Google 會運用 AI 技術將內容翻譯成你偏好的語言，但可能會出錯。

使用 Google Cloud CLI 遠端 MCP 伺服器

本文說明如何使用 Google Cloud CLI 遠端 Model Context Protocol (MCP) 伺服器，連結 Antigravity、ChatGPT、Claude 等 AI 應用程式，以及您開發的自訂應用程式。

Google Cloud CLI 遠端 MCP 伺服器提供安全環境，可讓您向 AI 應用程式傳送自然語言提示，代為執行指令列介面 (CLI) 指令。支援 gcloud 和 bq 指令。

這項功能的 API 稱為 Cloud CLI Execution。

啟用 Cloud CLI Execution API 時，系統會啟用 Google Cloud CLI 遠端 MCP 伺服器。

Model Context Protocol (MCP) 規範了大型語言模型 (LLM) 和 AI 應用程式或代理與外部資料來源的標準連線方式。MCP 伺服器可讓您使用其工具、資源和提示，從後端服務採取行動並取得更新資料。

本機和遠端 MCP 伺服器有何不同？

本機 MCP 伺服器: 通常在本機電腦上執行，並使用標準輸入內容和輸出串流 (stdio)，在同一部裝置上的服務之間通訊。
遠端 MCP 伺服器: 在服務的基礎架構上執行，並為 AI 應用程式提供 HTTP 端點，以便 AI MCP 用戶端與 MCP 伺服器之間通訊。如要進一步瞭解 MCP 架構，請參閱「MCP 架構」。

無狀態核心

在 MCP 2026-07-28 版中，MCP 從雙向有狀態通訊協定變更為無狀態通訊協定。每項 MCP 要求都包含自我描述，並可使用標頭轉送。由於每個要求都包含 HTTP 標頭或 _meta 參數中所需的所有資訊，因此不需要 initialize/initialized 握手或 Mcp-Session-Id。MCP 伺服器可透過多來回要求 (MRTR)，要求工具所需的額外資訊。

為協助轉送及處理要求，而不剖析要求主體，必須提供部分 MCP 標頭，包括：

MCP 規格要求的標頭，例如通訊協定版本標頭和標準要求標頭。
MCP 伺服器定義的自訂標頭。這些標頭會使用 x-mcp-header 屬性，從工具的輸入結構定義鏡像至 HTTP 標頭。舉例來說，MCP 伺服器可能會定義自訂標頭，指定 Google Cloud 區域或專案 ID。

如要進一步瞭解 MCP 架構，請參閱 MCP 2026-07-28 版規格和主要異動。

Google 和 Google Cloud 遠端 MCP 伺服器

Google 和 Google Cloud 遠端 MCP 伺服器具有下列功能和優點：

簡化集中探索
代管的全域或區域 HTTP 端點
精細授權
選用 Model Armor 保護提示詞和回覆
集中化稽核記錄

如要瞭解其他 MCP 伺服器，以及 Google Cloud MCP 伺服器的安全性和管理控制項，請參閱「Google Cloud MCP 伺服器總覽」。

限制和規範

開始使用 Google Cloud CLI 遠端 MCP 伺服器之前，請先詳閱下列限制和指南：

支援的指令

基於安全標準和不適用性，Google Cloud CLI MCP 伺服器不支援某些 gcloud 和 bq 指令 (包括 gcloud 的 alpha 或 beta 變體)。

以下列出幾個不支援的 gcloud 指令範例。這份清單僅列舉部分內容，且可能隨時新增或移除指令，恕不另行通知：

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

以下是 bq 不支援的指令完整清單：

bq init
bq pyshell
bq shell

組織政策強制執行

透過遠端 MCP 伺服器執行的指令，會以經過驗證的呼叫端身分權限執行。系統會嚴格對下游目標資源強制執行標準 IAM 權限和組織政策服務限制。

代理開發人員指南

主體和 IAM 權限：與 Cloud CLI Execution API 互動的主體，與在執行 gcloud 或 bq 指令期間與 Google Cloud API 互動的主體相同。由於 Google Cloud CLI MCP 伺服器可呼叫多個 Google CloudAPI，建議您遵循最小權限安全性原則，並根據用途，將最低必要權限指派給呼叫 Google Cloud CLI MCP 伺服器的使用者、代理身分或服務帳戶。
選取專案：project 是 Google Cloud CLI MCP 伺服器要求的必要參數，代表與 Cloud CLI Execution API 互動的專案。請注意，project 參數與實際 gcloud 指令中設定的 --project 或 --billing-project 旗標無關，也與 Cloud CLI Execution API 執行的 bq 指令的 --project_id 和 --quota_project_id 旗標無關。

建議您更新代理的系統提示或技能，讓代理選取正確的專案，執行 Google Cloud CLI MCP 伺服器要求。

事前準備

登入 Google Cloud 帳戶。如果您未曾使用過 Google Cloud，歡迎建立帳戶，親自體驗實際使用我們產品的成效。新客戶還能獲得價值 $300 美元的免費抵免額，用於執行、測試及部署工作負載。

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

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.

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

Enable the API

必要的角色

如要取得使用 Google Cloud CLI MCP 伺服器所需的權限，請要求管理員在您要使用 Google Cloud CLI MCP 伺服器的專案中，授予下列 IAM 角色：

發出 MCP 工具呼叫：MCP 工具使用者 (roles/mcp.toolUser)

如要進一步瞭解如何授予角色，請參閱「管理專案、資料夾和組織的存取權」。

這些預先定義的角色具備使用 Google Cloud CLI MCP 伺服器所需的權限。如要查看確切的必要權限，請展開「Required permissions」(必要權限) 部分：

所需權限

必須具備下列權限，才能使用 Google Cloud CLI MCP 伺服器：

發出 MCP 工具呼叫：mcp.tools.call

您或許還可透過自訂角色或其他預先定義的角色取得這些權限。

驗證及授權

Google Cloud CLI 遠端 MCP 伺服器使用 OAuth 2.0 通訊協定，並搭配 Identity and Access Management (IAM) 進行驗證和授權。所有Google Cloud 身分都支援 MCP 伺服器驗證。

Google Cloud CLI 遠端 MCP 伺服器不接受 API 金鑰。

建議您為使用 MCP 工具的代理建立獨立身分，以便控管及監控資源存取權。如要進一步瞭解驗證，請參閱「向 MCP 伺服器驗證」。

Google Cloud CLI OAuth 範圍

OAuth 2.0 會使用範圍和憑證，判斷通過驗證的主體是否有權對資源執行特定動作。如要進一步瞭解 Google 的 OAuth 2.0 範圍，請參閱「使用 OAuth 2.0 存取 Google API」。

Google Cloud CLI 遠端 MCP 伺服器具有下列 OAuth 範圍：

範圍 URI	說明
`https://www.googleapis.com/auth/cloud-platform`	查看及管理您在 Google Cloud 服務中的資料。

設定 MCP 用戶端，使用 Google Cloud CLI 遠端 MCP 伺服器

AI 應用程式和代理 (例如 Claude 或 Antigravity) 可例項化 MCP 用戶端，連至單一 MCP 伺服器。AI 應用程式可以有多個用戶端，連線至不同的 MCP 伺服器。如果用戶端專屬指南中未列出您的應用程式，則可使用下列資訊，從大多數應用程式連線。

在 AI 應用程式中，尋找新增或連線至遠端 MCP 伺服器的方法。如果是 Google Cloud CLI 遠端 MCP 伺服器，請視需要輸入下列資訊：

伺服器名稱：Google Cloud CLI 遠端 MCP 伺服器
伺服器網址或端點：https://cloudcli.googleapis.com/mcp
傳輸：可串流 HTTP
驗證詳細資料：視您要採用的驗證方式而定，您可以輸入 Google Cloud 憑證、OAuth 用戶端 ID 和密鑰，或代理身分和憑證。如要進一步瞭解驗證，請參閱「向 MCP 伺服器驗證」。
OAuth 範圍：連線至 Google Cloud CLI MCP 伺服器時要使用的 OAuth 2.0 範圍。

重新導向 URI

如果是網頁式應用程式和部分電腦應用程式，您必須在建立用於驗證的用戶端 ID 和密鑰時，將重新導向 URI 加入許可清單。授權伺服器會使用重新導向 URI，將權杖傳送至應用程式。應用程式說明文件應指定您必須使用的重新導向 URI。不支援自訂重新導向 URI。

如需設定及連線至 MCP 伺服器的應用程式專屬指引，請參閱「用戶端專屬指引」。

如需一般指引，請參閱下列資源：

可用的工具

Google Cloud CLI 遠端 MCP 伺服器會公開下列工具：

run_gcloud_command
run_bq_command

如要查看 Google Cloud CLI MCP 伺服器可用的 MCP 工具詳細資料和說明，請參閱 Google Cloud CLI MCP 參考資料。

`run_bq_command`與 BigQuery MCP 伺服器的差異

run_bq_command 會在 Google Cloud CLI 遠端 MCP 伺服器中，公開 BigQuery CLI (bq) 介面。這項工具可執行 BigQuery SQL 指令，並透過自然語言提示執行管理和操作工作。BigQuery 也提供獨立的 MCP 伺服器，用於標準資料分析。每個工具介面都適用於不同的用途：

run_bq_command：run_bq_command建構 AI 代理，用於進階管理和作業工作流程，例如管理運算單元預留項目、排定查詢、管理資料表快照，或排解及取消工作。
BigQuery MCP 伺服器：建構 AI 代理時，如果使用標準 SQL 執行工具來推動資料分析、中繼資料探索和資料修改，請使用 BigQuery MCP 伺服器。

下表列出這兩個工具介面的其他差異：

功能	BigQuery MCP 伺服器	`run_bq_command`
可用性	正式發布版	預覽
用量	資料分析和資料修改	進階工作和資源管理
目標使用者	業務分析師、數據資料學家、SQL 開發人員	BigQuery 管理員、資料庫管理員、資料平台和開發運作工程師
主要作業	標準 SQL 執行 (SELECT、INSERT、UPDATE、DELETE)、結構定義探索、中繼資料檢查	查詢排程 (使用 DTS)、取消失控工作、運算單元和預留項目管理、資料集 IAM 政策、資料表快照/複製作業

清單工具

使用 MCP 檢查器列出工具，或直接傳送 tools/list HTTP 要求至 Google Cloud CLI 遠端 MCP 伺服器。tools/list 方法不需要驗證。

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"]
              }
            }
          }
        }
      }
    }'

更改下列內容：

TOOLSET_ENDPOINT：服務名稱後方的 MCP 端點其餘部分。舉例來說，如果是 Google Cloud CLI，則可能是 mcp/toolset-name。
MCP_PROTOCOL_VERSION：MCP 通訊協定版本。例如：2026-07-28。

`run_gcloud_command` 的應用實例

以下是 Google Cloud CLI 遠端 MCP 伺服器中 run_gcloud_command 的用途範例：

資源佈建

使用者向代理傳送自然語言提示時，代理會使用對應的 MCP 工具 (gcloud 指令使用 run_gcloud_command，bq 指令使用 run_bq_command) 生成指令。Google Cloud CLI MCP 伺服器會執行指令。

提示詞範例：

「在專案 projects/my-project 中建立名為 my-network 的新虛擬私有雲網路。接著，建立防火牆規則，允許通訊埠 8080 上的內部 TCP 流量。

Workflow：

代理使用 "gcloud compute networks create my-network --project=projects/my-project --subnet-mode=auto", "project": "projects/my-project" 指令呼叫 run_gcloud_command 工具。
代理使用 "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 指令呼叫 run_gcloud_command 工具。

觀測能力與診斷

代理可以檢查環境狀態，並查詢最近的錯誤記錄，協助排解問題。

提示範例：「找出專案 projects/my-project 中 Compute Engine 執行個體 my-web-server 的最新 5 筆錯誤記錄。」

Workflow：

代理使用 "gcloud logging read \"resource.type=gce_instance AND severity>=ERROR\" --limit=5 --order=DESC", project: "my-project" 指令呼叫 run_gcloud_command 工具。

`run_bq_command` 的應用實例

以下是 Google Cloud CLI 遠端 MCP 伺服器中 run_bq_command 的用途範例：

在 BigQuery 管理資料集

您也可以使用 MCP 伺服器，在 BigQuery 中執行查詢及管理資料集。

提示詞範例：「列出專案 projects/my-project 中的所有資料集，然後在美國位置建立名為 my_new_dataset 的新資料集。」

Workflow：

代理使用 "bq ls --datasets=true --project_id=my-project", "project": "projects/my-project" 指令呼叫 run_bq_command 工具。
代理使用 "bq mk --dataset --location=us --project_id=my-project my_new_dataset", "project": "projects/my-project" 指令呼叫 run_bq_command 工具。

排解及取消長時間執行的工作

代理會檢查執行中的 BigQuery 工作，找出資源瓶頸、診斷失敗的查詢、取消長時間執行的工作，並擷取執行詳細資料，提供效能建議。

提示詞範例：

「檢查專案 my-data-project 中是否有任何長時間執行或耗用大量資源的查詢。如果 bqujob_12345 執行超過 30 分鐘，請取消並顯示詳細資料。」

Workflow：

代理使用 "bq ls -j --all --project_id=my-data-project", "project": "projects/my-data-project" 指令呼叫 run_bq_command。
代理檢查工作清單，並使用下列指令呼叫 run_bq_command： "bq show -j bqujob_12345 --project_id=my-data-project", "project": "projects/my-data-project"。
代理呼叫 run_bq_command，並使用下列指令： "bq cancel bqujob_12345 --project_id=my-data-project", "project": "projects/my-data-project"。

排定查詢

代理會透過 BigQuery CLI 中的 BigQuery 資料移轉服務整合，設定排定的查詢執行作業，自動重新整理資料。

提示詞範例：

「安排在世界標準時間 06:00 執行每日查詢，重新整理專案 my-data-project 中 dataset sales_ds 的 daily_sales_summary 資料表。」

Workflow：

代理使用以下指令呼叫 run_bq_command： "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"。

容量分析和預留項目調整

代理會分析用量最高專案的現有運算單元預留項目，並更新運算單元指派作業，管理運算資源。

提示詞範例：

「列出專案 my-admin-project 在 us-central1 區域的所有 BigQuery 預留項目，並將 prod-analytics 預留項目的運算單元分配量更新為 500 個運算單元。」

Workflow：

代理呼叫 run_bq_command，並使用下列指令： "bq ls --reservation --project_id=my-admin-project --location=us-central1", "project": "projects/my-admin-project"。
代理呼叫 run_bq_command，並使用下列指令： "bq update --project_id=my-admin-project --reservation --slots=500 prod-analytics --location=us-central1", "project": "projects/my-admin-project"。

管理資料表快照和複製

代理程式會建立重要正式環境資料表的特定時間點快照，或佈建資料表複製版本，用於開發和測試。

提示詞範例：

「在專案 my-data-project 中建立 production_db.orders 的資料表快照，並命名為 production_db.orders_snapshot_20260720。」

Workflow：

代理使用以下指令呼叫 run_bq_command： "bq cp --project_id=my-data-project --snapshot production_db.orders production_db.orders_snapshot_20260720", "project": "projects/my-data-project"。

資料集存取權和 IAM 權限控管

代理會檢查資料集存取控管機制，並更新資料集權限，授予或撤銷指定主體的存取權。

提示詞範例：

「顯示專案 my-data-project. 中資料集 finance_ds 的目前存取權設定」

Workflow：

代理使用以下指令呼叫 run_bq_command： "bq show --format=prettyjson my-data-project:finance_ds", "project": "projects/my-data-project"。
代理更新存取 JSON 定義，並使用 "bq update --source=access_update.json my-data-project:finance_ds", "project": "projects/my-data-project" 指令呼叫 run_bq_command。

選用安全性和安全防護設定

MCP 工具可執行的動作繁多，因此會帶來新的安全風險和考量。為盡可能降低及管理這些風險，Google Cloud 提供預設設定和可自訂的政策，控管 Google Cloud組織或專案中的 MCP 工具使用情形。

如要進一步瞭解 MCP 安全性和管理，請參閱「AI 安全性」。

使用 Model Armor

Model Armor 是一項Google Cloud 服務，可提高 AI 應用程式的安全性。這項服務會主動篩選 LLM 提示詞和回覆，防範各種風險，並確保採行負責任的 AI 做法。無論您是在雲端環境或外部雲端服務供應商部署 AI，Model Armor 都能協助您防範惡意輸入、驗證內容安全性、保護機密資料、維持法規遵循，並在多元的 AI 環境中，一致地強制執行 AI 安全性和安全性政策。

啟用 Model Armor 並啟用記錄功能後，Model Armor 會記錄整個酬載。這可能會導致記錄中的機密資訊外洩。

MCP 要求轉送至 Model Armor

Model Armor 僅適用於特定區域。啟用 Model Armor 後，如果您在 Model Armor 不支援的管轄區使用 MCP 伺服器，呼叫的轉送行為可能會因 MCP 伺服器而異，且可能會違反使用中和傳輸中資料的資料落地法規。如要進一步瞭解個別 MCP 伺服器的行為，請參閱「Model Armor 支援的產品」。

啟用 Model Armor

您必須先啟用 Model Armor API，才能使用 Model Armor。

控制台

啟用 Model Armor API (如果尚未啟用)。
啟用 API 所需的角色
您必須具備 serviceusage.services.enable 權限，才能啟用 API。如果您建立了專案，可能已透過「擁有者」角色 (roles/owner) 取得這項權限。否則，您可以透過「Service Usage 管理員」角色 (roles/serviceusage.serviceUsageAdmin) 取得這項權限。瞭解如何授予角色。
啟用 API
選取要啟用 Model Armor 的專案。

gcloud

開始之前，請按照下列步驟，搭配使用 Google Cloud CLI 和 Model Armor API：

在 Google Cloud 控制台啟用 Cloud Shell。

啟用 Cloud Shell

Google Cloud 控制台底部會開啟 Cloud Shell 工作階段，並顯示指令列提示。Cloud Shell 是已安裝 Google Cloud CLI 的殼層環境，並已設定適用於您目前專案的值。工作階段可能要幾秒鐘的時間才能初始化。
執行下列指令，設定 Model Armor 服務的 API 端點。
```
gcloud config set api_endpoint_overrides/modelarmor "https://modelarmor.LOCATION.rep.googleapis.com/"
```
將 LOCATION 替換為要使用 Model Armor 的區域。

設定 Google 和 Google Cloud 遠端 MCP 伺服器的保護措施

如要保護 MCP 工具呼叫和回覆，可以使用 Model Armor 底限設定。底限設定會定義適用於整個專案的最低安全性篩選器。這項設定會對專案中的所有 MCP 工具呼叫和回覆，套用一組一致的篩選器。

設定 Model Armor 底限，並啟用 MCP 清理功能。詳情請參閱「設定 Model Armor 底限設定」。

請參閱以下範例指令：

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"}]'

將 PROJECT_ID 替換為 Google Cloud 專案 ID。

請注意下列設定：

INSPECT_AND_BLOCK：這個強制執行類型會檢查 Google MCP 伺服器的內容，並封鎖符合篩選條件的提示和回覆。
ENABLED：啟用篩選器或違規處置的設定。
MEDIUM_AND_ABOVE：負責任 AI - 危險篩選器設定的信心水準。您可以修改這項設定，但較低的值可能會導致更多偽陽性。詳情請參閱「Model Armor 信心水準」。

停用 Model Armor 掃描 MCP 流量的功能

如要停止 Model Armor 根據專案的最低設定，自動掃描 Google MCP 伺服器的往來流量，請執行下列指令：

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

將 PROJECT_ID 替換為 Google Cloud 專案 ID。Model Armor 不會自動將這項專案底限設定中定義的規則，套用至任何 Google MCP 伺服器流量。

Model Armor 底限設定和一般設定不只會影響 MCP，Model Armor 與 Vertex AI 等服務整合，因此您對底限設定所做的任何變更，都可能影響所有整合服務的流量掃描和安全行為，不限於 MCP。

後續步驟

請參閱 Google Cloud CLI MCP 參考文件。
進一步瞭解 Google Cloud MCP 伺服器。

使用 Google Cloud CLI 遠端 MCP 伺服器 透過集合功能整理內容 你可以依據偏好儲存及分類內容。

本機和遠端 MCP 伺服器有何不同？

無狀態核心

Google 和 Google Cloud 遠端 MCP 伺服器

限制和規範

支援的指令

組織政策強制執行

代理開發人員指南

事前準備

必要的角色

所需權限

驗證及授權

Google Cloud CLI OAuth 範圍

設定 MCP 用戶端，使用 Google Cloud CLI 遠端 MCP 伺服器

重新導向 URI

可用的工具

run_bq_command與 BigQuery MCP 伺服器的差異

清單工具

run_gcloud_command 的應用實例

資源佈建

觀測能力與診斷

run_bq_command 的應用實例

在 BigQuery 管理資料集

排解及取消長時間執行的工作

排定查詢

容量分析和預留項目調整

管理資料表快照和複製

資料集存取權和 IAM 權限控管

選用安全性和安全防護設定

使用 Model Armor

MCP 要求轉送至 Model Armor

啟用 Model Armor

控制台

gcloud

設定 Google 和 Google Cloud 遠端 MCP 伺服器的保護措施

停用 Model Armor 掃描 MCP 流量的功能

後續步驟

使用 Google Cloud CLI 遠端 MCP 伺服器

`run_bq_command`與 BigQuery MCP 伺服器的差異

`run_gcloud_command` 的應用實例

`run_bq_command` 的應用實例