Tutorial Google MCP Servers: Menerapkan Agentic AI di GCP

Model bahasa besar (LLM) telah merevolusi cara kita berinteraksi dengan AI, tetapi sebagian besar masih terjebak di antarmuka chat. Meminta AI menganalisis data penjualan terbaru Anda di BigQuery atau memeriksa kesehatan cluster di GKE biasanya memerlukan penulisan glue code untuk setiap alat, setiap model, dan setiap alur kerja.

Perkenalkan server MCP terkelola Google: solusi enterprise yang menghubungkan agen AI ke infrastruktur Google Cloud yang andal seperti BigQuery, Google Maps, Compute Engine (GCE), dan Kubernetes Engine (GKE) tanpa konektor kustom. 

Dibangun di atas standar terbuka Model Context Protocol (MCP) dari Anthropic, server jarak jauh yang sepenuhnya terkelola ini menyediakan akses yang aman dan terstandarisasi, memungkinkan klien yang mematuhi MCP (seperti Gemini CLI atau Claude Desktop) menjadikan AI sebagai operator yang proaktif.

Dalam panduan ini, saya akan menunjukkan arsitektur praktis MCP dan portofolio server Google, serta memandu langkah-langkah tepat untuk menerapkan server MCP siap produksi. Baik Anda memperkaya AI dengan data perusahaan atau mengotomatisasi tugas DevOps, Anda akan siap berjalan dalam hitungan menit.

Baru di Google Cloud? Saya sarankan mulai dari kursus Introduction to GCP gratis untuk mencakup penagihan, proyek, dan layanan dasar.

Apa itu Model Context Protocol?

Model Context Protocol (MCP) adalah standar open-source yang diperkenalkan oleh Anthropic pada November 2024. Ini berfungsi sebagai antarmuka universal—sering disebut sebagai "USB-C untuk AI"—yang menstandarkan cara model dan agen AI terhubung ke sumber data, alat, dan sistem eksternal.

Sebelum MCP, mengintegrasikan agen AI dengan alat seperti database, API, atau layanan cloud memerlukan pembuatan konektor kustom untuk setiap model AI (mis., kode terpisah untuk Claude, Gemini, atau GPT). Ini menciptakan ledakan integrasi yang terfragmentasi. 

MCP menyelesaikannya dengan mendefinisikan satu protokol yang konsisten: pengembang mengimplementasikan suatu alat atau sumber data sekali sebagai server MCP, dan klien AI apa pun yang mematuhi MCP (seperti Claude Desktop, Gemini CLI, atau agen kustom) dapat menemukannya dan menggunakannya secara mulus.

Manfaat intinya adalah interoperabilitas dan pengurangan duplikasi. Tulis server MCP untuk BigQuery sekali, dan itu akan berfungsi di semua model AI yang didukung tanpa adaptor tambahan. Ini mempercepat pengembangan sistem agentic AI, di mana agen tidak hanya merespons pertanyaan tetapi juga secara aktif menalar, menanyakan data, dan mengeksekusi aksi di dunia nyata.

Klien menemukan alat yang tersedia dari server yang terhubung, LLM memutuskan mana yang dipanggil, dan hasil mengalir kembali untuk penalaran lebih lanjut, semuanya distandarkan melalui protokol berbasis JSON-RPC milik MCP.

Desain "penerjemah universal" ini adalah alasan mengapa Google (dan pihak lain) dengan cepat mengadopsi MCP: server terkelola mereka langsung masuk ke ekosistem ini, menjadikan layanan Google Cloud segera dapat diakses oleh klien MCP mana pun.

Apa itu Google MCP Server?

Google MCP Servers adalah implementasi jarak jauh Model Context Protocol (MCP) yang sepenuhnya dikelola oleh Google. Diluncurkan pada Desember 2025, server kelas enterprise ini membuka akses ke layanan Google Cloud yang kuat, dimulai dengan BigQuery, Google Maps, GCE, dan GKE, sebagai alat yang terstandarisasi dan dapat ditemukan yang dapat digunakan seketika oleh klien AI yang mematuhi MCP.

Berbeda dengan server MCP komunitas atau open-source yang memerlukan self-hosting, pemeliharaan, penskalaan, dan penguatan keamanan kustom, server terkelola Google berjalan di infrastruktur Google. Mereka menyediakan:

• Tanpa beban penerapan: Cukup aktifkan layanan di proyek Anda dan arahkan klien Anda ke endpoint resmi (mis., https://bigquery.googleapis.com/mcp).
• Keandalan enterprise: Ketersediaan tinggi, penskalaan otomatis, dan endpoint global.
• Keamanan bawaan: Autentikasi berbasis IAM, Model Armor (firewall LLM Google untuk perlindungan injeksi prompt dan eksfiltrasi), audit logging, dan kontrol least-privilege.
• Tata kelola: Pengaktifan/penonaktifan terpusat per proyek atau organisasi.

Teknologi ini membuka alur kerja agentic. Alih-alih AI hanya menjelaskan cara kerja kueri SQL, ia benar-benar dapat mengeksekusi kueri di BigQuery, menganalisis hasil, dan menyarankan langkah bisnis berikutnya. 

Walaupun agen-agen ini dapat bertindak secara otonom, implementasi Google mendukung konfigurasi "human-in-the-loop", memastikan manusia dapat meninjau dan menyetujui perubahan infrastruktur kritis sebelum terjadi.

Jika Anda tertarik pada otomasi browser bertenaga AI, saya sarankan melihat tutorial Chrome DevTools MCP kami.

Portofolio Server MCP Google

Google menyediakan rangkaian server MCP terkelola yang terus bertambah dan membuat layanan cloud utama segera tersedia sebagai alat bagi agen AI. Server ini dikategorikan berdasarkan fungsi, memungkinkan agen menangani segala hal mulai dari analisis data hingga manajemen infrastruktur tanpa kode kustom.

Ekosistem ini mengelompokkan server ke dalam dua kategori utama:

• Kecerdasan data: Berfokus pada kueri, analisis, dan pengaitan dengan data dunia nyata.
• Operasi infrastruktur: Memungkinkan kontrol dan pemantauan sumber daya komputasi.

Server kecerdasan data

Server MCP BigQuery dan Maps menawarkan peluang menarik untuk menyertakan data dalam alur kerja Anda.

BigQuery

Server MCP BigQuery memungkinkan agen untuk:

• Mengeksekusi kueri SQL langsung pada dataset
• Melihat daftar dataset dan tabel yang tersedia
• Mengambil metadata skema dan sampel data
• Menjalankan pekerjaan analitik, termasuk inferensi ML melalui BigQuery ML

Ini memungkinkan agen melakukan analisis data kompleks, membuat laporan, atau memprediksi tren secara otonom.

Google Maps

Server MCP Google Maps didukung oleh Grounding Lite dan Places API, serta mendukung:

• Geocoding dan reverse geocoding
• Pencarian tempat dan pengambilan detail
• Perhitungan rute dan petunjuk arah
• Perhitungan matriks jarak

Use Case: Business intelligence real-time dan optimasi logistik. Agen dapat menanyakan data penjualan di BigQuery, mengacu silang dengan Maps untuk wawasan geografis, dan merekomendasikan optimasi rute pengantaran, semuanya dalam satu loop penalaran.

Server operasi infrastruktur

Di sisi infrastruktur, Anda dapat menggunakan server MCP Kubernetes Engine (GKE) dan Compute Engine (GCE).

Google Kubernetes Engine

Server MCP GKE mengekspos operasi seperti:

• Melihat daftar cluster, node, dan pod
• Memeriksa kesehatan cluster dan pemanfaatan sumber daya
• Membaca log dan event
• Menskalakan deployment (dengan izin IAM yang sesuai)

Google Compute Engine

Server MCP GCE memungkinkan:

• Melihat daftar, memulai, menghentikan, dan memulai ulang instance VM
• Melihat daftar disk atau jenis mesin
• Menanyakan metadata dan status instance

Use Case: Troubleshooting otomatis dan "ChatOps" untuk tim DevOps. Agen dapat mendeteksi pod crash melalui alat GKE, mengorelasikannya dengan metrik VM dari GCE, dan memulai langkah remediasi—mengurangi mean-time-to-resolution dari jam menjadi menit.

Google terus memperluas portofolio ini (dengan layanan seperti Cloud Storage dan AlloyDB dalam pratinjau pada awal 2026), menjadikan lebih banyak layanan Google Cloud dapat diakses agen secara native.

Arsitektur Inti Google MCP Server

Kekuatan MCP terletak pada lapisan komunikasi yang fleksibel namun terstandarisasi, memungkinkan koneksi mulus baik saat Anda membuat prototipe secara lokal maupun menjalankan agen siap produksi dalam skala besar. Server MCP terkelola Google terutama menggunakan streamable HTTP jarak jauh untuk penerapan enterprise, sementara pengembangan lokal memanfaatkan stdio. 

Komunikasi lokal melalui stdio

Transport stdio (standard input/output) adalah cara termudah untuk menjalankan server MCP. Di sini, klien MCP (mis., Claude Desktop atau agen kustom) meluncurkan server sebagai subprocess pada mesin yang sama, berkomunikasi melalui pipa langsung dan tanpa jaringan terlibat.

Kelebihan:

• Sangat mudah disiapkan untuk pengembangan dan pengujian
• Keamanan melekat (tidak ada port terbuka atau permukaan serangan jaringan)
• Latensi rendah

Kekurangan:

• Tidak dapat dibagikan lintas mesin atau tim
• Skalabilitas terbatas (terikat pada host klien)
• Tidak ada konkurensi bawaan untuk banyak sesi

Mode ini sempurna untuk bereksperimen dengan server MCP kustom atau menguji koneksi sebelum beralih ke mode jarak jauh.

Komunikasi jarak jauh via streamable HTTP

Untuk produksi dan penggunaan enterprise, server terkelola Google (dan server kustom yang di-host sendiri) menggunakan streamable HTTP melalui satu endpoint persisten. Ini menggantikan pendekatan Server-Sent Events (SSE) sebelumnya dengan desain yang lebih tangguh yang mendukung:

• Permintaan HTTP POST untuk semua interaksi
• Streaming dua arah opsional untuk respons besar atau inkremental (mis., streaming hasil BigQuery)
• ID sesi untuk percakapan stateful
• Koneksi konkuren untuk panggilan paralel multi-alat

Endpoint terkelola Google mengikuti pola yang konsisten, mis.:

• BigQuery: https://bigquery.googleapis.com/mcp
• Maps: https://mapstools.googleapis.com/mcp
• Compute: https://compute.googleapis.com/mcp

Semua trafik diamankan dengan token ID Google (OAuth2), memastikan panggilan diautentikasi dan diotorisasi melalui IAM.

Alur urutannya dapat terlihat seperti ini:

1. Klien mengirim penemuan/pemintaan alat melalui POST ke /mcp.

2. Server memvalidasi identitas dan merutekan ke layanan backend.

3. Backend mengeksekusi (mis., menjalankan SQL di BigQuery).

4. Respons di-stream kembali secara bertahap (format JSON-RPC) untuk penanganan output besar yang efisien.

Mulai Menggunakan Google MCP Server

Salah satu keuntungan terbesar dari server MCP Google adalah betapa minimnya penyiapan yang diperlukan dibandingkan alternatif yang di-host sendiri. Kita akan membedakan dengan jelas antara server terkelola dan kustom saat menjalani langkah-langkahnya.

• Server Google MCP Terkelola: Ini untuk layanan seperti BigQuery, Maps, GCE, dan GKE, serta sepenuhnya di-host oleh Google. Anda tidak menerapkan apa pun—cukup aktifkan endpoint di proyek Anda, berikan izin IAM, dan konfigurasikan klien Anda. Mereka siap digunakan langsung.
• Server MCP Kustom: Untuk alat internal, API pihak ketiga, atau ekstensi lanjutan, Anda membangun dan menerapkan server sendiri (mis., menggunakan MCP Toolbox Google). Biasanya diterapkan ke Cloud Run untuk skalabilitas.

Menyiapkan lingkungan Google Cloud untuk server terkelola

Ikuti langkah-langkah ini (berdasarkan tutorial resmi) untuk mengaktifkan dan menyiapkan server MCP terkelola.

Prasyarat

• Proyek Google Cloud dengan penagihan diaktifkan

• Akses Google Cloud Console dan Cloud Shell (atau gcloud CLI lokal)

• Akun pengguna Anda diautentikasi melalui gcloud auth login

Penyiapan Proyek dan Pengaktifan API

1. Buat atau pilih proyek di Google Cloud Console.
2. Aktifkan penagihan jika belum dilakukan.
3. Aktifkan API layanan inti (di Cloud Shell atau terminal lokal):

gcloud auth list  # Verify you're logged in
gcloud config list project  # Check current project
gcloud config set project YOUR_PROJECT_ID  # If needed

gcloud services enable bigquery.googleapis.com \
  compute.googleapis.com \
  container.googleapis.com \
  mapstools.googleapis.com

Perhatikan bahwa Maps MCP memerlukan kunci API tersendiri untuk penagihan dan kuota. Buat satu dengan perintah berikut:

gcloud alpha services api-keys create --display-name="Maps-MCP-Key"

Salin keyString yang ditampilkan—Anda akan membutuhkannya untuk konfigurasi klien.

Aktifkan Server MCP terkelola (beta)

Layanan MCP memerlukan pengaktifan beta secara eksplisit:

export PROJECT_ID=$(gcloud config get-value project)
export USER_EMAIL=$(gcloud config get-value account)

gcloud beta services mcp enable bigquery.googleapis.com --project=$PROJECT_ID
gcloud beta services mcp enable mapstools.googleapis.com --project=$PROJECT_ID
gcloud beta services mcp enable compute.googleapis.com --project=$PROJECT_ID
gcloud beta services mcp enable container.googleapis.com --project=$PROJECT_ID

Konfigurasi IAM

Berikan peran pengguna alat MCP ke akun Anda:

gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="user:$USER_EMAIL" \
  --role="roles/mcp.toolUser"

Tambahkan peran khusus layanan untuk akses least-privilege, misalnya:

• BigQuery: roles/bigquery.jobUser dan roles/bigquery.dataViewer

• Compute/GKE: roles/compute.viewer atau roles/container.viewer

Server terkelola kini siap! Endpoint:

• BigQuery: https://bigquery.googleapis.com/mcp
• Maps: https://mapstools.googleapis.com/mcp
• Compute (GCE & GKE): https://compute.googleapis.com/mcp

Menerapkan Server MCP jarak jauh kustom ke Cloud Run

Untuk alat kustom di luar portofolio terkelola Google, bangun server MCP Anda sendiri menggunakan pustaka seperti FastMCP (Python) dan terapkan ke Cloud Run untuk skalabilitas dan berbagi tim. Kami tidak akan terlalu mendetail di sini, namun akan memberikan gambaran tingkat tinggi prosesnya.

Langkah-Langkah Tingkat Tinggi:

1. Buat proyek Python dan tambahkan FastMCP sebagai dependensi (menggunakan alat seperti uv).

2. Implementasikan kode server Anda (mis., server.py) yang mendefinisikan alat kustom, menggunakan transport="streamable-http".

3. Tulis Dockerfile ringan (berbasis python:slim) untuk memasang dependensi dan menjalankan server pada $PORT.

4. Aktifkan API yang diperlukan (Cloud Run, Artifact Registry, Cloud Build).

5. Terapkan langsung dari sumber atau bangun/push container.

6. Amankan layanan: Wajibkan autentikasi IAM (--no-allow-unauthenticated), berikan roles/run.invoker kepada principal yang berwenang, dan gunakan token identitas untuk koneksi klien.

gcloud run deploy your-mcp-server \
  --source . \
  --region=us-central1 \
  --no-allow-unauthenticated

Proses ini memakan waktu kurang dari 10 menit untuk server sederhana dan menyediakan hosting kelas produksi dengan penskalaan otomatis.

Konfigurasi Klien dan Integrasi Google MCP Server

Server MCP yang diterapkan (atau diaktifkan) menjadi benar-benar kuat saat terhubung ke klien AI. Bagian ini membahas konfigurasi klien populer untuk menggunakan server MCP terkelola Google dan membangun agen terprogram.

Pengujian dengan MCP Inspector

MCP Inspector menyediakan UI berbasis web yang bersih untuk mengeksplorasi server MCP apa pun, termasuk milik Google yang terkelola. Ini sangat berguna untuk pemecahan masalah autentikasi, menemukan nama/parameter alat yang tepat, dan melihat respons nyata.

Prosesnya seperti ini:

1. Luncurkan Inspector
2. Hubungkan ke Google-managed MCP Server
3. Jelajahi dan uji alat

Untuk meluncurkan Inspector, jalankan perintah ini di terminal Anda:

npx @modelcontextprotocol/inspector

Ini memulai server web lokal dan membuka UI Inspector di browser default Anda. 

Selanjutnya, kita terhubung ke Google MCP Server. Mari mulai dengan Google Maps sebagai contoh. 

Di UI Inspector, di sisi kiri, kita akan mengonfigurasi MCP Inspector untuk terhubung ke Google Maps MCP Server kita. Silakan ikuti dan masukkan instruksi serta nilai spesifik berikut:

1. Transport Type: Pilih Streamable HTTP

2. URL: Masukkan https://mapstools.googleapis.com/mcp

3. Connection Type: Pilih via Proxy (ini menangani autentikasi Google dengan aman menggunakan kredensial gcloud Anda yang sudah login).

4. Custom Headers: Tambahkan satu header

   • Key: X-Goog-Api-Key

   • Value: Kunci API Maps Anda (keyString dari penyiapan sebelumnya).

5. Klik Connect.

Jika semuanya berjalan baik, Anda akan melihat MCP Inspector berhasil terhubung ke Server. Di panel kanan, Anda dapat memperoleh alat yang didukung oleh Google Maps MCP Server dengan mengeklik List Tools.

Mari jelajahi dan uji alatnya:

• Pilih alat apa pun untuk melihat skema JSON lengkapnya: deskripsi, parameter (dengan tipe dan field wajib), dan contoh. 
• Isi parameter (mis., query: "best coffee in Pune, Maharashtra") dan klik Invoke.
• Hasil nyata muncul seketika, di-stream bertahap untuk respons besar.

Untuk server BigQuery dan Compute, prosesnya identik namun lebih sederhana, karena tidak memerlukan header kunci API. Alur autentikasi mengalir otomatis melalui proxy.

Mengonfigurasi Gemini CLI

Gemini CLI adalah agen terminal open-source resmi Google dengan integrasi native mendalam untuk server MCP. Ini adalah cara paling mulus untuk mulai membangun alur kerja agentic. 

Menyiapkan Gemini CLI

Pasang Gemini CLI menggunakan perintah berikut:

npm install -g @google/gemini-cli@latest

Menambahkan server dan menguji koneksi

Kita akan menggunakan Maps sebagai contoh lagi. Untuk menambahkan Google Maps MCP Server, gunakan perintah berikut dan ingat untuk mengganti YOUR_MAPS_API_KEY dengan kunci API Maps Anda yang kita buat sebelumnya.

gemini mcp add -s user -t http -H 'X-Goog-Api-Key: YOUR_MAPS_API_KEY' maps-grounding-lite-mcp https://mapstools.googleapis.com/mcp

Di sesi Gemini baru, verifikasi koneksi dengan perintah /mcp list.

Pada interaksi pertama, kita mengajukan pertanyaan bahasa alami sederhana: 

“Apa saja tempat sarapan hemat di New York?”

Gemini secara otomatis memilih alat Maps. Setelah Anda menyetujui eksekusinya, ia memanggil alat-alat tersebut dan mengembalikan hasil yang terformat.

Berhasil! Kami mendapatkan respons berikut:

Here are some economical breakfast places in New York:
Good Morning Breakfast is a breakfast restaurant located at 1216 Broadway, New York, NY 10001. It is open from 6:00 AM to 12:00 PM on weekdays and 6:30 AM to 12:30 PM on Saturdays. They serve breakfast and lunch and have vegetarian options. The price range is $1-$10.
Andrews NYC Diner is a diner located at 463 7th Ave, New York, NY 10018. They are open from 6:00 AM to 10:00 PM on weekdays, 6:00 AM to 11:00 PM on Fridays and Saturdays, and 7:00 AM to 11:00 PM on Sundays.
They serve breakfast, lunch, and dinner, and have outdoor seating and a children's menu.
The price range is $10-$20.
George's is an American restaurant located at 89 Greenwich St, New York, NY 10006. They are open from 7:00 AM to 6:00 PM daily. They serve breakfast, lunch, and dinner, and have outdoor seating and a children's menu. The price range is $10-$20.
New York Luncheonette is an American restaurant located at 135 E 50th St, New York, NY 10022. They are open from 7:00 AM to 10:00 PM daily. They serve breakfast, lunch, and dinner, and have a children's menu.
The price range is $10-$20.

Momen klasik "Hello World" di Gemini CLI: daftar alat yang bersih setelah menambahkan server, diikuti kueri bahasa alami yang memicu panggilan alat Maps nyata. 

Menggunakan Gemini CLI dengan Google Maps MCP Server

Untuk menguji kemampuan penalaran yang lebih lanjut dikombinasikan dengan data Maps, kita memasukkan prompt berikut: 

"Rencanakan rute berkendara dari Mumbai ke Goa dengan persinggahan makan siang yang indah di pertengahan jalan. Sarankan restoran yang bagus di sana."

Saat Anda mengirim prompt ini, agen AI (Gemini atau Claude) melakukan loop penalaran multi-langkah yang canggih hanya dengan menggunakan alat Google Maps MCP:

1. Menghitung rute penuh: Agen memanggil compute_routes dengan origin "Mumbai" dan destination "Goa". Ini mengembalikan jarak sekitar ~566 km dengan durasi ~11 jam 41 menit (mempertimbangkan lalu lintas).

2. Menalar titik tengah: Agen menghitung bahwa titik tengah (~280–300 km) berada di sekitar wilayah Konkan, khususnya dekat Chiplun, yang terkenal dengan pemandangan sungai, ghat, dan keindahan alamnya.

3. Mencari restoran bernuansa pemandangan: Ia menggunakan search_places dengan kueri yang condong ke Chiplun/Ratnagiri, memfilter untuk rating tinggi, pemandangan outdoor/indah, dan ketersediaan makan siang.

4. Memilih dan mendeskripsikan opsi terbaik: Pada akhirnya, ia memilih tempat unggulan (dalam kasus Anda, The Riverview Restaurant di Chiplun) dan menonjolkan area duduk luar ruangan serta suasana yang menenangkan.

Respons ini dihasilkan secara langsung. Durasi rute berasal langsung dari panggilan alat compute_routes yang Anda lihat di output debug, dan rekomendasi restoran didasarkan pada data nyata Places API: bukan fakta hardcoded, bukan halusinasi, melainkan penggunaan alat yang aman dan terbaru.

Begini cara Gemini CLI memanggil alat dan menampilkan rekomendasinya:

compute_routes (maps-grounding-lite-mcp MCP Server) {"destination": {"address": "Goa"}, "origin": {"address": "Mumbai" }}
{
  "routes": [
    {
      "distanceMeters": 566414,
      "duration": "42095s"
    }
  ]
}
* A great place to stop for a scenic lunch on your drive from Mumbai to Goa is Chiplun, which is roughly halfway. I recommend The Riverview Restaurant in Chiplun. It offers outdoor seating and is a great spot to relax and enjoy a meal with a view.
The drive from Mumbai to Goa is approximately 566 km and will take about 11 hours and 40 minutes without stops. Enjoy your trip

Integrasi Terprogram dengan LangChain atau LangGraph

Di luar klien interaktif seperti Gemini CLI atau Claude Desktop, kekuatan sebenarnya dari server MCP terkelola Google tampak saat Anda membangun agen AI kustom siap produksi dalam kode. Ekosistem LangChain open-source mempermudah hal ini dengan paket langchain-mcp-adapters, yang mengubah server MCP jarak jauh apa pun menjadi alat standar LangChain.

Pendekatan ini memberi Anda visibilitas penuh ke dalam penemuan alat, autentikasi, dan pemanggilan: sempurna untuk debugging, membangun router alat kustom, atau mengintegrasikan ke dalam alur kerja async yang ada.

Menggunakan LangChain untuk terhubung ke BigQuery MCP Server

Untuk memberi pemahaman yang lebih baik, mari perlihatkan dalam contoh. Skrip lengkap dan dapat dijalankan berikut menunjukkan cara:

• Autentikasi dengan Google Cloud menggunakan Application Default Credentials

• Terhubung ke endpoint MCP BigQuery terkelola melalui streamable HTTP

• Menemukan semua alat yang tersedia

• Memanggil alat spesifik (list_dataset_ids) dan mencetak hasil nyata

import asyncio
import google.auth
import google.auth.transport.requests
import httpx

from mcp import ClientSession
from mcp.client.streamable_http import streamable_http_client
from langchain_mcp_adapters.tools import load_mcp_tools

async def list_and_invoke_bigquery():
    # 1. Authenticate with Google Cloud (run: gcloud auth application-default login)
    credentials, project_id = google.auth.default(
        scopes=["https://www.googleapis.com/auth/cloud-platform"]
    )
    auth_request = google.auth.transport.requests.Request()
    credentials.refresh(auth_request)

    url = "https://bigquery.googleapis.com/mcp"
    print(f"Connecting to: {url}...")

    # 2. Setup authenticated HTTP client
    async with httpx.AsyncClient(headers={
        "Authorization": f"Bearer {credentials.token}",
        "x-goog-user-project": project_id,
        "Content-Type": "application/json"
    }) as http_client:
        
        # 3. Establish streamable HTTP transport and MCP session
        async with streamable_http_client(url, http_client=http_client) as (read, write, _):
            async with ClientSession(read, write) as session:
                await session.initialize()
                
                # 4. Discover all tools exposed by Google's BigQuery MCP server
                tools = await load_mcp_tools(session)
                
                print(f"\n--- DISCOVERY: Found {len(tools)} tools ---")
                for tool in tools:
                    print(f"Tool: {tool.name}")
                
                # 5. Invoke a specific tool: list_dataset_ids
                print(f"\n--- INVOCATION: Fetching datasets for project '{project_id}' ---")
                
                dataset_tool = next((t for t in tools if t.name == "list_dataset_ids"), None)
                if dataset_tool:
                    try:
                        result = await dataset_tool.ainvoke({"project_id": project_id})
                        print("SUCCESS! Datasets in your project:")
                        print(result)
                    except Exception as e:
                        print(f"Error invoking tool: {e}")
                else:
                    print("Tool 'list_dataset_ids' not found.")

if __name__ == "__main__":
    asyncio.run(list_and_invoke_bigquery())

Saat dijalankan dalam proyek GCP yang dikonfigurasi dengan benar, skrip ini menghasilkan output seperti:

Connecting to: https://bigquery.googleapis.com/mcp…

--- DISCOVERY: Found 5 tools ---
Tool: list_dataset_ids
Tool: get_dataset_info
Tool: list_table_ids
Tool: get_table_info
Tool: execute_sql

--- INVOCATION: Fetching datasets for ‘project’ ---
SUCCESS! Output from BigQuery: (...)

Ini mengonfirmasi:

• Autentikasi aman melalui ADC
• Handshake berhasil dengan server jarak jauh terkelola Google
• Penemuan alat lengkap
• Eksekusi langsung yang mengembalikan dataset BigQuery Anda yang sebenarnya

Pola tingkat rendah ini sangat berharga saat:

• Men-debug masalah koneksi atau izin
• Membangun logika pemilihan alat kustom
• Mengintegrasikan MCP ke layanan FastAPI, pekerja latar belakang, atau aplikasi streaming
• Membutuhkan kontrol presisi atas alur async

Setelah Anda memverifikasi konektivitas dengan cara ini, Anda dapat meningkat dengan percaya diri ke kerangka tingkat lebih tinggi seperti agen LangGraph (seperti ditunjukkan pada contoh sebelumnya) atau memasukkan alat ini ke sistem yang kompatibel dengan LangChain apa pun.

Dengan fondasi ini, server Google MCP menjadi ekstensi yang aman dan siap produksi dari stack AI Python Anda, tanpa memerlukan glue code kustom.

Praktik Terbaik Keamanan untuk Google MCP Server

Keamanan bukanlah pemikiran belakangan dengan server MCP terkelola Google. Sebaliknya, ini dibangun dari dasar. Dengan berjalan di infrastruktur Google dan terintegrasi erat dengan manajemen identitas dan akses Google Cloud, server ini menyediakan perlindungan kelas enterprise yang jauh melampaui alternatif yang di-host sendiri atau eksperimental.

Identity and Access Management

Google Cloud menggunakan kerangka IAM (Identity and Access Management) yang tangguh untuk mengatur siapa (atau apa) yang dapat memanggil alat MCP Anda.

Di bawah Role-Based Access Control (RBAC), setiap agen AI harus memiliki service account khususnya sendiri. Kontrol ini bergantung pada dua lapisan otorisasi yang berbeda:

• Gateway role: Untuk menggunakan alat Google MCP apa pun, identitas harus memiliki peran roles/mcp.toolUser.

• Izin spesifik layanan: Karena mcp.toolUser hanya mengizinkan koneksi, Anda tetap perlu memberikan izin spesifik untuk aksinya. Misalnya, jika AI perlu menanyakan data, ia memerlukan roles/bigquery.jobUser. Sebaliknya, jika hanya perlu melihat status VM, Anda harus memberinya roles/compute.viewer, bukan roles/compute.admin.

Model Armor

Model Armor adalah layanan Google Cloud yang dirancang untuk meningkatkan keamanan dan keselamatan aplikasi AI Anda. Layanan ini bekerja dengan secara proaktif menyaring prompt dan respons LLM, melindungi dari berbagai risiko dan memastikan praktik AI yang bertanggung jawab. 

Baik Anda menerapkan AI di Google Cloud atau penyedia cloud lain, Model Armor dapat membantu Anda mencegah input berbahaya, memverifikasi keamanan konten, melindungi data sensitif, menjaga kepatuhan, dan menegakkan kebijakan keamanan serta keselamatan AI Anda secara konsisten di seluruh aplikasi AI Anda.

Model Armor bertindak sebagai Web Application Firewall (WAF) khusus untuk AI:

• Sanitisasi prompt: Menyaring setiap prompt masuk untuk serangan injeksi dan upaya jailbreak sebelum permintaan mencapai server MCP Anda.
• Keamanan konten: Menyaring konten berbahaya dan dapat dikonfigurasi dengan templat Sensitive Data Protection (SDP) untuk menyamarkan PII (nama, SSN, nomor kartu kredit) baik dalam prompt maupun output alat.
• Pengaturan dasar: Google merekomendasikan "lantai keamanan" tertentu untuk MCP, yang mencakup pemindaian wajib untuk URL berbahaya dan pola injeksi prompt.

Observability dan Kepatuhan

Setiap pemanggilan alat yang dilakukan melalui server MCP Google adalah peristiwa yang terdokumentasi.

• Cloud logging: Tindakan MCP secara otomatis diarahkan ke Cloud Logging. Ini mencakup ID agen, ID sesi, alat spesifik yang dipanggil, dan payload.

• Jejak audit: Dengan mengaktifkan data access logs untuk layanan mcp.googleapis.com, Anda dapat menjaga catatan permanen untuk tinjauan kepatuhan, memungkinkan Anda menjawab: "Siapa (agen mana) mengakses data apa, dan kapan?"

Kesimpulan

Tidak ada lagi konektor kustom rapuh untuk setiap model atau alat: server MCP terkelola Google menandai titik balik bagi agentic AI di Google Cloud. Dengan mengadopsi standar terbuka MCP dan menghadirkan implementasi yang sepenuhnya di-host, kelas enterprise untuk BigQuery, Google Maps, Compute Engine, dan GKE, Google telah menghilangkan hambatan terbesar dalam membangun agen andal yang mampu bertindak.

Seperti yang telah kita jelajahi dalam panduan ini, arsitektur yang terstandarisasi ini menghilangkan mimpi buruk "glue code" dan memungkinkan Anda menskalakan dari prototipe lokal ke penerapan Cloud Run tanpa menulis ulang alat untuk setiap klien. Selain itu, dengan Google Cloud IAM dan Model Armor, agen Anda terlindungi secara native dari ancaman AI modern.

Peralihan dari "Chatbot" ke "Agent" sedang terjadi sekarang. Dengan menguasai Google MCP Servers, Anda tidak hanya membangun AI yang menjawab pertanyaan—Anda membangun rekan digital yang mampu mengoperasikan cloud Anda secepat pikiran.

Siap mengubah semua yang Anda pelajari dalam panduan ini menjadi keahlian setingkat karier? Daftarkan diri Anda di Associate AI Engineer for Developers career track.