Usar o servidor remoto do MCP da Google Cloud CLI

Visualizar

Este recurso está sujeito aos Termos das Soluções Pré-GA na seção Termos Gerais de Serviço dos Termos Específicos de Serviço. Os recursos pré-GA estão disponíveis "no estado em que se encontram" e podem ter suporte limitado. Para mais informações, consulte as descrições da fase de lançamento.

Neste documento, mostramos como usar o servidor remoto do Protocolo de Contexto de Modelo (MCP) da Google Cloud CLI para se conectar a aplicativos de IA, incluindo o Antigravity, o ChatGPT, o Claude e aplicativos personalizados que você está desenvolvendo.

O servidor MCP remoto da CLI do Google Cloud oferece um ambiente seguro que permite enviar comandos em linguagem natural para seu aplicativo de IA executar comandos da interface de linha de comando (CLI) em seu nome. Os comandos gcloud e bq são compatíveis.

A API desse recurso é chamada de Cloud CLI Execution.

Observação: para saber como executar um servidor MCP da CLI do Google Cloud localmente, consulte o repositório do GitHub do MCP da gcloud.

O servidor MCP remoto da CLI do Google Cloud é ativado quando você ativa a API Cloud CLI Execution.

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

Qual é a diferença entre servidores MCP locais e remotos?

Servidores MCP locais

Normalmente, são executados na máquina local e usam os streams de entrada e saída padrão (stdio) para comunicação entre serviços no mesmo dispositivo.

Servidores MCP remotos

São executados na infraestrutura do serviço e oferecem um endpoint HTTP para que os aplicativos de IA se comuniquem entre o cliente MCP de IA e o servidor MCP. Para mais informações sobre a arquitetura do MCP, consulte Arquitetura do MCP.

Núcleo sem estado

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

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

• Cabeçalhos exigidos pela especificação do MCP, como o cabeçalho da versão do protocolo e os cabeçalhos da solicitação padrão.
• Cabeçalhos personalizados definidos pelo servidor MCP. Esses cabeçalhos são espelhados em cabeçalhos HTTP do esquema de entrada da ferramenta usando a propriedade x-mcp-header. Por exemplo, um servidor MCP pode definir um cabeçalho personalizado para especificar a região do Google Cloud ou o ID do projeto.

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

Servidores MCP remotos do Google e do Google Cloud

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

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

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

Restrições e diretrizes

Antes de começar a trabalhar com o servidor MCP remoto da Google Cloud CLI, leia as seguintes restrições e diretrizes:

Comandos aceitos

O servidor MCP da CLI do Google Cloud não é compatível com determinados comandos gcloud e bq (incluindo variantes alpha ou beta para gcloud) devido a padrões de segurança e inaplicabilidade.

A lista a seguir mostra alguns exemplos de comandos gcloud que não são compatíveis. Esta lista contém alguns exemplos e está sujeita à adição ou remoção de comandos sem aviso prévio:

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

Confira a seguir uma lista completa de comandos bq que não são compatíveis:

• bq init
• bq pyshell
• bq shell

Aplicação da política da organização

Os comandos executados pelo servidor MCP remoto são executados com as permissões da identidade do autor da chamada autenticado. As permissões padrão do IAM e as restrições do Serviço de Política da Organização são aplicadas estritamente aos recursos de destino downstream.

Diretrizes para desenvolvedores de agentes

• Permissões de principal e do IAM: o principal que interage com a API Cloud CLI Execution é o mesmo que interage com as APIs do Google Cloud durante a execução do comando gcloud ou bq. Como o servidor MCP da Google Cloud CLI pode chamar muitas APIs do Google Cloud, recomendamos que você siga o princípio de segurança de privilégio mínimo e atribua as permissões mínimas necessárias para seu caso de uso ao usuário, à identidade do agente ou à conta de serviço que chama o servidor MCP da Google Cloud CLI.

• Seleção de projetos: project é um parâmetro obrigatório para solicitações do servidor MCP da CLI do Google Cloud e representa o projeto usado para interagir com a API Cloud CLI Execution. O parâmetro project não está relacionado às flags --project ou --billing-project definidas no comando gcloud real, nem às flags --project_id e --quota_project_id para comandos bq que a API Cloud CLI Execution executa.

  Recomendamos atualizar os comandos do sistema ou as habilidades do agente para que ele selecione o projeto correto para executar as solicitações do servidor MCP da Google Cloud CLI.

Antes de começar

Faça login na sua conta do Google Cloud . Se você começou a usar o Google Cloudagora, crie uma conta para avaliar o desempenho dos nossos produtos em situações reais. Clientes novos também recebem US $300 em créditos para executar, testar e implantar cargas de trabalho sem custos financeiros.

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, 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

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, 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

Funções exigidas

Para receber as permissões necessárias para usar o servidor MCP da CLI do Google Cloud, peça ao administrador para conceder a você os seguintes papéis do IAM no projeto em que você quer usar o servidor MCP da CLI do Google Cloud:

• Fazer chamadas de ferramenta do MCP: Usuário da ferramenta MCP (roles/mcp.toolUser)

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

Esses papéis predefinidos contêm as permissões necessárias para usar o servidor MCP da CLI do Google Cloud. Para acessar as permissões exatas necessárias, expanda a seção Permissões necessárias:

Permissões necessárias

As permissões a seguir são necessárias para usar o servidor MCP da CLI do Google Cloud:

• Fazer chamadas de ferramentas do MCP: mcp.tools.call

Essas permissões também podem ser concedidas com funções personalizadas ou outros papéis predefinidos.

Autenticação e autorização

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

O servidor MCP remoto da CLI do Google Cloud não aceita chaves de API.

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

Escopos do OAuth da CLI do Google Cloud

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

O servidor MCP remoto da CLI do Google Cloud tem os seguintes escopos do OAuth:

URI do escopo	Descrição
https://www.googleapis.com/auth/cloud-platform	Visualize e gerencie seus dados nos serviços do Google Cloud .

Configurar um cliente MCP para usar o servidor MCP remoto da Google Cloud CLI

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

No seu aplicativo de IA, procure uma maneira de adicionar ou se conectar a um servidor MCP remoto. Para o servidor MCP remoto da Google Cloud CLI, insira as seguintes informações, conforme necessário:

• Nome do servidor: servidor MCP remoto da Google Cloud CLI
• URL do servidor ou Endpoint: https://cloudcli.googleapis.com/mcp
• Transporte: HTTP com streaming
• Detalhes de autenticação: dependendo de como você quer fazer a autenticação, insira suas credenciais do Google Cloud , o ID e a chave secreta do cliente OAuth ou uma identidade e credenciais de agente. Para mais informações sobre autenticação, consulte Autenticar em servidores MCP.
• Escopo do OAuth: o escopo do OAuth 2.0 que você quer usar ao se conectar ao servidor MCP da Google Cloud CLI.

URIs de redirecionamento

Para aplicativos baseados na Web e alguns aplicativos para computador, é necessário incluir um URI de redirecionamento na lista de permissões ao criar um ID do cliente e uma chave secreta para autenticação. Os URIs de redirecionamento são usados pelo servidor de autorização para enviar tokens ao aplicativo. A documentação do aplicativo precisa especificar o URI de redirecionamento que você precisa usar. URIs de redirecionamento personalizados não são compatíveis.

Para orientações específicas sobre como configurar e se conectar ao servidor MCP, consulte Orientações específicas para o cliente.

Para orientações mais gerais, consulte os seguintes recursos:

• Conectar-se a servidores MCP remotos.
• Configurar o MCP em um aplicativo de IA.

Ferramentas disponíveis

O servidor MCP remoto da CLI do Google Cloud expõe as seguintes ferramentas:

• run_gcloud_command
• run_bq_command

Para conferir detalhes das ferramentas MCP disponíveis e as descrições delas para o servidor MCP da CLI do Google Cloud, consulte a referência do MCP da CLI do Google Cloud.

Diferenças entre o run_bq_command e o servidor MCP do BigQuery

O run_bq_command expõe a superfície da CLI do BigQuery (bq) no servidor MCP remoto da Google Cloud CLI. A ferramenta pode executar comandos SQL do BigQuery e permitir que tarefas administrativas e operacionais sejam realizadas por meio de comandos em linguagem natural. O BigQuery também oferece um servidor MCP separado para análise de dados padrão. Cada plataforma de ferramenta foi projetada para casos de uso distintos:

• run_bq_command: use run_bq_command ao criar agentes de IA para fluxos de trabalho administrativos e operacionais avançados, como gerenciar reservas de slots, programar consultas, gerenciar snapshots de tabelas ou solucionar problemas e cancelar jobs.
• Servidor MCP do BigQuery: use o servidor MCP do BigQuery ao criar agentes de IA que usam ferramentas de execução SQL padrão para impulsionar a análise de dados, a descoberta de metadados e a modificação de dados.

A tabela a seguir mostra outras diferenças entre as duas plataformas de ferramentas:

Recurso	Servidor MCP do BigQuery	run_bq_command
Disponibilidade	Disponibilidade geral	Visualizar
Uso	Análise e modificação de dados	Administração avançada de jobs e recursos
Usuários-alvo	Analistas de negócios, cientistas de dados, desenvolvedores de SQL	Administradores do BigQuery, DBAs, plataforma de dados e engenheiros de DevOps
Operações principais	Execução de SQL padrão (SELECT, INSERT, UPDATE, DELETE), exploração de esquema, inspeção de metadados	Programação de consultas (usando o DTS), cancelamento de jobs em execução, gerenciamento de slots e reservas, políticas de IAM de conjuntos de dados, operações de snapshot/clone de tabelas

Listar ferramentas

Use o MCP Inspector para listar ferramentas ou envie uma solicitação HTTP tools/list diretamente ao servidor MCP remoto da Google Cloud CLI. O método tools/list não requer autenticação.

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"]
              }
            }
          }
        }
      }
    }'

Substitua:

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

Exemplos de casos de uso para run_gcloud_command

Confira a seguir exemplos de casos de uso de run_gcloud_command no servidor MCP remoto da Google Cloud CLI:

Provisionamento de recursos

Quando um usuário envia um comando em linguagem natural para o agente, ele gera um comando usando a ferramenta MCP correspondente (run_gcloud_command para comandos gcloud ou run_bq_command para comandos bq). O servidor MCP da CLI do Google Cloud executa o comando.

Exemplo de comando:

"Crie uma nova rede VPC chamada my-network no projeto projects/my-project. Em seguida, crie uma regra de firewall que permita o tráfego TCP interno na porta 8080."

Fluxo de trabalho:

1. O agente chama a ferramenta run_gcloud_command com o comando "gcloud compute networks create my-network --project=projects/my-project --subnet-mode=auto", "project": "projects/my-project".

2. O agente chama a ferramenta run_gcloud_command com o comando "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.

Observabilidade e diagnósticos

Um agente pode inspecionar o estado do ambiente e consultar registros de erros recentes para ajudar a resolver problemas.

Comando de exemplo: "Encontre os cinco registros de erros mais recentes da instância do Compute Engine my-web-server no projeto projects/my-project."

Fluxo de trabalho:

O agente chama a ferramenta run_gcloud_command com o comando "gcloud logging read \"resource.type=gce_instance AND severity>=ERROR\" --limit=5 --order=DESC", project: "my-project".

Exemplos de casos de uso para run_bq_command

Confira a seguir exemplos de casos de uso de run_bq_command no servidor MCP remoto da Google Cloud CLI:

Gerenciar conjuntos de dados no BigQuery

Também é possível usar o servidor MCP para executar consultas e gerenciar conjuntos de dados no BigQuery.

Comando de exemplo: "Liste todos os conjuntos de dados no projeto projects/my-project e crie um novo conjunto de dados chamado my_new_dataset no local dos EUA."

Fluxo de trabalho:

1. O agente chama a ferramenta run_bq_command com o comando "bq ls --datasets=true --project_id=my-project", "project": "projects/my-project".

2. O agente chama a ferramenta run_bq_command com o comando "bq mk --dataset --location=us --project_id=my-project my_new_dataset", "project": "projects/my-project".

Resolver problemas e cancelar jobs de longa duração

Um agente inspeciona os jobs do BigQuery em execução para identificar gargalos de recursos, diagnosticar consultas com falha, cancelar jobs de longa duração e extrair detalhes de execução para recomendações de desempenho.

Exemplo de comando:

"Verifique se há consultas de longa duração ou que consomem muitos recursos em execução no projeto my-data-project. Se bqujob_12345 estiver em execução há mais de 30 minutos, cancele-o e mostre os detalhes."

Fluxo de trabalho:

1. O agente chama run_bq_command com o comando "bq ls -j --all --project_id=my-data-project", "project": "projects/my-data-project".

2. O agente inspeciona a lista de jobs e chama run_bq_command com o comando: "bq show -j bqujob_12345 --project_id=my-data-project", "project": "projects/my-data-project".

3. O agente chama run_bq_command com o comando: "bq cancel bqujob_12345 --project_id=my-data-project", "project": "projects/my-data-project".

Programar consultas

Um agente configura execuções de consultas programadas usando a integração do serviço de transferência de dados do BigQuery na CLI do BigQuery para automatizar as atualizações de dados.

Exemplo de comando:

"Programe uma consulta diária às 6h UTC para atualizar a tabela daily_sales_summary em dataset sales_ds para o projeto my-data-project."

Fluxo de trabalho:

1. O agente chama run_bq_command com o comando: "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".

Análise de capacidade e ajuste de reserva

Um agente analisa as reservas de slots atuais nos projetos que mais consomem e atualiza as atribuições de slots para gerenciar a capacidade de computação.

Exemplo de comando:

"Liste todas as reservas do BigQuery na região us-central1 para o projeto my-admin-project e atualize a alocação de slots para a reserva prod-analytics para 500 slots."

Fluxo de trabalho:

1. O agente chama run_bq_command com o comando: "bq ls --reservation --project_id=my-admin-project --location=us-central1", "project": "projects/my-admin-project".

2. O agente chama run_bq_command com o comando: "bq update --project_id=my-admin-project --reservation --slots=500 prod-analytics --location=us-central1", "project": "projects/my-admin-project".

Gerenciar snapshots e clones de tabelas

Um agente cria snapshots pontuais de tabelas de produção críticas ou provisiona clones de tabelas para desenvolvimento e teste.

Exemplo de comando:

"Crie um snapshot de tabela de production_db.orders chamado production_db.orders_snapshot_20260720 no projeto my-data-project."

Fluxo de trabalho:

O agente chama run_bq_command com o comando: "bq cp --project_id=my-data-project --snapshot production_db.orders production_db.orders_snapshot_20260720", "project": "projects/my-data-project".

Acesso ao conjunto de dados e controle de permissões do IAM

Um agente inspeciona os controles de acesso do conjunto de dados e atualiza as permissões do conjunto de dados para conceder ou revogar o acesso de principais especificados.

Exemplo de comando:

"Mostrar a configuração de acesso atual do conjunto de dados finance_ds no projeto my-data-project."

Fluxo de trabalho:

1. O agente chama run_bq_command com o comando: "bq show --format=prettyjson my-data-project:finance_ds", "project": "projects/my-data-project".

2. O agente atualiza a definição JSON de acesso e chama run_bq_command com o comando: "bq update --source=access_update.json my-data-project:finance_ds", "project": "projects/my-data-project".

Configurações opcionais de segurança e proteção

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

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

Usar o Model Armor

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

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

Encaminhamento de solicitações do MCP para o Model Armor

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

Ativar o Model Armor

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

Console

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

   Funções necessárias para ativar APIs

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

   Ativar a API

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

gcloud

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

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

   Ativar o Cloud Shell

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

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

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

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

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

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

Dica: não ative o filtro de injeção de comando e jailbreak, a menos que o tráfego do MCP carregue dados de linguagem natural.

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

Observação: se o agente e o servidor MCP estiverem em projetos diferentes, será possível criar configurações de piso em ambos os projetos (o projeto do cliente e o projeto do recurso). Nesse caso, o Model Armor é invocado duas vezes, uma para cada projeto.

Confira o exemplo de comando a seguir:

gcloud model-armor floorsettings update \
--full-uri='projects/PROJECT_ID/locations/global/floorSetting' \
--enable-floor-setting-enforcement=TRUE \
--add-integrated-services=GOOGLE_MCP_SERVER \
--google-mcp-server-enforcement-type=INSPECT_AND_BLOCK \
--enable-google-mcp-server-cloud-logging \
--malicious-uri-filter-settings-enforcement=ENABLED \
--add-rai-settings-filters='[{"confidenceLevel": "MEDIUM_AND_ABOVE", "filterType": "DANGEROUS"}]'

Substitua PROJECT_ID pelo ID do projeto Google Cloud .

Observe as seguintes configurações:

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

Desativar a verificação do tráfego do MCP com o Model Armor

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

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

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

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

A seguir

• Leia a documentação de referência do MCP da CLI do Google Cloud.
• Saiba mais sobre os servidores MCP do Google Cloud.