Cloud CLI-Remote-MCP-Server verwenden

In diesem Dokument erfahren Sie, wie Sie den Remote-MCP-Server (Model Context Protocol) der Cloud CLI verwenden, um eine Verbindung zu KI-Anwendungen wie Gemini CLI, ChatGPT, Claude und benutzerdefinierten Anwendungen herzustellen, die Sie entwickeln.

Der Remote-MCP-Server der Cloud CLI bietet eine sichere Umgebung, in der Sie Prompts in natürlicher Sprache an Ihre KI-Anwendung senden können, um Befehlszeilenbefehle (CLI) in Ihrem Namen auszuführen. Die Befehle gcloud und bq werden unterstützt.

Die API für diese Funktion heißt „Cloud CLI Execution“.

Der Remote-MCP-Server der Cloud CLI wird aktiviert, wenn Sie die Cloud CLI Execution API aktivieren.

Das Model Context Protocol (MCP) standardisiert die Verbindung von Large Language Models (LLMs) und KI-Anwendungen oder ‑Agenten mit externen Datenquellen. Mit MCP-Servern können Sie die Tools, Ressourcen und Prompts verwenden, um Aktionen auszuführen und aktualisierte Daten vom Backend-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 Standard-Ein- und Ausgabestreams (stdio) für die Kommunikation zwischen Diensten auf demselben Gerät.
Remote-MCP-Server
Auf der Infrastruktur des Dienstes ausgeführt und bietet 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 bieten folgende Funktionen und Vorteile:

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

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

Einschränkungen und Richtlinien

Bevor Sie mit dem Cloud CLI-Remote-MCP-Server arbeiten, sollten Sie sich die folgenden Einschränkungen und Richtlinien ansehen:

Unterstützte Befehle

Der Cloud CLI-MCP-Server unterstützt bestimmte gcloud- und bq-Befehle (einschließlich alpha- oder beta-Varianten für gcloud) aufgrund von Sicherheitsstandards und Unanwendbarkeit nicht.

Die folgende Liste enthält einige Beispiele für gcloud-Befehle, die nicht unterstützt werden. Diese Liste ist nicht vollständig und kann ohne Vorankündigung durch Hinzufügen oder Entfernen von Befehlen geändert werden:

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

Die folgende Liste enthält alle bq-Befehle, die nicht unterstützt werden:

  • bq init
  • bq pyshell
  • bq shell

Erzwingung von Organisationsrichtlinien

Befehle, die über den Remote-MCP-Server ausgeführt werden, werden mit den Berechtigungen der authentifizierten Aufruferidentität ausgeführt. Standard-IAM-Berechtigungen und Einschränkungen des Organisationsrichtliniendienstes werden für nachgelagerte Zielressourcen streng durchgesetzt.

Richtlinien für Entwickler von Agenten

  • Hauptkonto und IAM-Berechtigungen: Das Hauptkonto, das mit der Cloud CLI Execution API interagiert, ist dasselbe Hauptkonto, das während der Ausführung von gcloud- oder bq-Befehlen mit Google Cloud -APIs interagiert. Da der Cloud CLI-MCP-Server viele Google CloudAPIs aufrufen kann, empfehlen wir, das Sicherheitsprinzip der geringsten Berechtigung zu befolgen und dem Nutzer, der Agent-Identität oder dem Dienstkonto, das den Cloud CLI-MCP-Server aufruft, die für Ihren Anwendungsfall erforderlichen Mindestberechtigungen zuzuweisen.

  • Projekte auswählen: project ist ein erforderlicher Parameter für Cloud CLI-MCP-Serveranfragen und stellt das Projekt dar, das für die Interaktion mit der Cloud CLI Execution API verwendet wird. Der Parameter project hat nichts mit den Flags --project oder --billing-project zu tun, die im tatsächlichen gcloud-Befehl festgelegt sind, oder mit den Flags --project_id und --quota_project_id für bq-Befehle, die von der Cloud CLI Execution API ausgeführt werden.

    Wir empfehlen, Systemprompts oder Skills für Ihren Agenten zu aktualisieren, damit das richtige Projekt für die Ausführung von Cloud CLI MCP-Serveranfragen ausgewählt wird.

Hinweis

  1. Melden Sie sich in Ihrem Google Cloud -Konto an. Wenn Sie mit Google Cloudnoch nicht vertraut sind, erstellen Sie 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. Verify that billing is enabled for your Google Cloud project.

  5. 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

  6. 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

  7. 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.

  8. Verify that billing is enabled for your Google Cloud project.

  9. 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

    10.

Erforderliche Rollen

Bitten Sie Ihren Administrator, Ihnen die folgenden IAM-Rollen für das Projekt zuzuweisen, in dem Sie den Cloud CLI-MCP-Server verwenden möchten, um die Berechtigungen zu erhalten, die Sie dazu benötigen:

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

Diese vordefinierten Rollen enthalten die Berechtigungen, die für die Verwendung des Cloud CLI MCP-Servers erforderlich sind. Maximieren Sie den Abschnitt Erforderliche Berechtigungen, um die notwendigen Berechtigungen anzuzeigen:

Erforderliche Berechtigungen

Die folgenden Berechtigungen sind erforderlich, um den Cloud CLI-MCP-Server zu verwenden:

  • MCP-Toolaufrufe ausführen: mcp.tools.call

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

Authentifizierung und Autorisierung

Der Remote-MCP-Server der Cloud-Befehlszeile verwendet 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 Remote-MCP-Server der Cloud CLI akzeptiert keine API-Schlüssel.

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

OAuth-Bereiche für die Cloud CLI

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

Der Remote-MCP-Server der Cloud CLI hat die folgenden OAuth-Bereiche:

Bereichs-URI Beschreibung
https://www.googleapis.com/auth/cloud-platform Daten für alle Google Cloud -Dienste abrufen und verwalten

Einen MCP-Client für die Verwendung des Remote-MCP-Servers der Cloud CLI 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 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 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 Remote-MCP-Server der Cloud CLI die folgenden Informationen ein:

  • Servername: Cloud CLI-Remote-MCP-Server
  • Server-URL oder Endpunkt: https://cloudcli.googleapis.com/mcp
  • Transport: HTTP
  • Authentifizierungsdetails: Ihre Google Cloud Anmeldedaten, Ihre OAuth-Client-ID und Ihr Secret oder eine Agent-Identität und Anmeldedaten

Weiterleitungs-URIs

Bei webbasierten Anwendungen und einigen Desktopanwendungen müssen Sie beim Erstellen einer Client-ID und eines Clientschlüssels für die Authentifizierung einen Redirect-URI auf die Zulassungsliste setzen. 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 Herstellen einer Verbindung zum MCP-Server finden Sie unter Clientspezifische Anleitungen.

Allgemeine Informationen finden Sie in den folgenden Ressourcen:

Verfügbare Tools

Der Remote-MCP-Server der Cloud CLI stellt die folgenden Tools bereit:

  • run_gcloud_command
  • run_bq_command

Details zu verfügbaren MCP-Tools und deren Beschreibungen für den Cloud CLI-MCP-Server finden Sie in der Google Cloud SDK-MCP-Referenz.

Unterschiede zwischen run_bq_command und dem BigQuery-MCP-Server

run_bq_command macht die BigQuery-Befehlszeile (bq) im Remote-MCP-Server der Cloud CLI verfügbar. Mit dem Tool können BigQuery SQL-Befehle ausgeführt werden. Außerdem können administrative und operative Aufgaben über Prompts in natürlicher Sprache ausgeführt werden. BigQuery bietet auch einen separaten MCP-Server für die Standarddatenanalyse. Jede Tool-Oberfläche ist für bestimmte Anwendungsfälle konzipiert:

  • run_bq_command: Verwenden Sie run_bq_command, wenn Sie KI-Agenten für erweiterte administrative und operative Workflows erstellen, z. B. zum Verwalten von Slotreservierungen, zum Planen von Abfragen, zum Verwalten von Tabellen-Snapshots oder zum Beheben von Fehlern und zum Abbrechen von Jobs.
  • BigQuery MCP-Server: Verwenden Sie den BigQuery MCP-Server, wenn Sie KI-Agents erstellen, die Standard-SQL-Ausführungstools für die Datenanalyse, die Metadatenermittlung und die Datenänderung verwenden.

In der folgenden Tabelle sind weitere Unterschiede zwischen den beiden Tools aufgeführt:

Funktion BigQuery MCP-Server run_bq_command
Verfügbarkeit Allgemein verfügbar Vorschau
Nutzung Datenanalyse und ‑änderung Erweiterte Job- und Ressourcenverwaltung
Zielnutzer Business-Analysten, Data Scientists, SQL-Entwickler BigQuery-Administratoren, Datenbankadministratoren, Data Platform- und DevOps-Engineers
Primäre Vorgänge Standard-SQL-Ausführung (SELECT, INSERT, UPDATE, DELETE), Schemaerkundung, Metadatenprüfung Jobplanung (mit DTS), Abbrechen von Jobs, die nicht beendet werden, Slot- und Reservierungsverwaltung, IAM-Richtlinien für Datasets, Tabellensnapshot-/Klonvorgänge

Tools für Listen

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

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

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

Beispiele für Anwendungsfälle für run_gcloud_command

Im Folgenden finden Sie einige Anwendungsbeispiele für run_gcloud_command auf dem Remote-MCP-Server der Cloud CLI:

Ressourcenbereitstellung

Wenn ein Nutzer dem KI-Agenten einen Prompt in natürlicher Sprache sendet, generiert der KI-Agent einen Befehl mit dem entsprechenden MCP-Tool (run_gcloud_command für gcloud-Befehle oder run_bq_command für bq-Befehle). Die Cloud CLI führt dann den Befehl aus.

Beispiel-Prompt:

„Erstelle ein neues VPC-Netzwerk mit dem Namen my-network im Projekt projects/my-project. Erstellen Sie dann eine Firewallregel, die internen TCP-Traffic an Port 8080 zulässt.“

Workflow:

  1. Der KI-Agent ruft das Tool run_gcloud_command mit dem Befehl "gcloud compute networks create my-network --project=projects/my-project --subnet-mode=auto", "project": "projects/my-project" auf.

  2. Der KI-Agent ruft das Tool run_gcloud_command mit dem Befehl "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 auf.

Beobachtbarkeit und Diagnose

Ein KI-Agent kann den Umgebungsstatus prüfen und aktuelle Fehlerprotokolle abfragen, um bei der Fehlerbehebung zu helfen.

Beispiel-Prompt: „Finde die letzten fünf Fehlerlogs für die Compute Engine-Instanz my-web-server im Projekt projects/my-project.“

Workflow:

Der KI-Agent ruft das Tool run_gcloud_command mit dem Befehl "gcloud logging read \"resource.type=gce_instance AND severity>=ERROR\" --limit=5 --order=DESC", project: "my-project" auf.

Beispiele für Anwendungsfälle für run_bq_command

Im Folgenden finden Sie einige Anwendungsbeispiele für run_bq_command auf dem Remote-MCP-Server der Cloud CLI:

Datasets in BigQuery verwalten

Sie können den MCP-Server auch verwenden, um Abfragen auszuführen und Datasets in BigQuery zu verwalten.

Beispiel-Prompt: „Liste alle Datasets im Projekt projects/my-project auf und erstelle dann ein neues Dataset mit dem Namen my_new_dataset in den USA.“

Workflow:

  1. Der KI-Agent ruft das Tool run_bq_command mit dem Befehl "bq ls --datasets=true --project_id=my-project", "project": "projects/my-project" auf.

  2. Der KI-Agent ruft das Tool run_bq_command mit dem Befehl "bq mk --dataset --location=us --project_id=my-project my_new_dataset", "project": "projects/my-project" auf.

Fehlerbehebung bei Jobs mit langer Ausführungszeit und Abbrechen solcher Jobs

Ein Agent untersucht laufende BigQuery-Jobs, um Ressourcenengpässe zu erkennen, fehlgeschlagene Abfragen zu diagnostizieren, lang andauernde Jobs abzubrechen und Ausführungsdetails für Leistungsempfehlungen zu extrahieren.

Beispiel-Prompt:

„Prüfe, ob in Projekt my-data-project derzeit zeitaufwendige oder ressourcenintensive Abfragen ausgeführt werden. Wenn bqujob_12345 seit mehr als 30 Minuten läuft, brich den Vorgang ab und zeige die Details an.“

Workflow:

  1. Der Agent ruft run_bq_command mit dem Befehl "bq ls -j --all --project_id=my-data-project", "project": "projects/my-data-project" auf.

  2. Der Agent prüft die Jobliste und ruft „run_bq_command“ mit dem Befehl: "bq show -j bqujob_12345 --project_id=my-data-project", "project": "projects/my-data-project" auf.

  3. Der Agent ruft „run_bq_command“ mit dem Befehl: "bq cancel bqujob_12345 --project_id=my-data-project", "project": "projects/my-data-project" auf.

Abfragen planen

Ein Agent konfiguriert geplante Abfrageausführungen über die BigQuery Data Transfer Service-Integration in der BigQuery-Befehlszeile, um Datenaktualisierungen zu automatisieren.

Beispiel-Prompt:

„Plane eine tägliche Abfrage um 06:00 Uhr UTC, um die Tabelle daily_sales_summary in dataset sales_ds für das Projekt my-data-project zu aktualisieren.“

Workflow:

  1. Der Agent ruft run_bq_command mit dem Befehl "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" auf.

Kapazitätsanalyse und Anpassung von Reservierungen

Ein Agent analysiert vorhandene Slotreservierungen in Projekten mit hohem Verbrauch und aktualisiert die Slotzuweisungen, um die Rechenkapazität zu verwalten.

Beispiel-Prompt:

„List all BigQuery reservations in region for project and update the slot allocation for the reservation to 500 slots.“ (Liste alle BigQuery-Reservierungen in der Region us-central1 für das Projekt my-admin-project auf und aktualisiere die Slotzuweisung für die Reservierung prod-analytics auf 500 Slots.)

Workflow:

  1. Der Agent ruft „run_bq_command“ mit dem Befehl: "bq ls --reservation --project_id=my-admin-project --location=us-central1", "project": "projects/my-admin-project" auf.

  2. Der Agent ruft „run_bq_command“ mit dem Befehl: "bq update --project_id=my-admin-project --reservation --slots=500 prod-analytics --location=us-central1", "project": "projects/my-admin-project" auf.

Tabellen-Snapshots und ‑Klone verwalten

Ein Agent erstellt Momentaufnahmen von kritischen Produktionstabellen oder stellt Tabellenklone für Entwicklung und Tests bereit.

Beispiel-Prompt:

„Erstelle einen Tabellen-Snapshot von production_db.orders mit dem Namen production_db.orders_snapshot_20260720 im Projekt my-data-project.“

Workflow:

Der Agent ruft run_bq_command mit dem Befehl "bq cp --project_id=my-data-project --snapshot production_db.orders production_db.orders_snapshot_20260720", "project": "projects/my-data-project" auf.

Dataset-Zugriff und Steuerung von IAM-Berechtigungen

Ein Agent prüft die Dataset-Zugriffssteuerungen und aktualisiert die Dataset-Berechtigungen, um den Zugriff für bestimmte Hauptkonten zu gewähren oder zu widerrufen.

Beispiel-Prompt:

„Zeige die aktuelle Zugriffskonfiguration für das Dataset finance_ds im Projekt my-data-project. an.“

Workflow:

  1. Der Agent ruft run_bq_command mit dem Befehl "bq show --format=prettyjson my-data-project:finance_ds", "project": "projects/my-data-project" auf.

  2. Der Agent aktualisiert die JSON-Definition für den Zugriff und ruft run_bq_command mit dem Befehl "bq update --source=access_update.json my-data-project:finance_ds", "project": "projects/my-data-project" auf.

Optionale Sicherheitskonfigurationen

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

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

Model Armor verwenden

Model Armor ist einGoogle Cloud Dienst, der die Sicherheit Ihrer KI-Anwendungen verbessern soll. Dazu werden LLM-Prompts und ‑Antworten proaktiv geprüft, um vor verschiedenen Risiken zu schützen und eine verantwortungsbewusste Anwendung von KI zu unterstützen. Ganz gleich, ob Sie KI in Ihrer Cloud-Umgebung oder bei externen Cloud-Anbietern bereitstellen – Model Armor kann 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 aktiviertem Logging aktiviert ist, protokolliert Model Armor die gesamte Nutzlast. Dadurch können vertrauliche Informationen in Ihren Logs offengelegt werden.

MCP-Anfragenrouting an 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 der Datenstandortvorgaben für Daten in Verwendung und in Transit 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, für das 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 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

Mit den Mindesteinstellungen für Model Armor können Sie Ihre MCP-Toolaufrufe und ‑Antworten schützen. 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 mit aktivierter MCP-Bereinigung ein. Weitere Informationen finden Sie unter Model Armor-Untergrenzeneinstellungen 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 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, die einen Filter oder die Durchsetzung ermöglicht.
  • 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 Vertrauenswürdigkeitsstufen für 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 auf Grundlage 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 gesamten Google MCP-Server-Traffic an.

Die Mindesteinstellungen für Model Armor und die allgemeine Konfiguration können sich auf mehr als nur MCP auswirken. Da Model Armor in Dienste wie Vertex AI eingebunden ist, können sich Änderungen an den Mindesteinstellungen auf die Traffic-Analyse und Sicherheitsfunktionen aller eingebundenen Dienste auswirken, nicht nur auf MCP.

Nächste Schritte