Dataform-Remote-MCP-Server verwenden

Das Model Context Protocol (MCP) standardisiert die Verbindung von Large Language Models (LLMs) und KI-Anwendungen oder ‑Agenten mit externen Datenquellen. Mit MCP-Servern können Sie die Tools, Ressourcen und Prompts verwenden, um Aktionen auszuführen und aktualisierte Daten vom Backend-Dienst abzurufen.

Was ist der Unterschied zwischen lokalen und Remote-MCP-Servern?

Lokale MCP-Server

Werden in der Regel auf Ihrem lokalen Computer ausgeführt und verwenden die Standard-Ein- und Ausgabestreams (stdio) für die Kommunikation zwischen Diensten auf demselben Gerät.

Remote-MCP-Server

Wird auf der Infrastruktur des Dienstes ausgeführt und bietet einen HTTP-Endpunkt für KI-Anwendungen für die Kommunikation zwischen dem KI-MCP-Client und dem MCP-Server. Weitere Informationen zur MCP-Architektur finden Sie unter MCP-Architektur.

Zustandsloser Kern

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

Damit Anfragen weitergeleitet und verarbeitet werden können, ohne dass der Anfragetext geparst werden muss, sind einige MCP-Header erforderlich, darunter die folgenden:

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

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

Google- und Google Cloud Remote-MCP-Server

• Vereinfachte, zentrale Suche
• Verwaltete globale oder regionale HTTP-Endpunkte
• Detaillierte Autorisierung
• Optionale Sicherheit für Prompts und Antworten mit Model Armor-Schutz
• Zentralisiertes Audit-Logging

Informationen zu anderen MCP-Servern sowie zu den Sicherheits- und Governance-Kontrollen, die für Google Cloud-MCP-Server verfügbar sind, finden Sie unter Google Cloud-MCP-Server – Übersicht.

Hinweis

Melden Sie sich in Ihrem Google Cloud -Konto an. Wenn Sie mit Google Cloudnoch nicht vertraut sind, erstellen Sie einfach ein Konto, um die Leistungsfähigkeit unserer Produkte in der Praxis sehen und bewerten zu können. Neukunden erhalten außerdem ein Guthaben von 300 $, um Arbeitslasten auszuführen, zu testen und bereitzustellen.

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 BigQuery and Dataform APIs, if any are 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 APIs

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 BigQuery and Dataform APIs, if any are 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 APIs

1. Verbinden Sie Ihr Dataform-Repository mit einem Git-Anbieter wie GitHub oder GitLab. Weitere Informationen finden Sie unter Verbindung zu einem Git-Repository eines Drittanbieters herstellen.
2. Konfigurieren Sie Ihren KI-Agenten mit einem gültigen OAuth-Token mit dem BigQuery-Bereich.

Erforderliche Rollen

Bitten Sie Ihren Administrator, Ihnen die folgenden IAM-Rollen für Ihr Google Cloud Projekt zuzuweisen, um die Berechtigungen zu erhalten, die Sie zur Verwendung des Dataform MCP-Servers benötigen:

• MCP-Tool-Aufrufe ausführen: MCP Tool User (roles/mcp.toolUser)
• Dataform-Repositories und -Arbeitsbereiche erstellen und Dateien bearbeiten: Dataform-Bearbeiter (roles/dataform.editor)
• BigQuery-Jobs ausführen: BigQuery Job User (roles/bigquery.jobUser)

Weitere Informationen zum Zuweisen von Rollen finden Sie unter Zugriff auf Projekte, Ordner und Organisationen verwalten.

Diese vordefinierten Rollen enthalten die Berechtigungen, die zum Verwenden des Dataform-MCP-Servers erforderlich sind. Maximieren Sie den Abschnitt Erforderliche Berechtigungen, um die notwendigen Berechtigungen anzuzeigen:

Sie können diese Berechtigungen auch mit benutzerdefinierten Rollen oder anderen vordefinierten Rollen erhalten.

Authentifizierung und Autorisierung

Der Dataform-MCP-Server verwaltet den Zugriff über die folgenden Authentifizierungs- und Autorisierungsmechanismen:

• Für Discovery-Anfragen (tools/list) ist keine Authentifizierung erforderlich. So können Agents verfügbare Dataform-Tools identifizieren, ohne dass eine vorherige Autorisierung erforderlich ist.
• Ausführungsanfragen (tools/call) werden mit OAuth authentifiziert. Der Agent muss also ein gültiges OAuth-Token mit dem BigQuery-Bereich bereitstellen. Weitere Informationen finden Sie unter Dataform MCP-OAuth-Bereiche.

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

OAuth-Bereiche für Dataform MCP

Bei OAuth 2.0 wird anhand von Bereichen und Anmeldedaten ermittelt, ob ein authentifiziertes Hauptkonto autorisiert ist, eine bestimmte Aktion für eine Ressource auszuführen. Weitere Informationen zu OAuth 2.0-Bereichen bei Google finden Sie unter Mit OAuth 2.0 auf Google APIs zugreifen.

Um mit dem Dataform-MCP-Server zu interagieren, muss der Agent den BigQuery-OAuth-Bereich verwenden. Mit diesem Bereich kann der Agent Transformationscode verwalten und Ausführungen auslösen, die als BigQuery-Jobs ausgeführt werden.

Für die Ressourcen, auf die während eines Tool-Aufrufs zugegriffen wird, sind möglicherweise zusätzliche Bereiche erforderlich. Eine Liste der für Dataform erforderlichen Bereiche finden Sie unter Dataform API.

MCP-Client für die Verwendung des Dataform-MCP-Servers konfigurieren

KI-Anwendungen und ‑Agents wie Claude oder Antigravity können einen MCP-Client instanziieren, der eine Verbindung zu einem einzelnen MCP-Server herstellt. Eine KI-Anwendung kann mehrere Clients haben, die eine Verbindung zu verschiedenen MCP-Servern herstellen. Wenn Ihre Anwendung nicht in der clientspezifischen Anleitung aufgeführt ist, können Sie die folgenden Informationen verwenden, um eine Verbindung von den meisten Anwendungen aus herzustellen.

Suchen Sie in Ihrer KI-Anwendung nach einer Möglichkeit, einen Remote-MCP-Server hinzuzufügen oder eine Verbindung zu einem solchen Server herzustellen. Gehen Sie für den Dataform-MCP-Server so vor:

• Servername: Dataform-MCP-Server

• Server-URL oder Endpunkt: https://dataform.REGION.rep.googleapis.com/mcp

  Ersetzen Sie REGION durch die Region, in der sich Ihr Repository befindet, z. B. us-central1.

• Transport: Streamable HTTP

• Authentifizierungsdetails: Je nachdem, wie Sie sich authentifizieren möchten, können Sie Ihre Google Cloud Anmeldedaten, Ihre OAuth-Client-ID und Ihr OAuth-Secret oder eine Agentenidentität und Anmeldedaten eingeben. Weitere Informationen zur Authentifizierung finden Sie unter Bei MCP-Servern authentifizieren.

• OAuth-Bereich: Der OAuth 2.0-Bereich, den Sie beim Herstellen einer Verbindung zum Dataform MCP-Server verwenden möchten.

Anwendungsspezifische Anleitungen zum Einrichten und Herstellen einer Verbindung zum MCP-Server finden Sie unter Clientspezifische Anleitung.

Allgemeinere Informationen finden Sie in den folgenden Ressourcen:

• Verbindung mit Remote-MCP-Servern herstellen:
• MCP in einer KI-Anwendung konfigurieren

Funktionen von Agenten

Der Dataform-MCP-Server bietet eine Reihe von Tools, mit denen KI-Agenten durch Orchestrierung von Dataform-API-Aufrufen mit Datentransformations-Workflows interagieren und diese debuggen können. Der Server bietet Tools für Folgendes:

• Pipelinecode erstellen. Agents können Entwicklerarbeitsbereiche erstellen und auflisten, mehrere Dateien durchsuchen und bearbeiten sowie Änderungen an Remote-Git-Anbieter wie GitHub oder GitLab übertragen.
• Assets mit einer einzelnen Datei einrichten Agents verwalten grundlegende Ressourceneinrichtungen, einschließlich der Erstellung von Repositorys und Abfragen von Verzeichnisinhalten.
• Pipelines und Releases verwalten Agents verwalten Workflow- und Releasekonfigurationen, generieren Kompilierungsergebnisse und lösen Workflow-Aufrufe aus oder brechen sie ab.
• Fehlerbehebung und Validierung Agents ermitteln, warum Pipelines fehlschlagen, indem sie Kompilierungsergebnisse abrufen und Workflow-Aufrufaktionen abfragen.

Bei Repositories, die mit einem Remote-Git-Host verbunden sind, muss der Agent Arbeitsbereichstools wie create_workspace und commit_workspace_changes für die Pipelineentwicklung verwenden. Tools für direkte Repositorys schlagen bei diesen Repositorys fehl, da sie nur für Assets mit einer einzelnen Datei in von Google gehosteten Repositorys vorgesehen sind.

Verfügbare Tools

Details zu verfügbaren MCP-Tools und deren Beschreibungen für den Dataform-MCP-Server finden Sie in der Dataform-MCP-Referenz.

Listentools

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

curl -X POST https://dataform.googleapis.com/TOOLSET_ENDPOINT \
    -H 'Content-Type: application/json' \
    -H 'Accept: application/json' \
    -H 'MCP-Protocol-Version: MCP_PROTOCOL_VERSION' \
    -H 'Mcp-Method: tools/list' \
    -d '{
      "jsonrpc": "2.0",
      "id": 1,
      "method": "tools/list",
      "params": {
        "_meta": {
          "io.modelcontextprotocol/protocolVersion": "MCP_PROTOCOL_VERSION",
          "io.modelcontextprotocol/clientCapabilities": {
            "extensions": {
              "io.modelcontextprotocol/ui": {
                "mimeTypes": ["text/html;profile=mcp-app"]
              }
            }
          }
        }
      }
    }'

Ersetzen Sie Folgendes:

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

Beispiel-Prompts

Mit den folgenden Beispiel-Prompts können Sie Informationen zu Dataform-Ressourcen abrufen, Pipelinecode in Arbeitsbereichen erstellen, Workflows orchestrieren oder Fehler bei Ausführungen beheben:

• „Erstelle ein neues Dataform-Repository mit dem Namen REPOSITORY_ID im Projekt PROJECT_ID.“
• „Erstelle in meinem Projekt einen neuen Ordner mit dem Namen FOLDER_NAME.“
• „Erstelle in meinem Repository einen neuen Arbeitsbereich mit dem Namen WORKSPACE_NAME.“
• „Suche in meinem Arbeitsbereich nach Dateien mit dem Namen FILE_NAME.“
• „Lies die Inhalte von FILE_NAME aus meinem Arbeitsbereich vor.“
• „Übernimm meine Arbeitsbereichsänderungen und übertrage sie per Push an den Remote-Git-Zweig.“
• „Erstelle ein neues Notebook-Asset im Projekt PROJECT_ID.“
• „Übernehme die Änderungen in meiner gespeicherten Abfrage in REPOSITORY_ID.“
• „Erstelle eine Workflow-Konfiguration, mit der meine Pipeline jeden Tag um 8:00 Uhr ausgeführt wird.“
• „Löse eine neue Ausführung für die Workflowkonfiguration WORKFLOW_CONFIGURATION_ID aus.“
• „Check the status of my recent pipeline executions and tell me if any failed, including the error details.“ (Prüfe den Status meiner letzten Pipelineausführungen und teile mir mit, ob eine fehlgeschlagen ist, einschließlich der Fehlerdetails.)
• „Zeig mir die Details der fehlgeschlagenen Ausführung.“
• „Liste alle Dataform-Repositories in der Region REGION des Projekts PROJECT_ID auf.“
• „Cancel the workflow invocation named in repository, which is now running.“ (Breche den Workflow-Aufruf mit dem Namen WORKFLOW_INVOCATION_ID im Repository REPOSITORY_ID ab, der gerade ausgeführt wird.)

Ersetzen Sie in den Prompts Folgendes:

• FILE_NAME: Der Name der Datei.
• FOLDER_NAME: Der Name des Ordners.
• PROJECT_ID: die Google Cloud Projekt-ID.
• REGION: Name der Region
• REPOSITORY_ID: Die eindeutige Kennung für Ihr Dataform-Repository, z. B. quickstart-repository.
• WORKFLOW_CONFIGURATION_ID: die eindeutige Kennung der Workflowkonfiguration.
• WORKFLOW_INVOCATION_ID: Die eindeutige Kennung für eine bestimmte Workflow-Ausführung. Sie können diese Kennung aus den Ergebnissen einer workflowInvocations.list-Anfrage oder aus dem Feld name einer workflowInvocations.create-Antwort abrufen.
• WORKSPACE_NAME: der Name des Arbeitsbereichs.

Optionale Sicherheitskonfigurationen

MCP birgt neue Sicherheitsrisiken und ‑aspekte, da mit den MCP-Tools eine Vielzahl von Aktionen möglich ist. Um diese Risiken zu minimieren und zu verwalten, bietetGoogle Cloud Standardeinstellungen und anpassbare Richtlinien, mit denen Sie die Verwendung von MCP-Tools in Ihrer Google Cloud -Organisation oder Ihrem -Projekt steuern können.

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

Model Armor verwenden

Model Armor ist einGoogle Cloud Dienst, der die Sicherheit Ihrer KI-Anwendungen verbessern soll. Dazu werden LLM-Prompts und ‑Antworten proaktiv geprüft, um vor verschiedenen Risiken zu schützen und eine verantwortungsbewusste Anwendung von KI zu unterstützen. Unabhängig davon, ob Sie KI in Ihrer Cloud-Umgebung oder bei externen Cloud-Anbietern bereitstellen, kann Model Armor Ihnen helfen, schädliche Eingaben zu verhindern, die Sicherheit von Inhalten zu überprüfen, sensible Daten zu schützen, die Compliance aufrechtzuerhalten und Ihre KI-Sicherheitsrichtlinien in Ihrer vielfältigen KI-Landschaft einheitlich durchzusetzen.

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

MCP-Anfragenrouting zu Model Armor

Model Armor aktivieren

Sie müssen die Model Armor APIs aktivieren, bevor Sie Model Armor verwenden können.

Schutz für Google- und Google Cloud Remote-MCP-Server konfigurieren

Mit den Mindesteinstellungen für Model Armor können Sie Ihre MCP-Toolaufrufe und ‑Antworten schützen. Eine Mindesteinstellung definiert die Mindestsicherheitsfilter, die für das gesamte Projekt gelten. Mit dieser Konfiguration wird ein einheitlicher Satz von Filtern auf alle MCP-Tool-Aufrufe und ‑Antworten im Projekt angewendet.

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

Hier ein Beispiel für einen Befehl:

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

Ersetzen Sie dabei PROJECT_ID durch die ID Ihres Projekts in Google Cloud .

Beachten Sie die folgenden Einstellungen:

• INSPECT_AND_BLOCK: Der Erzwingungstyp, der Inhalte für den Google-MCP-Server prüft und Prompts und Antworten blockiert, die den Filtern entsprechen.
• ENABLED: Die Einstellung, mit der ein Filter oder die Erzwingung aktiviert wird.
• MEDIUM_AND_ABOVE: Das Konfidenzniveau für die Filter für verantwortungsbewusste Anwendung von KI – gefährlich. Sie können diese Einstellung ändern. Bei niedrigeren Werten kann es jedoch zu mehr falsch positiven Ergebnissen kommen. Weitere Informationen finden Sie unter Model Armor-Vertrauensstufen.

Scannen von MCP-Traffic mit Model Armor deaktivieren

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

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

Ersetzen Sie PROJECT_ID durch die Google Cloud Projekt-ID. Model Armor wendet die in den Mindesteinstellungen dieses Projekts definierten Regeln nicht automatisch auf den gesamten Google MCP-Server-Traffic an.

Model Armor Mindesteinstellungen und die allgemeine Konfiguration können sich auf mehr als nur MCP auswirken. Da Model Armor in Dienste wie Vertex AI eingebunden ist, können sich Änderungen an den Mindesteinstellungen auf die Traffic-Analyse und Sicherheitsfunktionen aller eingebundenen Dienste auswirken, nicht nur auf MCP.

Verwendung des MCP mit IAM-Ablehnungsrichtlinien steuern

Mit IAM-Ablehnungsrichtlinien (Identity and Access Management) und IAM-Zulassungsrichtlinien können Sie Google Cloud - und Google MCP-Server schützen.

Sie können mehrere Kriterien kombinieren, um benutzerdefinierte Sicherheits- und Governance-Richtlinien zu erstellen, indem Sie den Zugriff basierend auf den folgenden Kriterien zulassen oder verweigern:

• Der Auftraggeber.
• Tool-Attribute wie das schreibgeschützte Attribut.
• Der Name des Dienstes oder Tools.
• Die OAuth-Client-ID der Anwendung.

Weitere Informationen finden Sie unter MCP-Nutzung mit Identity and Access Management steuern.

Nächste Schritte

• Lesen Sie die Dataform-MCP-Referenzdokumentation.
• Weitere Informationen zu Google Cloud-MCP-Servern