Usar o servidor MCP remoto do Serviço Gerenciado para Apache Airflow

Airflow gerenciado (geração 3) | Airflow gerenciado (geração 2) | Airflow gerenciado (geração 1 legada)

Neste documento, descrevemos como usar o servidor MCP do Protocolo de Contexto de Modelo (MCP) do Serviço Gerenciado para Apache Airflow para se conectar ao Serviço Gerenciado para Apache Airflow em aplicativos de IA, como a CLI do Gemini, o ChatGPT, o Claude ou em aplicativos de IA que você está desenvolvendo. O servidor MCP do Airflow Gerenciado permite gerenciar ambientes do Airflow Gerenciado e receber detalhes sobre execuções de DAGs e tarefas do Airflow.

O Protocolo de Contexto de Modelo (MCP) padroniza como os modelos de linguagem grandes (LLMs) e os aplicativos ou agentes de IA se conectam a fontes de dados externas. Os servidores MCP permitem que você use as ferramentas, os recursos e os comandos deles para realizar ações e receber dados atualizados do serviço de back-end.

Qual é a diferença entre servidores MCP locais e remotos?

Servidores MCP locais
Normalmente, são executados na máquina local e usam os fluxos de entrada e saída padrão (stdio) para comunicação entre serviços no mesmo dispositivo.
Servidores MCP remotos
São executados na infraestrutura do serviço e oferecem um endpoint HTTP para que os aplicativos de IA se comuniquem entre o cliente MCP de IA e o servidor MCP. Para mais informações sobre a arquitetura do MCP, consulte Arquitetura do MCP.

Núcleo sem estado

Com a versão 2026-07-28 do MCP, o MCP muda de um protocolo bidirecional com estado para um protocolo sem estado. Cada solicitação do MCP é autodescritiva e pode ser roteada usando cabeçalhos. Não é necessário o handshake initialize/initialized ou Mcp-Session-Id porque cada solicitação inclui todas as informações necessárias nos cabeçalhos HTTP ou no parâmetro _meta. Os servidores MCP podem solicitar mais informações necessárias para uma ferramenta usando solicitações de ida e volta (MRTR, na sigla em inglês).

Para ajudar a rotear e processar solicitações sem analisar o corpo da solicitação, alguns cabeçalhos do MCP são necessários, incluindo os seguintes:

Para mais informações sobre a arquitetura do MCP, consulte a especificação e as principais mudanças da versão 2026-07-28 do MCP.

Servidores MCP remotos do Google e do Google Cloud

Os servidores MCP remotos do Google e do Google Cloud têm os seguintes recursos e benefícios:

  • Descoberta simplificada e centralizada
  • Endpoints HTTP globais ou regionais gerenciados
  • Autorização detalhada
  • Segurança opcional de comandos e respostas com a proteção do Model Armor
  • Geração de registros de auditoria centralizada

Para informações sobre outros servidores MCP e sobre os controles de segurança e governança disponíveis para servidores MCP do Google Cloud, consulte Visão geral dos servidores MCP do Google Cloud.

Antes de começar

  1. Faça login na sua conta do Google Cloud . Se você começou a usar o Google Cloudagora, crie uma conta para avaliar o desempenho dos nossos produtos em situações reais. Clientes novos também recebem US $300 em créditos para executar, testar e implantar cargas de trabalho sem custos financeiros.
  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, if it is not already enabled.

    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. Install the Google Cloud CLI.

  6. If you're using an external identity provider (IdP), you must first sign in to the gcloud CLI with your federated identity.

  7. To initialize the gcloud CLI, run the following command:

    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, if it is not already enabled.

    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. Install the Google Cloud CLI.

  12. If you're using an external identity provider (IdP), you must first sign in to the gcloud CLI with your federated identity.

  13. To initialize the gcloud CLI, run the following command:

    gcloud init

Funções exigidas

Para receber as permissões necessárias para ativar o servidor MCP do Serviço Gerenciado para Apache Airflow, peça ao administrador para conceder a você os seguintes papéis do IAM no projeto em que você quer ativar o servidor MCP do Serviço Gerenciado para Apache Airflow:

Para mais informações sobre a concessão de papéis, consulte Gerenciar o acesso a projetos, pastas e organizações.

Também é possível conseguir as permissões necessárias usando papéis personalizados ou outros papéis predefinidos.

Autenticação e autorização

O servidor MCP remoto do Serviço Gerenciado para Apache Airflow usa o protocolo OAuth 2.0 com o Identity and Access Management (IAM) para autenticação e autorização. Todas as identidades doGoogle Cloud são compatíveis com a autenticação em servidores MCP.

Recomendamos que você crie uma identidade separada para os agentes que usam ferramentas do MCP, para que o acesso aos recursos possa ser controlado e monitorado. Para mais informações sobre autenticação, consulte Autenticar em servidores MCP.

Escopos OAuth do MCP do Serviço Gerenciado para Apache Airflow

O OAuth 2.0 usa escopos e credenciais para determinar se um principal autenticado tem autorização para realizar uma ação específica em um recurso. Para mais informações sobre os escopos do OAuth 2.0 no Google, leia Como usar o OAuth 2.0 para acessar as APIs do Google.

O Serviço Gerenciado para Apache Airflow tem os seguintes escopos OAuth da ferramenta MCP:

URI de escopo para a CLI gcloud Descrição
https://www.googleapis.com/auth/cloudcomposer.readonly Permite o acesso apenas para leitura de dados.
https://www.googleapis.com/auth/cloudcomposer Permite acesso para ler e modificar dados.

Configurar um cliente MCP para usar o servidor MCP do Serviço Gerenciado para Apache Airflow

Os aplicativos e agentes de IA, como o Claude ou o Antigravity, podem instanciar um cliente MCP que se conecta a um único servidor MCP. Um aplicativo de IA pode ter vários clientes que se conectam a diferentes servidores MCP. Se o aplicativo não estiver listado nas orientações específicas do cliente, use as informações a seguir para se conectar na maioria dos aplicativos.

No seu aplicativo de IA, procure uma maneira de adicionar ou se conectar a um servidor MCP remoto. Para o servidor MCP do Serviço Gerenciado para Apache Airflow, insira as seguintes informações, conforme necessário:

  • Nome do servidor: servidor MCP do Serviço Gerenciado para Apache Airflow
  • Endpoint: composer.{region}.rep.googleapis.com/mcp
  • Transporte: HTTP com streaming
  • Detalhes de autenticação: dependendo de como você quer fazer a autenticação, insira suas credenciais do Google Cloud , o ID e a chave secreta do cliente OAuth ou uma identidade e credenciais de agente. Para mais informações sobre autenticação, consulte Autenticar em servidores MCP.
  • Escopo do OAuth: o escopo do OAuth 2.0 que você quer usar ao se conectar ao servidor MCP do Serviço Gerenciado para Apache Airflow.
Para orientações específicas sobre como configurar e se conectar a um servidor MCP, consulte Orientações específicas para clientes.

Para orientações mais gerais, consulte os seguintes recursos:

Ferramentas disponíveis

As ferramentas do MCP que são somente leitura têm o atributo mcp.tool.isReadOnly do MCP definido como true. Talvez você queira permitir apenas ferramentas somente leitura em determinados ambientes usando a política da organização.

Para conferir detalhes das ferramentas MCP disponíveis e as descrições delas para o servidor MCP do Serviço Gerenciado para Apache Airflow, consulte a referência do MCP do Serviço Gerenciado para Apache Airflow.

Listar ferramentas

Use o inspetor do MCP para listar ferramentas ou envie uma solicitação HTTP tools/list diretamente ao servidor MCP remoto do Serviço Gerenciado para Apache Airflow. O método tools/list não requer autenticação.

curl -X POST https://composer.{region}.rep.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"]
              }
            }
          }
        }
      }
    }'

Substitua:

  • TOOLSET_ENDPOINT: o restante do endpoint do MCP após o nome do serviço. Por exemplo, para o Serviço Gerenciado para Apache Airflow, pode ser mcp/toolset-name.
  • MCP_PROTOCOL_VERSION: a versão do protocolo MCP. Por exemplo, 2026-07-28.

Exemplos de casos de uso

Confira a seguir exemplos de casos de uso do servidor MCP do Serviço Gerenciado para Apache Airflow:

Descrever o status do ambiente

Neste exemplo de caso de uso, você faz perguntas sobre os ambientes no seu projeto.

Encontre todos os ambientes do Airflow Gerenciado em us-central1 que não estão no estado de execução no momento. Se algum deles estiver no estado de erro, informe o horário em que esse ambiente foi atualizado pela última vez e a configuração de cargas de trabalho do ambiente.

Fluxo de trabalho: a descrição dos ambientes do Airflow Gerenciado pode ser semelhante ao seguinte.

  • Ver a lista de ambientes: o agente usa list_environments para receber a lista de ambientes na região especificada, além de informações sobre o horário da última atualização.

Criar um ambiente do Airflow Gerenciado com pacotes PyPI personalizados

Neste exemplo de caso de uso, você cria um novo ambiente do Airflow gerenciado e instala pacotes PyPI personalizados nele.

Exemplo de comando:

Criar um novo ambiente do Airflow Gerenciado (3ª geração) com o Airflow 2 no meu projeto. Em seguida, instale o pacote nltk[machine_learning] nele. Use o exemplo example-account@example-project.iam.gserviceaccount.com para o ambiente.

Fluxo de trabalho: criar um novo ambiente do Airflow Gerenciado e, em seguida, instalar pacotes PyPI personalizados nele pode ser assim.

  • Criar um ambiente: o agente usa create_environment para criar um novo ambiente com os parâmetros de configuração fornecidos. O agente pergunta sobre outros parâmetros de configuração, como a lista de endereços IP que têm permissão para acessar a interface do Airflow.

  • Instalar pacotes: o agente chama manage_pypi_packages para instalar o pacote PyPI especificado.

Como resolver problemas de execuções do DAG e tarefas com falha

Verifique o ambiente do Airflow Gerenciado example-environment-name em us-central1. O example_dag está falhando, e quero saber o motivo e em qual tarefa especificamente. Também me informe sobre outros DAGs que falharam neste ambiente nas últimas 24 horas.

Fluxo de trabalho: a solução de problemas de execuções do DAG com falha pode ser semelhante ao seguinte.

  • Receber execuções do DAG com falha: o agente usa find_last_failed_dag_runs para receber a lista de execuções do DAG com falha para o DAG example_dag no ambiente especificado. O agente usa a mesma ferramenta para obter a lista de todas as execuções do DAG com falha.

  • Inspecionar a execução do DAG com falha: o agente chama list_failed_task_instances para receber a lista de instâncias de tarefa da execução do DAG que estão no estado de falha.

  • Analisar registros de tarefas com falha: o agente usa get_task_instance para receber os detalhes da instância de tarefa com falha, incluindo os dados necessários para recuperar registros.

  • Inspecionar o código-fonte do DAG: o agente usa get_dag_source_code para analisar o código-fonte da tarefa com falha em busca de erros.

Configurações opcionais de segurança e proteção

O MCP apresenta novos riscos e considerações de segurança devido à grande variedade de ações que podem ser realizadas com as ferramentas do MCP. Para minimizar e gerenciar esses riscos, oGoogle Cloud oferece configurações padrão e políticas personalizáveis para controlar o uso de ferramentas do MCP na sua organização ou projeto do Google Cloud.

Para mais informações sobre segurança e governança do MCP, consulte Segurança e proteção da IA.

Usar o Model Armor

O Model Armor é um serviço doGoogle Cloud projetado para aprimorar a segurança dos seus aplicativos com a IA. Ele funciona verificando de maneira proativa os comandos e respostas de LLMs, protegendo contra vários riscos e apoiando práticas de IA responsável. Seja no seu ambiente de nuvem ou em provedores de nuvem externos, o Model Armor ajuda a evitar entradas maliciosas, verificar a segurança do conteúdo, proteger dados sensíveis, manter a conformidade e aplicar suas políticas de segurança de IA de maneira consistente em todo o seu cenário de IA.

Quando o Model Armor está ativado com a geração de registros ativada, ele registra todo o payload. Isso pode expor informações sensíveis nos registros.

Roteamento de solicitações do MCP para o Model Armor

O Model Armor está disponível em determinadas regiões. Quando o Model Armor está ativado e você usa um servidor MCP em uma jurisdição que não é compatível com o Model Armor, o comportamento de roteamento da chamada pode ser diferente para servidores MCP diferentes e pode violar a conformidade com a residência de dados para dados em uso e em trânsito. Para mais informações sobre o comportamento de servidores MCP individuais, consulte Produtos compatíveis com o Model Armor.

Ativar o Model Armor

É necessário ativar as APIs do Model Armor antes de usá-lo.

Console

  1. Ative a API Model Armor, se ainda não estiver ativada.

    Funções necessárias para ativar APIs

    Para ativar APIs, você precisa da permissão serviceusage.services.enable. Se você criou o projeto, provavelmente já tem essa permissão pelo papel de proprietário (roles/owner). Caso contrário, é possível conseguir essa permissão pelo papel de administrador do Service Usage (roles/serviceusage.serviceUsageAdmin). Saiba como conceder papéis.

    Ativar a API

  2. Selecione o projeto em que você quer ativar o Model Armor.

gcloud

Antes de começar, siga estas etapas usando a Google Cloud CLI com a API Model Armor:

  1. No console do Google Cloud , ative o Cloud Shell.

    Ativar o Cloud Shell

    Na parte de baixo do console do Google Cloud , uma sessão do Cloud Shell é iniciada e exibe um prompt de linha de comando. O Cloud Shell é um ambiente shell com a CLI do Google Cloud já instalada e com valores já definidos para o projeto atual. A inicialização da sessão pode levar alguns segundos.

  2. Execute o comando a seguir para definir o endpoint de API para o serviço Model Armor.

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

    Substitua LOCATION pela região em que você quer usar o Model Armor.

Configurar a proteção para servidores MCP remotos do Google e do Google Cloud

Para ajudar a proteger as chamadas de ferramenta e as respostas de ferramentas do MCP, use as configurações mínimas do Model Armor. Uma configuração mínima define os filtros de segurança mínimos que se aplicam ao projeto. Essa configuração aplica um conjunto consistente de filtros a todas as chamadas de ferramenta e respostas do MCP no projeto.

Defina uma configuração de piso do Model Armor com a sanitização do MCP ativada. Para mais informações, consulte Configurar as configurações mínimas do Model Armor.

Veja o exemplo de comando a seguir:

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"}]'

Substitua PROJECT_ID pelo ID do projeto Google Cloud .

Observe as seguintes configurações:

  • INSPECT_AND_BLOCK: o tipo de restrição que inspeciona o conteúdo do servidor MCP do Google e bloqueia comandos e respostas que correspondem aos filtros.
  • ENABLED: a configuração que ativa um filtro ou uma aplicação.
  • MEDIUM_AND_ABOVE: o nível de confiança para as configurações do filtro de IA responsável - Perigoso. É possível modificar essa configuração, mas valores mais baixos podem resultar em mais falsos positivos. Para mais informações, consulte Níveis de confiança do Model Armor.

Desativar a verificação do tráfego do MCP com o Model Armor

Para impedir que o Model Armor verifique automaticamente o tráfego de e para os servidores MCP do Google com base nas configurações de piso do projeto, execute o seguinte comando:

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

Substitua PROJECT_ID pelo ID do projeto do Google Cloud . O Model Armor não aplica automaticamente as regras definidas nas configurações de base desse projeto a nenhum tráfego de servidor MCP do Google.

As configurações de piso e gerais do Model Armor podem afetar mais do que apenas o MCP. Como o Model Armor se integra a serviços como a Vertex AI, qualquer mudança nas configurações de base pode afetar a verificação de tráfego e os comportamentos de segurança em todos os serviços integrados, não apenas no MCP.

Controlar o uso do MCP com políticas do IAM

As políticas de negação e as políticas de permissão do Identity and Access Management (IAM) ajudam a proteger o Google Cloud e os servidores MCP do Google.

É possível combinar vários critérios para criar políticas personalizadas de segurança e governança, permitindo ou negando o acesso com base no seguinte:

  • O principal.
  • Propriedades da ferramenta, como o atributo somente leitura.
  • O nome do serviço ou da ferramenta.
  • O ID do cliente OAuth do aplicativo.

Para mais informações, consulte Controlar o uso do MCP com o Identity and Access Management.

A seguir