Utilizzare il server MCP di CX Agent Studio

CX Agent Studio fornisce un server Model Context Protocol (MCP) remoto che può essere utilizzato da agenti e applicazioni AI per modificare le risorse di CX Agent Studio. Ad esempio, puoi utilizzare Gemini CLI o Antigravity per progettare e creare l'applicazione dell'agente CX Agent Studio.

Questa funzionalità consente di utilizzare workflow di sviluppo assistiti dall'AI, riducendo drasticamente le difficoltà di creazione e manutenzione delle applicazioni degli agenti:

  • Vibe Coding (prototipazione rapida): anziché fare clic manualmente sull'interfaccia utente per creare un agente, puoi semplicemente dire al tuo IDE assistito dall'AI: "Crea un agente di assistenza per la vendita al dettaglio che utilizzi l'API Shopify e parli con un tono amichevole". L'agente di codifica utilizza il server MCP per creare l'architettura dell'agente.
  • Refactoring e pulizia in blocco: il server MCP è ideale per le operazioni in blocco che sono noiose in un'interfaccia utente. Ad esempio, puoi utilizzare il comando "Rinomina il parametro 'customer_id' in tutti i 15 sub-agenti" o "Trova ed elimina tutti gli intent inutilizzati".
  • Sviluppo interattivo basato sulla valutazione: puoi eseguire una valutazione non riuscita e dare all'agente l'istruzione: "Modifica le istruzioni finché questa valutazione specifica non viene superata".
  • Autoriparazione e ottimizzazione: un "agente di assistenza" automatico può monitorare il rendimento di un agente (ad esempio, se non supera una valutazione specifica) e utilizzare il server MCP per modificare autonomamente le istruzioni o correggere le definizioni degli strumenti per migliorare il punteggio ("Hill Climbing").
  • Rilevamento del contesto: il server consente agli assistenti alla programmazione di "leggere" lo stato attuale di un agente di cui è stato eseguito il deployment, semplificando la comprensione di configurazioni legacy complesse senza dover esaminare manualmente i file JSON.

Il Model Context Protocol (MCP) standardizza il modo in cui i modelli linguistici di grandi dimensioni (LLM) e le applicazioni o gli agenti AI si connettono a origini dati esterne. I server MCP consentono di utilizzare i relativi strumenti, risorse e prompt per eseguire azioni e ottenere dati aggiornati dal servizio di backend.

Qual è la differenza tra i server MCP locali e remoti?

Server MCP locali
In genere vengono eseguiti sulla macchina locale e utilizzano i flussi di input e output standard (stdio) per la comunicazione tra i servizi sullo stesso dispositivo.
Server MCP remoti
Vengono eseguiti sull'infrastruttura del servizio e offrono un endpoint HTTP alle applicazioni AI per la comunicazione tra il client MCP AI e il server MCP. Per ulteriori informazioni sull'architettura MCP, consulta Architettura MCP.
Il server MCP remoto di Customer Experience Agent Studio viene abilitato quando abiliti l'API Customer Experience Agent Studio.

Server MCP Google e remoti Google Cloud

I server MCP Google e Google Cloud remoti hanno le seguenti funzionalità e i seguenti vantaggi:

  • Rilevamento semplificato e centralizzato
  • Endpoint HTTP globali o regionali gestiti
  • Autorizzazione granulare
  • Sicurezza di prompt e risposte facoltativa con la protezione Model Armor
  • Logging di audit centralizzato

Per informazioni su altri server MCP e sui controlli di sicurezza e governance disponibili per i server MCP di Google Cloud, consulta la panoramica dei server MCP di Google Cloud.

Limitazioni

Si applicano le seguenti limitazioni:

  • Limiti del contesto dei token: le configurazioni di agenti di grandi dimensioni (con molti strumenti e istruzioni estese) potrebbero superare la finestra contestuale di alcuni modelli di programmazione durante il recupero delle definizioni complete degli agenti. Ti consigliamo di recuperare componenti secondari specifici (ad esempio, un solo strumento) anziché l'intera definizione dell'app contemporaneamente. Inoltre, gli utenti devono monitorare l'utilizzo della finestra contestuale e riavviare periodicamente la sessione dell'agente (ogni poche richieste) per cancellare il buffer.
  • Latenza: le "mutazioni dirette" (chiamate API) sono in genere più veloci per le modifiche di piccole dimensioni. Tuttavia, per i refactoring architetturali di grandi dimensioni (rinomina delle variabili in 50 file), ti consigliamo il workflow "Esporta -> Modifica locale -> Importa" per garantire l'integrità dei dati, che il server MCP supporta anche utilizzando gli strumenti export_app e import_app.

Come funziona

Il server espone l'API CX Agent Studio, utilizzata anche dall'interfaccia utente per creare gli agenti. L'applicazione AI è configurata per utilizzare il server e connettersi a quest'ultimo. Il server pubblica un elenco di strumenti disponibili, ad esempio:

  • list_agents()
  • create_tool(name, python_code, ...)
  • update_instruction(agent_name, new_instruction)
  • run_evaluation(dataset)

Quando fornisci un comando in linguaggio naturale all'applicazione AI, quest'ultima decide se utilizzare il server MCP di CX Agent Studio e quale strumento chiamare.

Puoi utilizzare uno dei due workflow distinti a seconda della complessità dell'attività:

  • Utilizza il server MCP remoto (ideale per velocità e prototipazione): connetti il server MCP direttamente al tuo ambiente di codifica per apportare modifiche in tempo reale utilizzando le chiamate API.
  • Copie locali (ideale per scalabilità e controllo): utilizza lo strumento export_app del server MCP per scaricare l'agente nel file system locale, modifica i file con l'assistente alla programmazione e invia le modifiche utilizzando import_app. Questa opzione è utile per il refactoring su larga scala, l'integrazione del controllo della versione o l'unione dei contributi del team.

Le sezioni seguenti si applicano solo al server MCP remoto di Customer Experience Agent Studio.

Ruoli obbligatori

Per ottenere le autorizzazioni necessarie per utilizzare il server MCP di Customer Experience Agent Studio, chiedi all'amministratore di concederti i seguenti ruoli IAM sul progetto in cui vuoi utilizzare il server MCP di Customer Experience Agent Studio:

  • Esegui chiamate allo strumento MCP: MCP Tool User (roles/mcp.toolUser)

Per saperne di più sulla concessione dei ruoli, consulta Gestisci l'accesso a progetti, cartelle e organizzazioni.

Questi ruoli predefiniti contengono le autorizzazioni necessarie per utilizzare il server MCP di Customer Experience Agent Studio. Per vedere quali sono esattamente le autorizzazioni richieste, espandi la sezione Autorizzazioni obbligatorie:

Autorizzazioni obbligatorie

Per utilizzare il server MCP di Customer Experience Agent Studio sono necessarie le seguenti autorizzazioni:

  • Esegui chiamate allo strumento MCP: mcp.tools.call

Potresti anche ottenere queste autorizzazioni con ruoli personalizzati o altri ruoli predefiniti.

Autenticazione e autorizzazione

Il server MCP remoto di Customer Experience Agent Studio utilizza il protocollo OAuth 2.0 con Identity and Access Management (IAM) per l'autenticazione e l'autorizzazione. Tutte le Google Cloud identità sono supportate per l'autenticazione ai server MCP.

Ti consigliamo di creare un'identità separata per gli agenti che utilizzano gli strumenti MCP in modo che l'accesso alle risorse possa essere controllato e monitorato. Per ulteriori informazioni sull'autenticazione, consulta Autenticarsi ai server MCP.

Ambiti OAuth MCP

OAuth 2.0 utilizza ambiti e credenziali per determinare se un'entità autenticata è autorizzata a eseguire un'azione specifica su una risorsa. Per ulteriori informazioni sugli ambiti OAuth 2.0 in Google, consulta Utilizzare OAuth 2.0 per accedere alle API di Google.

CX Agent Studio ha i seguenti ambiti OAuth dello strumento MCP: https://www.googleapis.com/auth/ces

Configurare un client MCP per utilizzare il server MCP CES

Le applicazioni e gli agenti AI, come Claude o Gemini CLI, possono creare un'istanza di un client MCP che si connette a un singolo server MCP. Un'applicazione AI può avere più client che si connettono a server MCP diversi. Per connettersi a un server MCP remoto, il client MCP deve conoscere l'URL del server MCP remoto.

Nell'applicazione AI, cerca un modo per connetterti a un server MCP remoto. Ti viene chiesto di inserire i dettagli del server, come il nome e l'URL.

Per il server MCP di CX Agent Studio, inserisci quanto segue, se necessario:

  • Nome server: server MCP CES
  • URL server o endpoint: https://ces.googleapis.com/mcp
  • Trasporto: HTTP
  • Dettagli di autenticazione: le tue Google Cloud credenziali, l'ID client OAuth e il segreto o un'identità e le credenziali dell'agente. I dettagli di autenticazione che scegli dipendono dalla modalità di autenticazione. Per ulteriori informazioni, consulta Autenticarsi ai server MCP.

Per indicazioni specifiche per l'host sulla configurazione e la connessione al server MCP, consulta quanto segue:

Per indicazioni più generali, consulta le seguenti risorse:

Strumenti disponibili

Per visualizzare i dettagli degli strumenti MCP disponibili e le relative descrizioni per il server MCP di Customer Experience Agent Studio, consulta il riferimento MCP di Customer Experience Agent Studio.

Elencare gli strumenti

Utilizza l'ispettore MCP per elencare gli strumenti o invia una tools/list richiesta HTTP direttamente al server MCP remoto di Customer Experience Agent Studio. Il metodo tools/list non richiede l'autenticazione.

POST /mcp HTTP/1.1
Host: ces.googleapis.com
Content-Type: application/json

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

Configurazioni di sicurezza e protezione facoltative

MCP introduce nuovi rischi e considerazioni sulla sicurezza a causa della vasta gamma di azioni che puoi eseguire con gli strumenti MCP. Per ridurre al minimo e gestire questi rischi, Google Cloud offre impostazioni predefinite e policy personalizzabili per controllare l'utilizzo degli strumenti MCP nella tua Google Cloud organizzazione o nel tuo progetto.

Per ulteriori informazioni sulla sicurezza e la governance di MCP, consulta Sicurezza e protezione dell'AI.

Utilizzare Model Armor

Model Armor è un Google Cloud servizio progettato per migliorare la sicurezza e la sicurezza delle applicazioni AI. Funziona controllando in modo proattivo i prompt e le risposte degli LLM, proteggendo da vari rischi e supportando le pratiche di AI responsabile. Che tu stia eseguendo il deployment dell'AI nel tuo ambiente cloud o su provider di servizi cloud esterni, Model Armor può aiutarti a prevenire input dannosi, verificare la sicurezza dei contenuti, proteggere i dati sensibili, mantenere la conformità e applicare in modo coerente le policy di sicurezza dell'AI nel tuo panorama AI diversificato.

Quando Model Armor è abilitato con il logging abilitato, Model Armor registra l'intero payload. In questo modo, le informazioni sensibili potrebbero essere esposte nei log.

Routing delle richieste MCP a Model Armor

Model Armor è disponibile in alcune regioni. Quando Model Armor è abilitato e utilizzi un server MCP in una giurisdizione non supportata da Model Armor, il comportamento di routing della chiamata potrebbe essere diverso per i diversi server MCP e potrebbe interrompere la conformità alla residenza dei dati per i dati in uso e in transito. Per ulteriori informazioni sul comportamento dei singoli server MCP, consulta Prodotti supportati da Model Armor.

Abilitare Model Armor

Prima di poter utilizzare Model Armor, devi abilitare le API Model Armor.

Console

  1. Abilita l'API Model Armor.

    Ruoli richiesti per abilitare le API

    Per abilitare le API, devi disporre dell'autorizzazione serviceusage.services.enable. Se hai creato il progetto, probabilmente hai già questa autorizzazione tramite il ruolo Proprietario (roles/owner). In caso contrario, puoi ottenere questa autorizzazione tramite il ruolo Amministratore utilizzo servizi (roles/serviceusage.serviceUsageAdmin). Scopri come concedere i ruoli.

    Abilitare l'API

  2. Seleziona il progetto in cui vuoi attivare Model Armor.

gcloud

Prima di iniziare, segui questi passaggi utilizzando Google Cloud CLI con l'API Model Armor:

  1. Nella Google Cloud console, attiva Cloud Shell.

    Attiva Cloud Shell

    Nella parte inferiore della Google Cloud console, viene avviata una sessione di Cloud Shell e viene visualizzato un prompt della riga di comando. Cloud Shell è un ambiente shell con Google Cloud CLI già inclusa e installata e con valori già impostati per il progetto corrente. L'inizializzazione della sessione può richiedere alcuni secondi.

  2. Esegui il comando seguente per impostare l'endpoint API per il servizio Model Armor.

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

    Sostituisci LOCATION con la regione in cui vuoi utilizzare Model Armor.

Configurare la protezione per i server MCP Google e Google Cloud remoti

Per proteggere le chiamate e le risposte degli strumenti MCP, puoi utilizzare le impostazioni di base di Model Armor. Un'impostazione di base definisce i filtri di sicurezza minimi che si applicano al progetto. Questa configurazione applica un insieme coerente di filtri a tutte le chiamate e le risposte degli strumenti MCP all'interno del progetto.

Configura un'impostazione di base di Model Armor con la sanificazione MCP abilitata. Per ulteriori informazioni, consulta Configurare le impostazioni di base di Model Armor.

Vedi il seguente comando di esempio:

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"}]'

Sostituisci PROJECT_ID con l'ID progetto Google Cloud .

Tieni presente le seguenti impostazioni:

  • INSPECT_AND_BLOCK: il tipo di applicazione che esamina i contenuti del server MCP di Google e blocca i prompt e le risposte che corrispondono ai filtri.
  • ENABLED: l'impostazione che abilita un filtro o un'applicazione.
  • MEDIUM_AND_ABOVE: il livello di attendibilità per le impostazioni del filtro AI responsabile - Pericoloso. Puoi modificare questa impostazione, anche se valori inferiori potrebbero generare più falsi positivi. Per ulteriori informazioni, consulta Livelli di attendibilità di Model Armor.

Disabilitare l'analisi del traffico MCP con Model Armor

Per impedire a Model Armor di analizzare automaticamente il traffico da e verso i server MCP di Google in base alle impostazioni di base del progetto, esegui il comando seguente:

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

Sostituisci PROJECT_ID con l' Google Cloud ID progetto. Model Armor non applica automaticamente le regole definite nelle impostazioni di base di questo progetto al traffico del server MCP di Google.

Le impostazioni di base e la configurazione generale di Model Armor possono influire su più di un solo MCP. Poiché Model Armor si integra con servizi come Vertex AI, qualsiasi modifica apportata alle impostazioni di base può influire sull'analisi del traffico e sui comportamenti di sicurezza in tutti i servizi integrati, non solo in MCP.

Controllare l'utilizzo di MCP con le policy IAM

Le policy di negazione edi autorizzazione di Identity and Access Management (IAM) ti aiutano a proteggere Google Cloud i server MCP di Google.

Puoi combinare più criteri per creare policy di sicurezza e governance personalizzate consentendo o negando l'accesso in base a quanto segue:

  • L'entità.
  • Proprietà dello strumento come l'attributo di sola lettura.
  • Il nome del servizio o dello strumento.
  • L'ID client OAuth dell'applicazione.

Per ulteriori informazioni, consulta Controllare l'utilizzo di MCP con Identity and Access Management.

Passaggi successivi