Menggunakan server MCP jarak jauh Cloud CLI

Pratinjau

Fitur ini tunduk pada "Persyaratan Penawaran Pra-GA" di bagian Persyaratan Layanan Umum dari Persyaratan Khusus Layanan. Fitur pra-GA tersedia "sebagaimana adanya" dan mungkin memiliki dukungan terbatas. Untuk mengetahui informasi selengkapnya, lihat deskripsi tahap peluncuran.

Dokumen ini menunjukkan cara menggunakan server Model Context Protocol (MCP) jarak jauh Cloud CLI untuk terhubung dengan aplikasi AI, termasuk Gemini CLI, ChatGPT, Claude, dan aplikasi kustom yang sedang Anda kembangkan.

Server MCP jarak jauh Cloud CLI menyediakan lingkungan yang aman yang memungkinkan Anda mengirim perintah bahasa alami ke aplikasi AI untuk menjalankan perintah antarmuka command line (CLI) atas nama Anda. Perintah gcloud dan bq didukung.

API untuk fitur ini disebut Eksekusi CLI Cloud.

Catatan: Untuk mengetahui informasi tentang cara menjalankan server MCP Cloud CLI secara lokal, lihat repositori GitHub MCP gcloud.

Server MCP jarak jauh Cloud CLI diaktifkan saat Anda mengaktifkan Cloud CLI Execution API.

Model Context Protocol (MCP) menstandarkan cara model bahasa besar (LLM) dan aplikasi atau agen AI terhubung ke sumber data eksternal. Server MCP memungkinkan Anda menggunakan alat, resource, dan perintahnya untuk melakukan tindakan dan mendapatkan data terbaru dari layanan backend-nya.

Apa perbedaan antara server MCP lokal dan jarak jauh?

Server MCP lokal

Biasanya berjalan di komputer lokal Anda dan menggunakan input dan output stream standar (stdio) untuk komunikasi antar-layanan di perangkat yang sama.

Server MCP jarak jauh

Berjalan di infrastruktur layanan dan menawarkan endpoint HTTP ke aplikasi AI untuk komunikasi antara klien MCP AI dan server MCP. Untuk mengetahui informasi selengkapnya tentang arsitektur MCP, lihat Arsitektur MCP.

Server MCP jarak jauh dan Google Cloud Google

Server MCP jarak jauh Google dan Google Cloud memiliki fitur dan manfaat berikut:

• Penemuan yang disederhanakan dan terpusat
• Endpoint HTTP global atau regional yang dikelola
• Otorisasi terperinci
• Keamanan perintah dan respons opsional dengan perlindungan Model Armor
• Logging audit terpusat

Untuk mengetahui informasi tentang server MCP lainnya dan informasi tentang kontrol keamanan dan tata kelola yang tersedia untuk server MCP Google Cloud, lihat Ringkasan server MCP Google Cloud.

Batasan dan Pedoman

Sebelum Anda mulai menggunakan server MCP jarak jauh Cloud CLI, tinjau batasan dan panduan berikut:

Perintah yang didukung

Server MCP Cloud CLI tidak mendukung perintah gcloud dan bq tertentu (termasuk varian alpha atau beta untuk gcloud) karena standar keamanan dan tidak dapat diterapkan.

Daftar berikut menunjukkan beberapa contoh perintah gcloud yang tidak didukung. Daftar ini tidak lengkap dan dapat ditambahi atau dihapus perintahnya tanpa pemberitahuan:

• gcloud auth
• gcloud config
• gcloud iam service-accounts
• gcloud init
• gcloud survey

Berikut adalah daftar lengkap perintah bq yang tidak didukung:

• bq init
• bq pyshell
• bq shell

Penegakan kebijakan organisasi

Perintah yang dijalankan melalui server MCP jarak jauh dijalankan dengan izin identitas pemanggil yang diautentikasi. Izin IAM standar dan batasan Layanan Kebijakan Organisasi diterapkan secara ketat terhadap resource target hilir.

Panduan untuk developer agen

• Izin IAM dan prinsipal: Prinsipal yang berinteraksi dengan Cloud CLI Execution API adalah prinsipal yang sama yang berinteraksi dengan API Google Cloud selama eksekusi perintah gcloud atau bq. Karena server MCP Cloud CLI dapat memanggil banyak Google Cloud API, sebaiknya Anda mengikuti prinsip hak istimewa terendah dan menetapkan izin minimum yang diperlukan untuk kasus penggunaan Anda kepada pengguna, identitas agen, atau akun layanan yang memanggil server MCP Cloud CLI.

• Memilih project: project adalah parameter wajib untuk permintaan server MCP Cloud CLI, dan merepresentasikan project yang digunakan untuk berinteraksi dengan Cloud CLI Execution API. Perhatikan bahwa parameter project tidak terkait dengan flag --project atau --billing-project yang ditetapkan dalam perintah gcloud sebenarnya, atau flag --project_id dan --quota_project_id untuk perintah bq yang dijalankan Cloud CLI Execution API.

  Sebaiknya perbarui perintah atau kemampuan sistem untuk agen Anda agar agen tersebut memilih project yang benar untuk menjalankan permintaan server MCP Cloud CLI.

Sebelum memulai

Login ke akun Google Cloud Anda. Jika Anda baru menggunakan Google Cloud, buat akun untuk mengevaluasi performa produk kami dalam skenario dunia nyata. Pelanggan baru juga mendapatkan kredit gratis senilai $300 untuk menjalankan, menguji, dan men-deploy workload.

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.

Verify that billing is enabled for your Google Cloud project.

Enable the Cloud CLI Execution 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

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.

Verify that billing is enabled for your Google Cloud project.

Enable the Cloud CLI Execution 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

Peran yang diperlukan

Untuk mendapatkan izin yang diperlukan untuk menggunakan server MCP Cloud CLI, minta administrator Anda untuk memberi Anda peran IAM berikut pada project tempat Anda ingin menggunakan server MCP Cloud CLI:

• Lakukan panggilan alat MCP: Pengguna Alat MCP (roles/mcp.toolUser)

Untuk mengetahui informasi selengkapnya tentang pemberian peran, lihat Mengelola akses ke project, folder, dan organisasi.

Peran bawaan ini berisi izin yang diperlukan untuk menggunakan server MCP Cloud CLI. Untuk melihat izin yang benar-benar diperlukan, perluas bagian Izin yang diperlukan:

Izin yang diperlukan

Izin berikut diperlukan untuk menggunakan server MCP Cloud CLI:

• Lakukan panggilan alat MCP: mcp.tools.call

Anda mungkin juga bisa mendapatkan izin ini dengan peran khusus atau peran bawaan lainnya.

Autentikasi dan otorisasi

Server MCP jarak jauh Cloud CLI menggunakan protokol OAuth 2.0 dengan Identity and Access Management (IAM) untuk autentikasi dan otorisasi. Semua Google Cloud identitas didukung untuk autentikasi ke server MCP.

Server MCP jarak jauh Cloud CLI tidak menerima kunci API.

Sebaiknya Anda membuat identitas terpisah untuk agen yang menggunakan alat MCP agar akses ke resource dapat dikontrol dan dipantau. Untuk mengetahui informasi selengkapnya tentang autentikasi, lihat Mengautentikasi ke server MCP.

Cakupan OAuth Cloud CLI

OAuth 2.0 menggunakan cakupan dan kredensial untuk menentukan apakah akun utama terautentikasi diizinkan untuk melakukan tindakan tertentu pada resource. Untuk mengetahui informasi selengkapnya tentang cakupan OAuth 2.0 di Google, lihat Menggunakan OAuth 2.0 untuk mengakses Google API.

Server MCP jarak jauh Cloud CLI memiliki cakupan OAuth berikut:

URI cakupan	Deskripsi
https://www.googleapis.com/auth/cloud-platform	Melihat dan mengelola data Anda di seluruh layanan Google Cloud .

Mengonfigurasi klien MCP untuk menggunakan server MCP jarak jauh Cloud CLI

Aplikasi dan agen AI, seperti Claude atau Antigravity, dapat membuat instance klien MCP yang terhubung ke satu server MCP. Aplikasi AI dapat memiliki beberapa klien yang terhubung ke server MCP yang berbeda. Jika aplikasi Anda tidak tercantum dalam panduan khusus klien, Anda dapat menggunakan informasi berikut untuk terhubung dari sebagian besar aplikasi.

Di aplikasi AI Anda, cari cara untuk menambahkan atau menghubungkan ke server MCP jarak jauh. Untuk server MCP jarak jauh Cloud CLI, masukkan informasi berikut sesuai kebutuhan:

• Nama server: Server MCP jarak jauh Cloud CLI
• URL Server atau Endpoint: https://cloudcli.googleapis.com/mcp
• Transportasi: HTTP
• Detail autentikasi: kredensial Google Cloud Anda, Client ID dan secret OAuth Anda, atau identitas dan kredensial agen

URI pengalihan

Untuk aplikasi berbasis web, dan beberapa aplikasi desktop, Anda harus memasukkan URI pengalihan ke daftar yang diizinkan saat membuat ID dan rahasia klien untuk autentikasi. URI pengalihan digunakan oleh server otorisasi untuk mengirim token ke aplikasi Anda. Dokumentasi aplikasi Anda harus menentukan URI pengalihan yang harus Anda gunakan. URI pengalihan kustom tidak didukung.

Untuk panduan khusus aplikasi tentang cara menyiapkan dan terhubung ke server MCP, lihat Panduan khusus klien.

Untuk panduan umum lainnya, lihat referensi berikut:

• Terhubung ke server MCP jarak jauh.
• Mengonfigurasi MCP di aplikasi AI.

Alat yang tersedia

Server MCP jarak jauh Cloud CLI mengekspos alat berikut:

• run_gcloud_command
• run_bq_command

Untuk melihat detail alat MCP yang tersedia dan deskripsinya untuk server MCP Cloud CLI, lihat referensi MCP Google Cloud SDK.

Perbedaan antara run_bq_command dan server MCP BigQuery

run_bq_command mengekspos permukaan BigQuery CLI (bq) dalam server MCP jarak jauh Cloud CLI. Alat ini dapat menjalankan perintah SQL BigQuery dan memungkinkan tugas administratif dan operasional dilakukan melalui perintah bahasa alami. BigQuery juga menyediakan server MCP terpisah untuk analisis data standar. Setiap platform alat dirancang untuk kasus penggunaan yang berbeda:

• run_bq_command: Gunakan run_bq_command saat membangun agen AI untuk alur kerja administratif dan operasional tingkat lanjut, seperti mengelola reservasi slot, menjadwalkan kueri, mengelola snapshot tabel, atau memecahkan masalah dan membatalkan tugas.
• Server MCP BigQuery: Gunakan server MCP BigQuery saat membangun agen AI yang menggunakan alat eksekusi SQL standar untuk mendorong analisis data, penemuan metadata, dan modifikasi data.

Tabel berikut menunjukkan perbedaan tambahan antara kedua permukaan alat:

Fitur	Server MCP BigQuery	run_bq_command
Ketersediaan	Tersedia Secara Umum	Pratinjau
Penggunaan	Analisis data dan modifikasi data	Administrasi tugas dan resource lanjutan
Target pengguna	Analis bisnis, data scientist, developer SQL	Administrator BigQuery, DBA, engineer platform Data, dan DevOps
Operasi utama	Eksekusi SQL standar (SELECT, INSERT, UPDATE, DELETE), eksplorasi skema, pemeriksaan metadata	Penjadwalan kueri (menggunakan DTS), pembatalan tugas yang tidak terkendali, pengelolaan slot dan reservasi, kebijakan IAM dataset, operasi snapshot/clone tabel

Alat daftar

Gunakan pemeriksa MCP untuk mencantumkan alat, atau kirim permintaan HTTP tools/list langsung ke server MCP jarak jauh Cloud CLI. Metode tools/list tidak memerlukan autentikasi.

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

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

Contoh kasus penggunaan untuk run_gcloud_command

Berikut adalah contoh kasus penggunaan untuk run_gcloud_command di server MCP jarak jauh Cloud CLI:

Penyediaan Resource

Saat pengguna mengirimkan perintah bahasa alami ke agen, agen akan membuat perintah menggunakan alat MCP yang sesuai (run_gcloud_command untuk perintah gcloud atau run_bq_command untuk perintah bq). Cloud CLI kemudian menjalankan perintah.

Contoh Perintah:

"Buat jaringan VPC baru bernama my-network di project projects/my-project. Kemudian, buat aturan firewall yang mengizinkan traffic TCP internal di port 8080."

Alur kerja:

1. Agen memanggil alat run_gcloud_command dengan perintah "gcloud compute networks create my-network --project=projects/my-project --subnet-mode=auto", "project": "projects/my-project".

2. Agen memanggil alat run_gcloud_command dengan perintah "gcloud compute firewall-rules create allow-internal-8080 --project=projects/my-project --network=my-network --allow=tcp:8080 --source-ranges=10.0.0.0/8.

Kemampuan Observasi & Diagnostik

Agen dapat memeriksa status lingkungan dan membuat kueri log error terbaru untuk membantu memecahkan masalah.

Contoh Perintah: "Temukan 5 log error terbaru untuk instance Compute Engine my-web-server di project projects/my-project."

Alur kerja:

Agen memanggil alat run_gcloud_command dengan perintah "gcloud logging read \"resource.type=gce_instance AND severity>=ERROR\" --limit=5 --order=DESC", project: "my-project".

Contoh kasus penggunaan untuk run_bq_command

Berikut adalah contoh kasus penggunaan untuk run_bq_command di server MCP jarak jauh Cloud CLI:

Mengelola set data di BigQuery

Anda juga dapat menggunakan server MCP untuk menjalankan kueri dan mengelola set data di BigQuery.

Contoh Perintah: "Buat daftar semua set data dalam project projects/my-project, lalu buat set data baru bernama my_new_dataset di lokasi AS."

Alur kerja:

1. Agen memanggil alat run_bq_command dengan perintah "bq ls --datasets=true --project_id=my-project", "project": "projects/my-project".

2. Agen memanggil alat run_bq_command dengan perintah "bq mk --dataset --location=us --project_id=my-project my_new_dataset", "project": "projects/my-project".

Memecahkan masalah dan membatalkan tugas yang berjalan lama

Agen memeriksa tugas BigQuery yang sedang berjalan untuk mengidentifikasi hambatan resource, mendiagnosis kueri yang gagal, membatalkan tugas yang berjalan lama, dan mengekstrak detail eksekusi untuk rekomendasi performa.

Contoh Perintah:

"Periksa apakah ada kueri yang berjalan lama atau menggunakan banyak resource yang saat ini dieksekusi di project my-data-project. Jika bqujob_12345 telah berjalan selama lebih dari 30 menit, batalkan dan tunjukkan detailnya."

Alur kerja:

1. Agen memanggil run_bq_command dengan perintah "bq ls -j --all --project_id=my-data-project", "project": "projects/my-data-project".

2. Agen memeriksa daftar tugas dan memanggil run_bq_command dengan perintah: "bq show -j bqujob_12345 --project_id=my-data-project", "project": "projects/my-data-project".

3. Agen memanggil run_bq_command dengan perintah: "bq cancel bqujob_12345 --project_id=my-data-project", "project": "projects/my-data-project".

Menjadwalkan kueri

Agen mengonfigurasi eksekusi kueri terjadwal melalui integrasi BigQuery Data Transfer Service di BigQuery CLI untuk mengotomatiskan pembaruan data.

Contoh perintah:

"Jadwalkan kueri harian pada pukul 06.00 UTC untuk memperbarui tabel daily_sales_summary di dataset sales_ds untuk project my-data-project."

Alur kerja:

1. Agen memanggil run_bq_command dengan perintah: "bq query --project_id=my-data-project --use_legacy_sql=false --destination_table=sales_ds.daily_sales_summary --display_name='Daily Sales Refresh' --schedule='every 24 hours' 'SELECT date, SUM(amount) as total FROM sales_ds.transactions GROUP BY date'", "project": "projects/my-data-project".

Analisis kapasitas dan penyesuaian reservasi

Agen menganalisis reservasi slot yang ada di seluruh project yang paling banyak menggunakan resource dan memperbarui penetapan slot untuk mengelola kapasitas komputasi.

Contoh perintah:

"Buat daftar semua reservasi BigQuery di region us-central1 untuk project my-admin-project dan perbarui alokasi slot untuk reservasi prod-analytics menjadi 500 slot."

Alur kerja:

1. Agen memanggil run_bq_command dengan perintah: "bq ls --reservation --project_id=my-admin-project --location=us-central1", "project": "projects/my-admin-project".

2. Agen memanggil run_bq_command dengan perintah: "bq update --project_id=my-admin-project --reservation --slots=500 prod-analytics --location=us-central1", "project": "projects/my-admin-project".

Mengelola snapshot dan clone tabel

Agen membuat snapshot point-in-time dari tabel produksi penting, atau menyediakan clone tabel untuk pengembangan dan pengujian.

Contoh perintah:

"Buat snapshot tabel production_db.orders bernama production_db.orders_snapshot_20260720 di project my-data-project."

Alur kerja:

Agen memanggil run_bq_command dengan perintah: "bq cp --project_id=my-data-project --snapshot production_db.orders production_db.orders_snapshot_20260720", "project": "projects/my-data-project".

Kontrol izin IAM dan akses set data

Agen memeriksa kontrol akses set data dan memperbarui izin set data untuk memberikan atau mencabut akses untuk prinsipal tertentu.

Contoh perintah:

"Tampilkan konfigurasi akses saat ini untuk set data finance_ds di project my-data-project."

Alur kerja:

1. Agen memanggil run_bq_command dengan perintah: "bq show --format=prettyjson my-data-project:finance_ds", "project": "projects/my-data-project".

2. Agen memperbarui definisi JSON akses dan memanggil run_bq_command dengan perintah: "bq update --source=access_update.json my-data-project:finance_ds", "project": "projects/my-data-project".

Konfigurasi keamanan dan keselamatan opsional

MCP memperkenalkan risiko dan pertimbangan keamanan baru karena berbagai tindakan yang dapat Anda lakukan dengan alat MCP. Untuk meminimalkan dan mengelola risiko ini,Google Cloud menawarkan setelan default dan kebijakan yang dapat disesuaikan untuk mengontrol penggunaan alat MCP di organisasi atau project Google CloudAnda.

Untuk mengetahui informasi selengkapnya tentang keamanan dan tata kelola MCP, lihat Keamanan dan keselamatan AI.

Menggunakan Model Armor

Model Armor adalah layanan Google Cloud yang dirancang untuk meningkatkan keamanan dan keselamatan aplikasi AI Anda. Layanan ini bekerja dengan menyaring perintah dan respons LLM secara proaktif, melindungi dari berbagai risiko, dan mendukung praktik AI yang bertanggung jawab. Baik Anda men-deploy AI di lingkungan cloud Anda, atau di penyedia cloud eksternal, Model Armor dapat membantu Anda mencegah input berbahaya, memverifikasi keamanan konten, melindungi data sensitif, menjaga kepatuhan, dan menerapkan kebijakan keamanan dan keselamatan AI Anda secara konsisten di seluruh lanskap AI Anda yang beragam.

Jika Model Armor diaktifkan dengan logging diaktifkan, Model Armor akan mencatat seluruh payload. Hal ini dapat mengekspos informasi sensitif dalam log Anda.

Perutean permintaan MCP ke Model Armor

Model Armor tersedia di wilayah tertentu. Jika Model Armor diaktifkan dan Anda menggunakan server MCP di wilayah hukum yang tidak didukung Model Armor, perilaku perutean panggilan mungkin berbeda untuk server MCP yang berbeda dan dapat melanggar kepatuhan residensi data untuk data yang sedang digunakan dan dalam transit. Untuk mengetahui informasi selengkapnya tentang perilaku setiap server MCP, lihat Produk yang didukung Model Armor.

Mengaktifkan Model Armor

Anda harus mengaktifkan API Model Armor sebelum dapat menggunakan Model Armor.

Konsol

1. Mengaktifkan API Model Armor.

   Peran yang diperlukan untuk mengaktifkan API

   Untuk mengaktifkan API, Anda memerlukan izin serviceusage.services.enable. Jika Anda membuat project, kemungkinan Anda sudah memiliki izin ini melalui peran Pemilik (roles/owner). Jika tidak, Anda bisa mendapatkan izin ini melalui peran Admin Penggunaan Layanan (roles/serviceusage.serviceUsageAdmin). Pelajari cara memberikan peran.

   Mengaktifkan API

2. Pilih project tempat Anda ingin mengaktifkan Model Armor.

gcloud

Sebelum memulai, ikuti langkah-langkah berikut menggunakan Google Cloud CLI dengan Model Armor API:

1. Di konsol Google Cloud , aktifkan Cloud Shell.

   Aktifkan Cloud Shell

   Di bagian bawah konsol Google Cloud , sesi Cloud Shell akan dimulai dan menampilkan perintah command line. Cloud Shell adalah lingkungan shell dengan Google Cloud CLI yang sudah terinstal, dan dengan nilai yang sudah ditetapkan untuk project Anda saat ini. Diperlukan waktu beberapa detik untuk melakukan inisialisasi pada sesi.

2. Jalankan perintah berikut untuk menetapkan endpoint API untuk layanan Model Armor.

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

   Ganti LOCATION dengan region tempat Anda ingin menggunakan Model Armor.

Mengonfigurasi perlindungan untuk server MCP jarak jauh dan Google Cloud Google

Untuk membantu melindungi panggilan dan respons alat MCP, Anda dapat menggunakan setelan tingkat Model Armor. Setelan minimum menentukan filter keamanan minimum yang berlaku di seluruh project. Konfigurasi ini menerapkan serangkaian filter yang konsisten ke semua panggilan dan respons alat MCP dalam project.

Tips: Jangan aktifkan filter penyisipan perintah dan pelarian dari sistem kecuali jika traffic MCP Anda membawa data bahasa alami.

Menyiapkan setelan tingkat Model Armor dengan pengamanan MCP diaktifkan. Untuk mengetahui informasi selengkapnya, lihat Mengonfigurasi setelan batas bawah Model Armor.

Catatan: Jika agen dan server MCP berada dalam project yang berbeda, Anda dapat membuat setelan tingkat di kedua project (project klien dan project resource). Dalam hal ini, Model Armor dipanggil dua kali, sekali untuk setiap project.

Lihat contoh perintah berikut:

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"}]'

Ganti PROJECT_ID dengan project ID Google Cloud Anda.

Perhatikan setelan berikut:

• INSPECT_AND_BLOCK: Jenis penegakan yang memeriksa konten untuk server MCP Google dan memblokir perintah dan respons yang cocok dengan filter.
• ENABLED: Setelan yang mengaktifkan filter atau penerapan.
• MEDIUM_AND_ABOVE: Tingkat keyakinan untuk setelan filter AI yang bertanggung jawab - Berbahaya. Anda dapat mengubah setelan ini, meskipun nilai yang lebih rendah dapat menghasilkan lebih banyak positif palsu. Untuk mengetahui informasi selengkapnya, lihat Tingkat keyakinan Model Armor.

Menonaktifkan pemindaian traffic MCP dengan Model Armor

Untuk menghentikan Model Armor memindai traffic secara otomatis ke dan dari server MCP Google berdasarkan setelan tingkat project, jalankan perintah berikut:

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

Ganti PROJECT_ID dengan ID project Google Cloud . Model Armor tidak otomatis menerapkan aturan yang ditentukan dalam setelan tingkat project ini ke traffic server MCP Google.

Setelan tingkat Model Armor dan konfigurasi umum dapat memengaruhi lebih dari sekadar MCP. Karena Model Armor terintegrasi dengan layanan seperti Vertex AI, setiap perubahan yang Anda lakukan pada setelan tingkat dapat memengaruhi pemindaian traffic dan perilaku keamanan di semua layanan terintegrasi, bukan hanya MCP.

Langkah berikutnya

• Baca dokumentasi referensi MCP Google Cloud SDK.
• Pelajari lebih lanjut server MCP Google Cloud.