflow-MCP-Server:

Umgebungsstatus beschreiben

In diesem Beispielanwendungsfall stellen Sie Fragen zu Umgebungen in Ihrem Projekt.

Alle Managed Airflow-Umgebungen in „us-central1“ suchen, die sich derzeit nicht im Status „Wird ausgeführt“ befinden. Wenn sich eine davon im Status „Fehler“ befindet, geben Sie mir den Zeitpunkt der letzten Aktualisierung dieser Umgebung und die Konfiguration der Arbeitslasten der Umgebung an.

Workflow: Die Beschreibung von Managed Airflow-Umgebungen kann so aussehen:

  • Liste der Umgebungen aufrufen: Der Agent verwendet list_environments, um die Liste der Umgebungen in der angegebenen Region zusammen mit Informationen zum Zeitpunkt der letzten Aktualisierung abzurufen.

Neue Managed Airflow-Umgebung mit benutzerdefinierten PyPI-Paketen erstellen

In diesem Beispielanwendungsfall erstellen Sie eine neue Managed Airflow-Umgebung und installieren dann benutzerdefinierte PyPI-Pakete darin.

Beispiel-Prompt:

Erstellen Sie in meinem Projekt eine neue Managed Airflow (Gen 3)-Umgebung mit Airflow 2. Installieren Sie dann das Paket „nltk[machine_learning]“. Verwenden Sie das Dienstkonto „ example-account@example-project.iam.gserviceaccount.comDienstkonto für die Umgebung.

Workflow: Das Erstellen einer neuen Managed Airflow-Umgebung und das anschließende Installieren benutzerdefinierter PyPI-Pakete kann so aussehen:

  • Umgebung erstellen: Der Agent verwendet create_environment, um eine neue Umgebung mit den angegebenen Konfigurationsparametern zu erstellen. Der Agent fragt nach zusätzlichen Konfigurationsparametern wie der Liste der IP-Adressen, die auf die Airflow-UI zugreifen dürfen.

  • Pakete installieren: Der Agent ruft manage_pypi_packages auf, um das angegebene PyPI-Paket zu installieren.

Fehlerbehebung bei fehlgeschlagenen DAG-Ausführungen und ‑Aufgaben

Überprüfen Sie die Managed Airflow-Umgebung „example-environment-name“ in „us-central1“. Die „example_dag“ schlägt fehl. Ich möchte wissen, warum und bei welcher Aufgabe genau. Informieren Sie mich auch über alle anderen DAGs, die in dieser Umgebung in den letzten 24 Stunden fehlgeschlagen sind.

Workflow: Die Fehlerbehebung bei fehlgeschlagenen DAG-Ausführungen kann so aussehen:

  • Fehlgeschlagene DAG-Ausführungen abrufen: Der Agent verwendet find_last_failed_dag_runs, um die Liste der fehlgeschlagenen DAG-Ausführungen für die DAG example_dag in der angegebenen Umgebung abzurufen. Der Agent verwendet dasselbe Tool, um die Liste aller fehlgeschlagenen DAG-Ausführungen abzurufen.

  • Fehlgeschlagene DAG-Ausführung prüfen: Der Agent ruft list_failed_task_instances auf, um die Liste der Aufgabeninstanzen der DAG-Ausführung abzurufen, die sich im Status „Fehlgeschlagen“ befinden.

  • Logs fehlgeschlagener Aufgaben analysieren: Der Agent verwendet get_task_instance, um die Details der fehlgeschlagenen Aufgabeninstanz abzurufen, einschließlich der Daten, die zum Abrufen von Logs erforderlich sind.

  • DAG-Quellcode prüfen: Der Agent verwendet get_dag_source_code, um den Quellcode der fehlgeschlagenen Aufgabe auf Fehler zu analysieren.

Optionale Sicherheitskonfigurationen

MCP birgt neue Sicherheitsrisiken und ‑aspekte, da Sie mit den MCP-Tools eine Vielzahl von Aktionen ausführen können. Um diese Risiken zu minimieren und zu verwalten, Google Cloud bietet Standardeinstellungen und anpassbare Richtlinien, mit denen Sie die Verwendung von MCP-Tools in Ihrer Google Cloud Organisation oder Ihrem Projekt steuern können.

Weitere Informationen zu MCP-Sicherheit und ‑Governance finden Sie unter KI-Sicherheit.

Model Armor verwenden

Model Armor ist ein Google Cloud Dienst, der die Sicherheit und Sicherheit Ihrer KI-Anwendungen verbessern soll. Dazu werden LLM-Prompts und ‑Antworten proaktiv geprüft, um vor verschiedenen Risiken zu schützen und verantwortungsbewusste KI-Praktiken zu unterstützen. 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 Sicherheit von Inhalten zu überprüfen, sensible Daten zu schützen, die Compliance aufrechtzuerhalten und Ihre KI-Sicherheitsrichtlinien in Ihrer vielfältigen KI-Landschaft einheitlich durchzusetzen.

Wenn Model Armor mit aktivierter Protokollierung aktiviert ist, protokolliert Model Armor die gesamte Nutzlast. Dadurch können sensible Informationen in Ihren Logs offengelegt werden.

MCP-Anfragen an Model Armor weiterleiten

Model Armor ist in bestimmten Regionen verfügbar. Wenn Model Armor aktiviert ist und Sie einen MCP-Server in einem Rechtsraum verwenden, der von Model Armor nicht unterstützt wird, kann das Routingverhalten des Aufrufs für verschiedene MCP-Server unterschiedlich sein und die Compliance mit den Datenstandortvorgaben für verwendete und übertragene Daten 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. Die Model Armor API aktivieren

    Rollen, die zum Aktivieren von APIs erforderlich sind

    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 Rolle „Inhaber“ (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 zuerst die folgenden Schritte mit der Google Cloud CLI und der Model Armor API aus:

  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 Befehlszeilenaufforderung 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

Um Ihre MCP-Tool-Aufrufe und ‑Antworten zu schützen, 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-Tool-Aufrufe und ‑Antworten im Projekt angewendet.

Richten Sie eine Model Armor-Mindesteinstellung ein, bei der die MCP-Bereinigung aktiviert ist. Weitere Informationen finden Sie unter Mindesteinstellungen für Model Armor konfigurieren.

Hier ein Beispielbefehl:

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 PROJECT_ID durch die Google Cloud Projekt-ID Ihres Projekts.

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 Erzwingung aktiviert wird.
  • MEDIUM_AND_ABOVE: Das Konfidenzniveau für die Filtereinstellungen „Verantwortungsbewusste Anwendung von KI – gefährlich“. Sie können diese Einstellung ändern, niedrigere Werte können jedoch zu mehr falsch positiven Ergebnissen führen. Weitere Informationen finden Sie unter Konfidenzniveaus von Model Armor.

Scannen von MCP-Traffic mit Model Armor deaktivieren

Wenn Sie verhindern möchten, dass Model Armor den Traffic zu und von Google-MCP-Servern automatisch anhand der Mindesteinstellungen des Projekts scannt, führen Sie den folgenden Befehl aus:

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

Die Mindesteinstellungen und die allgemeine Konfiguration von Model Armor können sich auf mehr als nur MCP auswirken. Da Model Armor in Dienste wie Vertex AI eingebunden ist, können sich alle Änderungen, die Sie an den Mindesteinstellungen vornehmen, auf das Scannen von Traffic und das Sicherheitsverhalten aller eingebundenen Dienste auswirken, nicht nur auf MCP.

MCP-Nutzung mit IAM-Richtlinien steuern

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

Sie können mehrere Kriterien kombinieren, um benutzerdefinierte Sicherheits- und Governance-Richtlinien zu erstellen, indem Sie den Zugriff basierend auf den folgenden Kriterien zulassen oder ablehnen:

  • Das Prinzipal.
  • Tool-Attribute wie das schreibgeschützte Attribut.
  • Der Dienstname oder Toolname.
  • Die OAuth-Client-ID der Anwendung.

Weitere Informationen finden Sie unter MCP-Nutzung mit IAM steuern.

Nächste Schritte