Google Cloud CLI-Remote-MCP-Server verwenden

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

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

Die API für diese Funktion heißt Cloud CLI Execution.

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

Das Model Context Protocol (MCP) standardisiert, wie Large Language Models (LLMs) und KI-Anwendungen oder -Agenten mit externen Datenquellen verbunden werden. Mit MCP-Servern können Sie deren Tools, Ressourcen und Prompts verwenden, um Aktionen auszuführen und aktualisierte Daten von ihrem 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 Standardeingabe- und ‑ausgabestreams (stdio) für die Kommunikation zwischen Diensten auf demselben Gerät.
Remote-MCP-Server
Werden in der Infrastruktur des Dienstes ausgeführt und bieten KI-Anwendungen einen HTTP-Endpunkt für die Kommunikation zwischen dem KI-MCP-Client und dem MCP-Server. Weitere Informationen zur MCP-Architektur finden Sie unter MCP-Architektur.

Zustandsloser Kern

Mit der MCP-Version 2026-07-28 wird MCP von einem bidirektionalen, zustandsorientierten Protokoll zu einem zustandslosen Protokoll geändert. Jede MCP-Anfrage ist selbsterklärend und kann über Header weitergeleitet werden. Der initialize/initialized-Handshake oder Mcp-Session-Id ist nicht erforderlich, da jede Anfrage alle erforderlichen Informationen in HTTP-Headern oder im Parameter _meta enthält. MCP-Server können über Multi-Round-Trip-Anfragen (MRTR) zusätzliche Informationen anfordern, die von einem Tool benötigt werden.

Damit Anfragen ohne Parsen des Anfragetexts weitergeleitet und verarbeitet werden können, sind einige MCP-Header erforderlich, darunter die folgenden:

  • Header, die gemäß der MCP-Spezifikation erforderlich sind, z. B. der Header für die Protokollversion und Standardanfrageheader.
  • Benutzerdefinierte Header, die vom MCP-Server definiert werden. Diese Header werden mithilfe des Attributs x-mcp-header aus dem Eingabeschema des Tools in HTTP-Header gespiegelt. Ein MCP-Server kann beispielsweise einen benutzerdefinierten Header definieren, um die Google Cloud -Region oder Projekt-ID anzugeben.

Weitere Informationen zur MCP-Architektur finden Sie in der Spezifikation und den wichtigsten Änderungen für die MCP-Version 2026-07-28.

Remote-MCP-Server von Google und Google Cloud

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

  • Vereinfachte, zentrale Erkennung
  • 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 den Sicherheits- und Governance-Steuerelementen für Google Cloud-MCP-Server finden Sie in der Übersicht über Google Cloud-MCP-Server.

Einschränkungen und Richtlinien

Bevor Sie mit dem Remote-MCP-Server der Google Cloud CLI arbeiten, sollten Sie die folgenden Einschränkungen und Richtlinien beachten:

Unterstützte Befehle

Der Google 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 unvollständig und kann ohne Vorankündigung um Befehle erweitert oder gekürzt werden:

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

Im Folgenden finden Sie eine vollständige Liste der nicht unterstützten bq-Befehle:

  • 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 strikt erzwungen.

Richtlinien für Agentenentwickler

  • 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 Google Cloud CLI-MCP-Server viele Google Cloud-APIs aufrufen kann, empfehlen wir, das Sicherheitsprinzip der geringsten Berechtigung zu befolgen und dem Nutzer, der Agent-Identität oder dem Dienstkonto, das den Google Cloud CLI-MCP-Server aufruft, die für Ihren Anwendungsfall erforderlichen Mindestberechtigungen zuzuweisen.

  • Projekte auswählen: project ist ein erforderlicher Parameter für Anfragen an den Google Cloud CLI MCP-Server und stellt das Projekt dar, das für die Interaktion mit der Cloud CLI Execution API verwendet wird. Der Parameter project steht in keinem Zusammenhang mit den Flags --project oder --billing-project, die im eigentlichen 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, die System-Prompts oder Skills für Ihren Agenten zu aktualisieren, damit er das richtige Projekt für die Ausführung von Google Cloud CLI MCP-Serveranfragen auswählt.

Hinweis

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

  5. Enable the Cloud CLI Execution 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

  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, 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

    10.

Erforderliche Rollen

Bitten Sie Ihren Administrator, Ihnen die folgenden IAM-Rollen für das Projekt zuzuweisen, in dem Sie den Google Cloud CLI MCP-Server verwenden möchten, um die Berechtigungen zu erhalten, die Sie für die Verwendung des Google Cloud CLI MCP-Servers 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 Google 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 Google 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 Google Cloud CLI 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 Google Cloud CLI akzeptiert keine API-Schlüssel.

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

OAuth-Bereiche der Google Cloud CLI

OAuth 2.0 verwendet Bereiche und Anmeldedaten, um zu bestimmen, ob ein authentifiziertes Hauptkonto berechtigt 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 Google 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.

MCP-Client für die Verwendung des Remote-MCP-Servers der Google Cloud CLI konfigurieren

KI-Anwendungen und -Agenten 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 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 Google Cloud CLI die folgenden Informationen ein:

  • Servername: Google Cloud CLI Remote-MCP-Server
  • Server-URL oder Endpunkt: https://cloudcli.googleapis.com/mcp
  • Transport: Streamable HTTP
  • Authentifizierungsdetails: Je nachdem, wie Sie sich authentifizieren möchten, können Sie Ihre Google Cloud -Anmeldedaten, Ihre OAuth-Client-ID und Ihr OAuth-Secret oder eine Agentenidentität und Anmeldedaten eingeben. Weitere Informationen zur Authentifizierung finden Sie unter Bei MCP-Servern authentifizieren.
  • OAuth-Bereich: Der OAuth 2.0-Bereich, den Sie für die Verbindung mit dem Google Cloud CLI-MCP-Server verwenden möchten.

Weiterleitungs-URIs

Für webbasierte Anwendungen und einige Desktopanwendungen müssen Sie einen Weiterleitungs-URI auf die Zulassungsliste setzen, wenn Sie eine Client-ID und einen Clientschlüssel für die Authentifizierung erstellen. 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 Verbinden mit einem MCP-Server finden Sie unter Clientspezifische Anleitungen.

Allgemeine Informationen finden Sie in den folgenden Ressourcen:

Verfügbare Tools

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

  • run_gcloud_command
  • run_bq_command

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

Unterschiede zwischen run_bq_command und dem BigQuery-MCP-Server

run_bq_command stellt die BigQuery CLI (bq)-Oberfläche im Remote-MCP-Server der Google Cloud CLI bereit. Das Tool kann BigQuery-SQL-Befehle ausführen und ermöglicht die Ausführung von Verwaltungs- und Betriebsaufgaben über Prompts in natürlicher Sprache. BigQuery bietet außerdem einen separaten MCP-Server für die Standarddatenanalyse. Jede Tooloberfläche 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 Slot-Reservierungen, Planen von Abfragen, Verwalten von Tabellen-Snapshots oder Beheben von Fehlern und Abbrechen von Jobs.
  • BigQuery MCP-Server: Verwenden Sie den BigQuery MCP-Server, wenn Sie KI-Agenten erstellen, die Standard-SQL-Ausführungstools für die Datenanalyse, Metadatenermittlung und 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 Datenänderung Erweiterte Job- und Ressourcenverwaltung
Zielnutzer Business Analysts, Data Scientists, SQL-Entwickler BigQuery-Administratoren, Datenbankadministratoren, Datenplattform- und DevOps-Entwickler
Primäre Vorgänge Standard-SQL-Ausführung (SELECT, INSERT, UPDATE, DELETE), Schema-Exploration, Metadatenprüfung Abfrageplanung (mit DTS), Abbrechen von Jobs, die nicht mehr reagieren, Slot- und Reservierungsverwaltung, IAM-Richtlinien für Datasets, Vorgänge für Tabellen-Snapshots/-Klone

Tools auflisten

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

curl -X POST https://cloudcli.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"]
              }
            }
          }
        }
      }
    }'

Ersetzen Sie Folgendes:

  • TOOLSET_ENDPOINT: der Rest des MCP-Endpunkts nach dem Dienstnamen. Für die Google Cloud CLI kann dies beispielsweise mcp/toolset-name sein.
  • MCP_PROTOCOL_VERSION: die MCP-Protokollversion. Beispiel: 2026-07-28.

Beispielhafte Anwendungsfälle für run_gcloud_command

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

Ressourcenbereitstellung

Wenn ein Nutzer einen Prompt in natürlicher Sprache an den KI-Agenten 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). Der Google Cloud CLI MCP-Server führt den Befehl dann aus.

Beispiel-Prompt:

"Erstellen Sie im Projekt projects/my-project ein neues VPC-Netzwerk mit dem Namen my-network. Erstellen Sie dann eine Firewallregel, die internen TCP-Traffic auf 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 Fehlerlogs abfragen, um Probleme zu beheben.

Beispiel-Prompt: „Suche die letzten 5 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.

Beispielhafte Anwendungsfälle für run_bq_command

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

Datasets in BigQuery verwalten

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

Beispiel-Prompt: „Listen Sie alle Datasets im Projekt projects/my-project auf und erstellen Sie dann ein neues Dataset mit dem Namen my_new_dataset am Standort US.“

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 dieser Jobs

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

Beispiel-Prompt:

"Prüfen Sie, ob im Projekt my-data-project derzeit Abfragen mit langer Ausführungszeit oder ressourcenintensive Abfragen ausgeführt werden. Wenn bqujob_12345 länger als 30 Minuten ausgeführt wird, brechen Sie den Vorgang ab und zeigen Sie Details an.“

Workflow:

  1. Der KI-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 KI-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 KI-Agent analysiert vorhandene Slotreservierungen in den Projekten mit dem höchsten Verbrauch und aktualisiert die Slotzuweisungen, um die Rechenkapazität zu verwalten.

Beispiel-Prompt:

„Listen Sie alle BigQuery-Reservierungen in der Region us-central1 für das Projekt my-admin-project auf und aktualisieren Sie die Slot-Zuweisung 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 Point-in-Time-Snapshots von kritischen Produktionstabellen oder stellt Tabellenklone für die 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 KI-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 IAM-Berechtigungssteuerung

Ein Agent prüft die Zugriffssteuerungen für Datasets und aktualisiert die Dataset-Berechtigungen, um bestimmten Hauptkonten Zugriff zu gewähren oder zu entziehen.

Beispiel-Prompt:

„Aktuelle Zugriffskonfiguration für Dataset finance_ds im Projekt my-data-project. anzeigen“

Workflow:

  1. Der KI-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 bringt aufgrund der Vielzahl von Aktionen, die Sie mit den MCP-Tools ausführen können, neue Sicherheitsrisiken und ‑aspekte mit sich. Um diese Risiken zu minimieren und zu verwalten, bietetGoogle Cloud Standardeinstellungen und anpassbare Richtlinien, mit denen Sie die Verwendung von MCP-Tools in Ihrer Organisation oder Ihrem Projekt in Google Cloudsteuern können.

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

Model Armor verwenden

Model Armor ist ein Dienst vonGoogle Cloud , der die Sicherheit Ihrer KI-Anwendungen verbessern soll. Model Armor prüft proaktiv LLM-Prompts und ‑Antworten, schützt vor verschiedenen Risiken und unterstützt eine verantwortungsbewusste Anwendung von KI. 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 Inhaltssicherheit zu überprüfen, sensible Daten zu schützen, die Compliance aufrechtzuerhalten und Ihre KI-Sicherheitsrichtlinien konsistent in Ihrer vielfältigen KI-Landschaft durchzusetzen.

Wenn Model Armor mit aktiviertem Logging aktiviert ist, protokolliert Model Armor die gesamte Nutzlast. Dadurch könnten vertrauliche Informationen in Ihren Logs offengelegt werden.

MCP-Anfragenrouting zu 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 von Datenstandortvorgaben für Daten in Verwendung und Daten während der Übertragung 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. Aktivieren Sie die Model Armor API, falls sie noch nicht aktiviert ist.

    Erforderliche Rollen zum Aktivieren von APIs

    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 Inhaberrolle (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 die folgenden Schritte mit der Google Cloud CLI und der Model Armor API aus, bevor Sie beginnen:

  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

Zum Schutz Ihrer MCP-Toolaufrufe und ‑Antworten 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-Toolaufrufe und ‑Antworten im Projekt angewendet.

Richten Sie eine Model Armor-Mindesteinstellung mit aktivierter MCP-Bereinigung ein. Weitere Informationen finden Sie unter Model Armor-Mindesteinstellungen konfigurieren.

Sehen Sie sich den folgenden Beispielbefehl an:

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, mit der ein Filter oder eine Maßnahme aktiviert wird.
  • MEDIUM_AND_ABOVE: Das Konfidenzniveau für die Filtereinstellungen „Verantwortungsbewusste Anwendung von KI – Gefährlich“. Sie können diese Einstellung ändern, wobei niedrigere Werte zu mehr falsch positiven Ergebnissen führen können. Weitere Informationen finden Sie unter Model Armor-Konfidenzniveaus.

Scannen von MCP-Traffic mit Model Armor deaktivieren

Führen Sie den folgenden Befehl aus, um zu verhindern, dass Model Armor den Traffic zu und von Google MCP-Servern basierend auf den Mindesteinstellungen des Projekts automatisch scannt:

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

Die Model Armor-Mindesteinstellungen und die allgemeine Konfiguration können sich nicht nur auf MCP auswirken. Da Model Armor in Dienste wie Vertex AI eingebunden ist, können sich Änderungen an den Mindesteinstellungen auf das Scannen von Traffic und das Sicherheitsverhalten in allen eingebundenen Diensten auswirken, nicht nur in MCP.

Nächste Schritte