Hướng dẫn Google MCP Servers: Triển khai Agentic AI trên GCP

Các mô hình ngôn ngữ lớn (LLM) đã thay đổi cách chúng ta tương tác với AI, nhưng phần lớn chúng vẫn bị “mắc kẹt” trong giao diện trò chuyện. Yêu cầu AI phân tích dữ liệu doanh số mới nhất của bạn trong BigQuery hay kiểm tra tình trạng cụm trong GKE thường đòi hỏi viết mã “kết dính” cho từng công cụ, từng mô hình và từng quy trình.

Giới thiệu máy chủ MCP do Google quản lý: giải pháp doanh nghiệp kết nối tác nhân AI với hạ tầng Google Cloud mạnh mẽ như BigQuery, Google Maps, Compute Engine (GCE) và Kubernetes Engine (GKE) mà không cần trình kết nối tùy chỉnh.

Được xây dựng trên tiêu chuẩn mở Model Context Protocol (MCP) từ Anthropic, các máy chủ từ xa được quản lý hoàn toàn này cung cấp quyền truy cập bảo mật, được chuẩn hóa, cho phép bất kỳ client tương thích MCP nào (như Gemini CLI hoặc Claude Desktop) biến AI thành một “operator” chủ động.

Trong hướng dẫn này, tôi sẽ trình bày kiến trúc thực tiễn của MCP và danh mục máy chủ của Google, đồng thời hướng dẫn từng bước để triển khai một máy chủ MCP sẵn sàng cho sản xuất. Dù bạn đang neo AI vào dữ liệu doanh nghiệp hay tự động hóa tác vụ DevOps, bạn sẽ khởi chạy chỉ trong vài phút.

Mới dùng Google Cloud? Tôi khuyến nghị bắt đầu với khóa học miễn phí Introduction to GCP để nắm phần thanh toán, dự án và các dịch vụ cơ bản.

Model Context Protocol là gì?

Model Context Protocol (MCP) là một tiêu chuẩn mã nguồn mở do Anthropic giới thiệu vào tháng 11/2024. Nó đóng vai trò như một giao diện phổ quát—thường được ví như “USB-C cho AI”—chuẩn hóa cách các mô hình và tác nhân AI kết nối với nguồn dữ liệu, công cụ và hệ thống bên ngoài.

Trước MCP, tích hợp một tác nhân AI với các công cụ như cơ sở dữ liệu, API hoặc dịch vụ đám mây đòi hỏi xây dựng trình kết nối tùy chỉnh cho từng mô hình AI (ví dụ: mã riêng cho Claude, Gemini hoặc GPT). Điều này dẫn đến sự phân mảnh bùng nổ trong tích hợp.

MCP giải quyết điều này bằng cách định nghĩa một giao thức thống nhất, nhất quán: nhà phát triển triển khai một công cụ hoặc nguồn dữ liệu một lần dưới dạng máy chủ MCP, và bất kỳ client AI tương thích MCP nào (như Claude Desktop, Gemini CLI hoặc tác nhân tùy chỉnh) đều có thể khám phá và sử dụng liền mạch.

Lợi ích cốt lõi là khả năng tương tác và giảm trùng lặp. Viết máy chủ MCP cho BigQuery một lần, và nó hoạt động trên mọi mô hình AI được hỗ trợ mà không cần bộ chuyển đổi bổ sung. Điều này tăng tốc phát triển hệ thống AI “agentic”, nơi tác nhân không chỉ phản hồi truy vấn mà còn chủ động suy luận, truy vấn dữ liệu và thực thi hành động trong thế giới thực.

Client khám phá các công cụ khả dụng từ các máy chủ đã kết nối, LLM quyết định công cụ nào sẽ gọi, và kết quả được quay lại để tiếp tục suy luận, tất cả đều được chuẩn hóa qua giao thức dựa trên JSON-RPC của MCP.

Thiết kế “bộ dịch đa năng” này là lý do Google (và nhiều bên khác) nhanh chóng áp dụng MCP: các máy chủ do họ quản lý ghép vào hệ sinh thái này, giúp dịch vụ Google Cloud có thể truy cập ngay từ bất kỳ client MCP nào.

Google MCP Server là gì?

Google MCP Servers là các triển khai từ xa, được Google quản lý hoàn toàn của Model Context Protocol (MCP). Ra mắt tháng 12/2025, các máy chủ cấp doanh nghiệp này phơi bày các dịch vụ Google Cloud mạnh mẽ, khởi đầu với BigQuery, Google Maps, GCE và GKE, như những công cụ được chuẩn hóa và có thể khám phá mà bất kỳ client AI tương thích MCP nào cũng dùng được ngay.

Không giống các máy chủ MCP cộng đồng hoặc mã nguồn mở yêu cầu tự lưu trữ, bảo trì, mở rộng và tăng cường bảo mật tùy chỉnh, máy chủ do Google quản lý chạy trên hạ tầng của Google. Chúng cung cấp:

• Không tốn công triển khai: Chỉ cần bật dịch vụ trong dự án của bạn và trỏ client tới endpoint chính thức (ví dụ, https://bigquery.googleapis.com/mcp).
• Độ tin cậy cấp doanh nghiệp: Sẵn sàng cao, tự động mở rộng, và endpoint toàn cầu.
• Bảo mật tích hợp: Xác thực dựa trên IAM, Model Armor (tường lửa LLM của Google để chống chèn prompt và rò rỉ dữ liệu), ghi nhật ký kiểm toán và kiểm soát đặc quyền tối thiểu.
• Quản trị: Bật/tắt tập trung theo dự án hoặc tổ chức.

Công nghệ này mở khóa quy trình agentic. Thay vì chỉ giải thích cách hoạt động của một truy vấn SQL, AI có thể thực thi truy vấn trong BigQuery, phân tích kết quả và đề xuất bước kinh doanh tiếp theo.

Dù các tác nhân này có thể tự động hành động, triển khai của Google hỗ trợ cấu hình “con người trong vòng lặp”, đảm bảo con người có thể xem xét và phê duyệt các thay đổi hạ tầng quan trọng trước khi thực hiện.

Nếu bạn quan tâm đến tự động hóa trình duyệt bằng AI, hãy xem hướng dẫn Chrome DevTools MCP của chúng tôi.

Danh mục máy chủ MCP của Google

Google cung cấp ngày càng nhiều máy chủ MCP được quản lý hoàn toàn, giúp các dịch vụ đám mây chủ chốt sẵn sàng dùng như công cụ cho tác nhân AI. Các máy chủ này được phân loại theo chức năng, cho phép tác nhân xử lý mọi thứ từ phân tích dữ liệu đến quản trị hạ tầng mà không cần mã tùy chỉnh.

Hệ sinh thái nhóm các máy chủ thành hai danh mục chính:

• Trí tuệ dữ liệu: Tập trung vào truy vấn, phân tích và neo vào dữ liệu thực tế.
• Vận hành hạ tầng: Cho phép điều khiển và giám sát tài nguyên tính toán.

Máy chủ trí tuệ dữ liệu

Các máy chủ MCP BigQuery và Maps mở ra cơ hội thú vị để đưa dữ liệu vào quy trình làm việc của bạn.

BigQuery

Máy chủ MCP BigQuery cho phép tác nhân:

• Thực thi truy vấn SQL trực tiếp trên tập dữ liệu
• Liệt kê tập dữ liệu và bảng khả dụng
• Truy xuất siêu dữ liệu lược đồ và dữ liệu mẫu
• Chạy tác vụ phân tích, bao gồm suy luận ML qua BigQuery ML

Điều này giúp tác nhân thực hiện phân tích dữ liệu phức tạp, tạo báo cáo hoặc dự báo xu hướng một cách tự chủ.

Google Maps

Máy chủ MCP Google Maps được hỗ trợ bởi Grounding Lite và Places API, và hỗ trợ:

• Geocoding và reverse geocoding
• Tìm kiếm địa điểm và truy xuất chi tiết
• Tính tuyến đường và chỉ đường
• Tính ma trận khoảng cách

Tình huống sử dụng: Trí tuệ kinh doanh thời gian thực và tối ưu hóa logistics. Một tác nhân có thể truy vấn dữ liệu bán hàng trong BigQuery, đối chiếu với Maps để có insight địa lý và đề xuất tối ưu hóa tuyến giao hàng—tất cả trong một vòng suy luận.

Máy chủ vận hành hạ tầng

Ở phía hạ tầng, bạn có thể dùng máy chủ MCP Kubernetes Engine (GKE) và Compute Engine (GCE).

Google Kubernetes Engine

Máy chủ MCP GKE phơi bày các thao tác như:

• Liệt kê cụm, node và pod
• Kiểm tra sức khỏe cụm và mức sử dụng tài nguyên
• Đọc log và sự kiện
• Tăng/giảm quy mô triển khai (với quyền IAM phù hợp)

Google Compute Engine

Máy chủ MCP GCE cho phép:

• Liệt kê, khởi động, dừng và khởi động lại máy ảo (VM)
• Liệt kê đĩa hoặc loại máy
• Truy vấn siêu dữ liệu và trạng thái instance

Tình huống sử dụng: Khắc phục sự cố tự động và “ChatOps” cho đội DevOps. Một tác nhân có thể phát hiện pod bị crash qua công cụ GKE, liên hệ với chỉ số VM từ GCE và khởi tạo bước khắc phục—giảm MTTR từ hàng giờ xuống còn vài phút.

Google tiếp tục mở rộng danh mục này (với các dịch vụ như Cloud Storage và AlloyDB ở giai đoạn xem trước vào đầu 2026), giúp nhiều dịch vụ Google Cloud có thể truy cập gốc bởi tác nhân.

Kiến trúc lõi của Google MCP Server

Sức mạnh của MCP nằm ở các lớp giao tiếp linh hoạt nhưng được chuẩn hóa, cho phép kết nối liền mạch dù bạn đang thử nghiệm cục bộ hay chạy tác nhân sẵn sàng sản xuất ở quy mô lớn. Các máy chủ MCP do Google quản lý chủ yếu dùng HTTP có thể stream từ xa cho triển khai doanh nghiệp, trong khi phát triển cục bộ tận dụng stdio.

Giao tiếp cục bộ qua stdio

Phương thức truyền stdio (nhập/xuất tiêu chuẩn) là cách đơn giản nhất để chạy máy chủ MCP. Ở đây, client MCP (ví dụ, Claude Desktop hoặc tác nhân tùy chỉnh) khởi chạy máy chủ như một tiến trình con trên cùng máy, giao tiếp qua pipe trực tiếp và không qua mạng.

Ưu điểm:

• Cài đặt cực kỳ dễ cho phát triển và thử nghiệm
• An toàn vốn có (không mở cổng hay bề mặt tấn công mạng)
• Độ trễ thấp

Nhược điểm:

• Không chia sẻ được giữa máy móc hay nhóm
• Khả năng mở rộng hạn chế (gắn với máy chủ của client)
• Không có đồng thời tích hợp cho nhiều phiên

Chế độ này hoàn hảo để thử nghiệm máy chủ MCP tùy chỉnh hoặc kiểm tra kết nối trước khi chuyển sang từ xa.

Giao tiếp từ xa qua HTTP có thể stream

Cho môi trường sản xuất và doanh nghiệp, các máy chủ do Google quản lý (và máy chủ tự lưu trữ tùy chỉnh) dùng HTTP có thể stream qua một endpoint bền vững duy nhất. Cách này thay thế phương pháp Server-Sent Events (SSE) trước đây bằng thiết kế vững chắc hơn, hỗ trợ:

• Yêu cầu HTTP POST cho mọi tương tác
• Streaming hai chiều tùy chọn cho phản hồi lớn hoặc theo từng phần (ví dụ, stream kết quả BigQuery)
• ID phiên cho hội thoại có trạng thái
• Kết nối đồng thời cho các lời gọi song song đa công cụ

Các endpoint do Google quản lý tuân theo mẫu nhất quán, ví dụ:

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

Toàn bộ lưu lượng được bảo mật bằng Google ID token (OAuth2), đảm bảo cuộc gọi được xác thực và ủy quyền qua IAM.

Trình tự luồng có thể như sau:

1. Client gửi yêu cầu khám phá/call công cụ qua POST tới /mcp.

2. Server xác thực danh tính và định tuyến tới dịch vụ backend.

3. Backend thực thi (ví dụ, chạy SQL trong BigQuery).

4. Phản hồi stream theo từng khối (định dạng JSON-RPC) để xử lý hiệu quả đầu ra lớn.

Bắt đầu với Google MCP Server

Một trong những ưu điểm lớn nhất của máy chủ MCP do Google quản lý là yêu cầu thiết lập rất ít so với giải pháp tự lưu trữ. Chúng ta sẽ phân biệt rõ giữa máy chủ do quản lý và tùy chỉnh khi đi qua các bước.

• Máy chủ Google MCP do quản lý: Dành cho các dịch vụ như BigQuery, Maps, GCE và GKE, được Google lưu trữ hoàn toàn. Bạn không triển khai gì—chỉ cần bật endpoint trong dự án, cấp quyền IAM và cấu hình client. Sẵn sàng dùng ngay.
• Máy chủ MCP tùy chỉnh: Cho công cụ nội bộ, API bên thứ ba hoặc mở rộng nâng cao, bạn xây dựng và triển khai máy chủ riêng (ví dụ, dùng Google’s MCP Toolbox). Thường triển khai lên Cloud Run để mở rộng.

Thiết lập môi trường Google Cloud cho máy chủ do quản lý

Thực hiện các bước sau (dựa trên hướng dẫn chính thức) để bật và chuẩn bị máy chủ MCP do quản lý.

Điều kiện tiên quyết

• Một dự án Google Cloud đã bật thanh toán

• Quyền truy cập Google Cloud Console và Cloud Shell (hoặc gcloud CLI cục bộ)

• Tài khoản người dùng của bạn đã xác thực qua gcloud auth login

Thiết lập dự án và bật API

1. Tạo hoặc chọn một dự án trong Google Cloud Console.
2. Bật thanh toán nếu chưa bật.
3. Bật các API dịch vụ cốt lõi (trong Cloud Shell hoặc terminal cục bộ):

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.comĐược hỗ trợ bởi

Lưu ý Maps MCP yêu cầu khóa API riêng cho thanh toán và hạn ngạch. Tạo bằng lệnh sau:

gcloud alpha services api-keys create --display-name="Maps-MCP-Key"Được hỗ trợ bởi

Sao chép keyString hiển thị—bạn sẽ cần nó để cấu hình client.

Bật máy chủ MCP do quản lý (beta)

Dịch vụ MCP yêu cầu bật beta rõ ràng:

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_IDĐược hỗ trợ bởi

Cấu hình IAM

Cấp vai trò công cụ MCP cho tài khoản của bạn:

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

Thêm vai trò theo dịch vụ để áp dụng đặc quyền tối thiểu, ví dụ:

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

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

Máy chủ do quản lý đã sẵn sàng! Endpoint:

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

Triển khai máy chủ MCP từ xa tùy chỉnh lên Cloud Run

Với các công cụ tùy chỉnh ngoài danh mục do Google quản lý, hãy xây dựng máy chủ MCP của riêng bạn bằng thư viện như FastMCP (Python) và triển khai lên Cloud Run để mở rộng và chia sẻ trong nhóm. Chúng tôi sẽ không đi sâu chi tiết mà cung cấp cái nhìn tổng quan ở mức cao.

Các bước ở mức cao:

1. Tạo dự án Python và thêm FastMCP làm phụ thuộc (dùng công cụ như uv).

2. Triển khai mã máy chủ (ví dụ, server.py) định nghĩa công cụ tùy chỉnh, dùng transport="streamable-http".

3. Viết Dockerfile gọn nhẹ (dựa trên python:slim) để cài phụ thuộc và chạy máy chủ trên $PORT.

4. Bật các API cần thiết (Cloud Run, Artifact Registry, Cloud Build).

5. Triển khai trực tiếp từ mã nguồn hoặc build/đẩy container.

6. Bảo mật dịch vụ: Yêu cầu xác thực IAM (--no-allow-unauthenticated), cấp roles/run.invoker cho principal được ủy quyền và dùng identity token cho kết nối client.

gcloud run deploy your-mcp-server \
  --source . \
  --region=us-central1 \
  --no-allow-unauthenticatedĐược hỗ trợ bởi

Quy trình này mất dưới 10 phút cho máy chủ đơn giản và cung cấp lưu trữ cấp sản xuất với tự động mở rộng.

Cấu hình client và tích hợp Google MCP Server

Một máy chủ MCP đã triển khai (hoặc đã bật) chỉ thực sự mạnh mẽ khi được kết nối với client AI. Phần này đề cập cách cấu hình các client phổ biến để dùng máy chủ MCP do Google quản lý và xây dựng tác nhân theo lập trình.

Thử nghiệm với MCP Inspector

MCP Inspector cung cấp UI web gọn để khám phá bất kỳ máy chủ MCP nào, bao gồm máy chủ do Google quản lý. Nó đặc biệt hữu ích khi khắc phục sự cố xác thực, khám phá tên/tham số công cụ chính xác và xem phản hồi thực.

Quy trình như sau:

1. Khởi chạy Inspector
2. Kết nối tới máy chủ MCP do Google quản lý
3. Khám phá và thử công cụ

Để khởi chạy Inspector, chạy lệnh này trong terminal:

npx @modelcontextprotocol/inspectorĐược hỗ trợ bởi

Lệnh này khởi chạy web server cục bộ và mở UI Inspector trong trình duyệt mặc định của bạn.

Tiếp theo, chúng ta kết nối tới Google MCP Server. Hãy bắt đầu với Google Maps làm ví dụ.

Trong UI Inspector, ở bên trái, chúng ta sẽ cấu hình MCP Inspector để kết nối tới Google Maps MCP Server. Vui lòng làm theo và nhập đúng hướng dẫn/giá trị:

1. Transport Type: Chọn Streamable HTTP

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

3. Connection Type: Chọn via Proxy (xử lý xác thực Google an toàn bằng thông tin đăng nhập gcloud đã đăng nhập).

4. Custom Headers: Thêm một header

   • Key: X-Goog-Api-Key

   • Value: Khóa API Maps của bạn (keyString từ bước trước).

5. Nhấp Connect.

Nếu mọi thứ đều ổn, bạn sẽ thấy MCP Inspector kết nối thành công tới Server. Ở panel bên phải, bạn có thể lấy danh sách công cụ do Google Maps MCP Server hỗ trợ bằng cách nhấp List Tools.

Hãy khám phá và thử công cụ:

• Chọn bất kỳ công cụ nào để xem đầy đủ JSON schema: mô tả, tham số (kèm kiểu và trường bắt buộc) và ví dụ.
• Điền tham số (ví dụ, query: "best coffee in Pune, Maharashtra") và nhấp Invoke.
• Kết quả thực xuất hiện ngay, được stream theo khối với phản hồi lớn.

Với máy chủ BigQuery và Compute, quy trình tương tự nhưng đơn giản hơn, vì không cần header khóa API. Luồng xác thực diễn ra tự động qua proxy.

Cấu hình Gemini CLI

Gemini CLI là tác nhân dòng lệnh nguồn mở chính thức của Google với tích hợp gốc, sâu cho máy chủ MCP. Đây là cách mượt mà nhất để bắt đầu xây dựng quy trình agentic.

Cài đặt Gemini CLI

Cài Gemini CLI bằng lệnh sau:

npm install -g @google/gemini-cli@latestĐược hỗ trợ bởi

Thêm máy chủ và kiểm tra kết nối

Chúng ta lại dùng Maps làm ví dụ. Để thêm Google Maps MCP Server, dùng lệnh sau và nhớ thay YOUR_MAPS_API_KEY bằng khóa API Maps bạn đã tạo trước đó.

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

Trong một phiên Gemini mới, xác minh kết nối bằng lệnh /mcp list.

Ở tương tác đầu tiên, chúng ta hỏi một câu tự nhiên đơn giản:

“Những quán ăn sáng tiết kiệm ở New York là gì?”

Gemini tự động chọn công cụ Maps. Sau khi bạn chấp nhận thực thi, nó gọi công cụ và trả về kết quả được định dạng.

Đã hoạt động! Chúng tôi nhận được phản hồi sau:

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.Được hỗ trợ bởi

Khoảnh khắc “Hello World” kinh điển trong Gemini CLI: danh sách công cụ gọn gàng sau khi thêm máy chủ, tiếp theo là truy vấn ngôn ngữ tự nhiên kích hoạt lời gọi công cụ Maps thực.

Dùng Gemini CLI với Google Maps MCP Server

Để kiểm tra khả năng suy luận nâng cao kết hợp với dữ liệu Maps, chúng ta truyền prompt sau:

"Lên kế hoạch lái xe từ Mumbai đến Goa với một điểm dừng ăn trưa ngắm cảnh ở giữa đường. Gợi ý một nhà hàng phù hợp ở đó."

Khi bạn gửi prompt này, tác nhân AI (Gemini hoặc Claude) thực hiện một vòng suy luận nhiều bước tinh vi chỉ sử dụng các công cụ Google Maps MCP:

1. Tính toàn bộ tuyến đường: Tác nhân gọi compute_routes với điểm đi "Mumbai" và điểm đến "Goa". Trả về quãng đường khoảng ~566 km với thời gian ~11 giờ 41 phút (có tính lưu lượng).

2. Suy luận về điểm giữa đường: Tác nhân tính được nửa đường (~280–300 km) rơi vào vùng Konkan, cụ thể gần Chiplun, nổi tiếng với cảnh sông, đèo và vẻ đẹp nên thơ.

3. Tìm nhà hàng có cảnh quan: Dùng search_places với truy vấn thiên về Chiplun/Ratnagiri, lọc theo xếp hạng cao, không gian ngoài trời/cảnh đẹp và phục vụ bữa trưa.

4. Chọn và mô tả phương án tốt nhất: Cuối cùng chọn một điểm nổi bật (trường hợp của bạn là The Riverview Restaurant ở Chiplun) và nêu bật chỗ ngồi ngoài trời, không gian thư giãn.

Phản hồi này được tạo trực tiếp. Thời lượng tuyến đường đến từ lời gọi công cụ compute_routes bạn thấy trong log gỡ lỗi, và khuyến nghị nhà hàng dựa trên dữ liệu thực của Places API: không có dữ kiện hardcode, không “ảo tưởng”, chỉ là sử dụng công cụ an toàn, cập nhật.

Đây là cách Gemini CLI gọi công cụ và in khuyến nghị:

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 tripĐược hỗ trợ bởi

Tích hợp theo lập trình với LangChain hoặc LangGraph

Vượt ra khỏi các client tương tác như Gemini CLI hay Claude Desktop, sức mạnh thực sự của máy chủ MCP do Google quản lý tỏa sáng khi bạn xây dựng tác nhân AI tùy chỉnh, sẵn sàng sản xuất bằng mã. Hệ sinh thái mã nguồn mở LangChain giúp việc này trở nên đơn giản với gói langchain-mcp-adapters, biến bất kỳ máy chủ MCP từ xa nào thành công cụ chuẩn của LangChain.

Cách tiếp cận này mang lại khả năng quan sát đầy đủ vào khám phá công cụ, xác thực và gọi thực thi: hoàn hảo cho gỡ lỗi, xây dựng bộ định tuyến công cụ tùy chỉnh hoặc tích hợp vào quy trình async hiện có.

Dùng LangChain để kết nối tới BigQuery MCP Server

Để bạn hiểu rõ hơn, hãy minh họa bằng ví dụ. Script hoàn chỉnh, có thể chạy sau đây cho thấy cách:

• Xác thực với Google Cloud bằng Application Default Credentials

• Kết nối tới endpoint MCP BigQuery do quản lý qua HTTP có thể stream

• Khám phá tất cả công cụ khả dụng

• Gọi một công cụ cụ thể (list_dataset_ids) và in kết quả thực

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())Được hỗ trợ bởi

Khi chạy trong một dự án GCP được cấu hình đúng, script này tạo đầu ra như:

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: (...)Được hỗ trợ bởi

Điều này xác nhận:

• Xác thực an toàn qua ADC
• Bắt tay thành công với máy chủ từ xa do Google quản lý
• Khám phá công cụ đầy đủ
• Thực thi trực tiếp trả về các dataset BigQuery thực của bạn

Mẫu cấp thấp này vô giá khi:

• Gỡ lỗi sự cố kết nối hoặc quyền
• Xây dựng logic chọn công cụ tùy chỉnh
• Tích hợp MCP vào dịch vụ FastAPI, worker nền hoặc ứng dụng streaming
• Cần kiểm soát chính xác luồng async

Khi đã xác minh kết nối theo cách này, bạn có thể tự tin mở rộng lên các framework cấp cao như tác nhân LangGraph (như đã minh họa trước đó) hoặc đưa các công cụ này vào bất kỳ hệ thống tương thích LangChain nào.

Với nền tảng này, máy chủ Google MCP trở thành phần mở rộng an toàn, sẵn sàng sản xuất cho ngăn xếp AI Python của bạn mà không cần mã “kết dính” tùy chỉnh.

Thực hành bảo mật tốt nhất cho Google MCP Server

Bảo mật không phải là suy nghĩ sau cùng với máy chủ MCP do Google quản lý. Ngược lại, nó được xây dựng từ gốc. Chạy trên hạ tầng của Google và tích hợp sâu với quản lý danh tính và truy cập của Google Cloud, các máy chủ này cung cấp lớp bảo vệ cấp doanh nghiệp vượt xa giải pháp tự lưu trữ hay mang tính thử nghiệm.

Quản lý danh tính và truy cập

Google Cloud sử dụng khung IAM (Identity and Access Management) vững chắc để quản trị ai (hoặc cái gì) có thể gọi công cụ MCP của bạn.

Theo RBAC (Role-Based Access Control), mỗi tác nhân AI nên có tài khoản dịch vụ riêng. Việc kiểm soát dựa trên hai lớp ủy quyền riêng:

• Vai trò cổng: Để dùng bất kỳ công cụ Google MCP nào, danh tính phải có vai trò roles/mcp.toolUser.

• Quyền theo dịch vụ: Vì mcp.toolUser chỉ cho phép kết nối, bạn vẫn cần cấp quyền cụ thể cho hành động. Ví dụ, nếu AI cần truy vấn dữ liệu, nó cần roles/bigquery.jobUser. Ngược lại, nếu chỉ cần xem trạng thái VM, bạn nên cấp roles/compute.viewer, không phải roles/compute.admin.

Model Armor

Model Armor là dịch vụ Google Cloud được thiết kế để tăng cường bảo mật và an toàn cho ứng dụng AI của bạn. Nó chủ động sàng lọc prompt và phản hồi của LLM, bảo vệ trước các rủi ro và đảm bảo thực hành AI có trách nhiệm.

Dù bạn triển khai AI trên Google Cloud hay nhà cung cấp khác, Model Armor có thể giúp ngăn đầu vào độc hại, xác minh an toàn nội dung, bảo vệ dữ liệu nhạy cảm, duy trì tuân thủ và thực thi chính sách an toàn/bảo mật AI nhất quán trên các ứng dụng AI của bạn.

Model Armor hoạt động như một WAF (Web Application Firewall) chuyên biệt cho AI:

• Làm sạch prompt: Quét mọi prompt đầu vào để tìm tấn công chèn prompt và jailbreak trước khi yêu cầu đến máy chủ MCP của bạn.
• An toàn nội dung: Lọc nội dung có hại và có thể cấu hình với mẫu SDP (Sensitive Data Protection) để che PII (tên, SSN, số thẻ tín dụng) trong cả prompt và đầu ra công cụ.
• Thiết lập sàn: Google khuyến nghị một “mức sàn” bảo mật cho MCP, bao gồm quét bắt buộc đối với URL độc hại và mẫu chèn prompt.

Quan sát và tuân thủ

Mọi lời gọi công cụ qua máy chủ MCP của Google đều là sự kiện có tài liệu.

• Ghi log đám mây: Hành động MCP tự động được chuyển tới Cloud Logging. Bao gồm ID tác nhân, ID phiên, công cụ cụ thể được gọi và payload.

• Dấu vết kiểm toán: Bằng cách bật nhật ký truy cập dữ liệu cho dịch vụ mcp.googleapis.com, bạn có thể duy trì hồ sơ vĩnh viễn cho mục đích kiểm tra tuân thủ, cho phép trả lời: “Ai (tác nhân nào) đã truy cập dữ liệu nào, khi nào?”

Kết luận

Không còn những trình kết nối tùy chỉnh mong manh cho từng mô hình hay công cụ: máy chủ MCP do Google quản lý đánh dấu bước ngoặt cho Agentic AI trên Google Cloud. Bằng cách áp dụng tiêu chuẩn mở MCP và cung cấp triển khai được lưu trữ hoàn toàn, cấp doanh nghiệp cho BigQuery, Google Maps, Compute Engine và GKE, Google đã loại bỏ rào cản lớn nhất để xây dựng các tác nhân đáng tin, có khả năng hành động.

Như chúng ta đã khám phá trong hướng dẫn này, kiến trúc chuẩn hóa giúp loại bỏ “ác mộng mã kết dính” và cho phép bạn mở rộng từ nguyên mẫu cục bộ tới triển khai Cloud Run mà không cần viết lại công cụ cho từng client. Ngoài ra, với Google Cloud IAM và Model Armor, tác nhân của bạn được bảo vệ gốc trước các mối đe dọa AI hiện đại.

Sự chuyển dịch từ “Chatbot” sang “Agent” đang diễn ra. Bằng cách thành thạo Google MCP Servers, bạn không chỉ xây dựng AI trả lời câu hỏi—bạn đang xây dựng một đồng đội số có khả năng vận hành đám mây của bạn với tốc độ tư duy.

Sẵn sàng biến những gì bạn học trong hướng dẫn này thành kỹ năng ở tầm nghề nghiệp? Hãy đăng ký lộ trình Associate AI Engineer for Developers.