Utilizza il server MCP remoto Dataform

Il Model Context Protocol (MCP) standardizza il modo in cui i modelli linguistici di grandi dimensioni (LLM) e le applicazioni o agenti AI si connettono a origini dati esterne. I server MCP ti consentono di utilizzare i loro strumenti, risorse e prompt per eseguire azioni e ottenere dati aggiornati dal loro servizio di backend.

Qual è la differenza tra i server MCP locali e remoti?

Server MCP locali

In genere vengono eseguiti sulla macchina locale e utilizzano i flussi di input e output standard (stdio) per la comunicazione tra i servizi sullo stesso dispositivo.

Server MCP remoti

Esegui sull'infrastruttura del servizio e offri un endpoint HTTP alle applicazioni AI per la comunicazione tra il client AI MCP e il server MCP. Per maggiori informazioni sull'architettura MCP, consulta la sezione Architettura MCP.

Stateless core

Con MCP versione 2026-07-28, MCP passa da un protocollo bidirezionale e stateful a un protocollo stateless. Ogni richiesta MCP è autodescrittiva e può essere indirizzata utilizzando le intestazioni. Non è necessario l'handshake initialize/initialized o Mcp-Session-Id perché ogni richiesta include tutte le informazioni necessarie nelle intestazioni HTTP o nel parametro _meta. I server MCP possono richiedere ulteriori informazioni richieste da uno strumento tramite richieste multi-round-trip (MRTR).

Per facilitare l'instradamento e l'elaborazione delle richieste senza analizzare il corpo della richiesta, sono necessarie alcune intestazioni MCP, tra cui le seguenti:

• Intestazioni richieste dalla specifica MCP, ad esempio l'intestazione della versione del protocollo e le intestazioni della richiesta standard.
• Intestazioni personalizzate definite dal server MCP. Queste intestazioni vengono replicate nelle intestazioni HTTP dallo schema di input dello strumento utilizzando la proprietà x-mcp-header. Ad esempio, un server MCP potrebbe definire un'intestazione personalizzata per specificare l'ID progetto o Google Cloud regione.

Per saperne di più sull'architettura MCP, consulta le specifiche e le modifiche principali della versione MCP 2026-07-28.

Google e server MCP Google Cloud remoti

• Rilevamento semplificato e centralizzato
• Endpoint HTTP globali o regionali gestiti
• Autorizzazione granulare
• Sicurezza facoltativa di prompt e risposte con la protezione Model Armor
• Audit logging centralizzato

Per informazioni su altri server MCP e sui controlli di sicurezza e governance disponibili per i server MCP di Google Cloud, consulta la panoramica dei server MCP di Google Cloud.

Prima di iniziare

Accedi al tuo account Google Cloud . Se non conosci Google Cloud, crea un account per valutare le prestazioni dei nostri prodotti in scenari reali. I nuovi clienti ricevono anche 300 $di crediti senza costi per l'esecuzione, il test e il deployment dei carichi di lavoro.

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. Connetti il tuo repository Dataform a un provider Git come GitHub o GitLab. Per saperne di più, vedi Connettersi a un repository Git di terze parti.
2. Configura l'agente AI con un token OAuth valido utilizzando l'ambito BigQuery.

Ruoli obbligatori

Per ottenere le autorizzazioni necessarie per utilizzare il server MCP di Dataform, chiedi all'amministratore di concederti i seguenti ruoli IAM sul tuo progetto Google Cloud :

• Effettua chiamate allo strumento MCP: MCP Tool User (roles/mcp.toolUser)
• Crea repository e workspace Dataform e modifica i file: Editor Dataform (roles/dataform.editor)
• Esegui job BigQuery: Utente job BigQuery (roles/bigquery.jobUser)

Per saperne di più sulla concessione dei ruoli, consulta Gestisci l'accesso a progetti, cartelle e organizzazioni.

Questi ruoli predefiniti contengono le autorizzazioni necessarie per utilizzare il server MCP Dataform. Per vedere quali sono esattamente le autorizzazioni richieste, espandi la sezione Autorizzazioni obbligatorie:

Potresti anche ottenere queste autorizzazioni con ruoli personalizzati o altri ruoli predefiniti.

Autenticazione e autorizzazione

Il server MCP Dataform gestisce l'accesso tramite i seguenti meccanismi di autenticazione e autorizzazione:

• Le richieste di rilevamento (tools/list) non richiedono l'autenticazione, il che consente agli agenti di identificare gli strumenti Dataform disponibili senza necessità di un'autorizzazione preventiva.
• Le richieste di esecuzione (tools/call) vengono autenticate utilizzando OAuth, il che richiede all'agente di fornire un token OAuth valido che utilizzi l'ambito BigQuery. Per maggiori informazioni, consulta la sezione Ambiti OAuth MCP di Dataform.

Ti consigliamo di creare un'identità separata per gli agenti che utilizzano gli strumenti MCP in modo che l'accesso alle risorse possa essere controllato e monitorato. Per saperne di più sull'autenticazione, consulta Eseguire l'autenticazione nei server MCP.

Ambiti OAuth MCP di Dataform

OAuth 2.0 utilizza ambiti e credenziali per determinare se un principal autenticato è autorizzato a eseguire un'azione specifica su una risorsa. Per ulteriori informazioni sugli ambiti OAuth 2.0 in Google, leggi Utilizzare OAuth 2.0 per accedere alle API di Google.

Per interagire con il server MCP Dataform, l'agente deve utilizzare l'ambito OAuth BigQuery. Questo ambito consente all'agente di gestire il codice di trasformazione e attivare le esecuzioni che vengono eseguite come job BigQuery.

Potrebbero essere necessari ambiti aggiuntivi per le risorse a cui si accede durante una chiamata allo strumento. Per visualizzare un elenco degli ambiti richiesti per Dataform, consulta l'API Dataform.

Configura un client MCP per utilizzare il server MCP Dataform

Le applicazioni e gli agenti AI, come Claude o Antigravity, possono istanziare un client MCP che si connette a un singolo server MCP. Un'applicazione AI può avere più client che si connettono a server MCP diversi. Se la tua applicazione non è elencata nelle indicazioni specifiche per il client, puoi utilizzare le seguenti informazioni per connetterti dalla maggior parte delle applicazioni.

Nella tua applicazione AI, cerca un modo per aggiungere o connetterti a un server MCP remoto. Per il server MCP Dataform:

• Nome server: server MCP Dataform

• URL server o endpoint: https://dataform.REGION.rep.googleapis.com/mcp

  Sostituisci REGION con la regione in cui si trova il repository, ad esempio us-central1.

• Trasporto: HTTP trasmissibile

• Dettagli di autenticazione: a seconda di come vuoi autenticarti, puoi inserire le tue Google Cloud credenziali, l'ID client e il client secret OAuth oppure un'identità e le credenziali dell'agente. Per saperne di più sull'autenticazione, consulta Autenticarsi sui server MCP.

• Ambito OAuth: l'ambito OAuth 2.0 che vuoi utilizzare per connetterti al server MCP Dataform.

Per indicazioni specifiche per l'applicazione sulla configurazione e la connessione al server MCP, vedi Indicazioni specifiche per il client.

Per indicazioni più generali, consulta le seguenti risorse:

• Connettiti ai server MCP remoti.
• Configura MCP in un'applicazione AI.

Funzionalità agenti

Il server MCP Dataform fornisce un insieme di strumenti che consentono agli agenti AI di interagire con i workflow di trasformazione dei dati e di eseguirne il debug orchestrando le chiamate API Dataform. Il server fornisce strumenti per eseguire le seguenti operazioni:

• Author pipeline code. Gli agenti possono creare ed elencare spazi di lavoro di sviluppo, cercare e modificare più file ed eseguire il commit o il push delle modifiche ai provider Git remoti come GitHub o GitLab.
• Configura asset a file singolo. Gli agenti gestiscono le configurazioni di base delle risorse, tra cui la creazione di repository e le query sui contenuti delle directory.
• Gestire pipeline e rilasci. Gli agenti gestiscono le configurazioni del workflow e del rilascio, generano i risultati della compilazione e attivano o annullano le chiamate del workflow.
• Risolvi i problemi e convalida. Gli agenti identificano il motivo per cui le pipeline non vanno a buon fine recuperando i risultati della compilazione ed eseguendo query sulle azioni di chiamata del flusso di lavoro.

Per i repository connessi a un host Git remoto, l'agente deve utilizzare strumenti workspace come create_workspace e commit_workspace_changes per lo sviluppo della pipeline. Gli strumenti per i repository diretti non funzionano su questi repository perché sono destinati solo agli asset a file singolo nei repository ospitati da Google.

Strumenti disponibili

Per visualizzare i dettagli degli strumenti MCP disponibili e le relative descrizioni per il server MCP Dataform, consulta il riferimento MCP Dataform.

Strumenti per le liste

Utilizza lo strumento di controllo MCP per elencare gli strumenti o invia una richiesta HTTP tools/list direttamente al server MCP remoto Dataform. Il metodo tools/list non richiede l'autenticazione.

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"]
              }
            }
          }
        }
      }
    }'

Sostituisci quanto segue:

• TOOLSET_ENDPOINT: la parte rimanente dell'endpoint MCP dopo il nome del servizio. Ad esempio, per Dataform, potrebbe essere mcp/toolset-name.
• MCP_PROTOCOL_VERSION: la versione del protocollo MCP. Ad esempio, 2026-07-28.

Prompt di esempio

Utilizza i seguenti prompt di esempio per ottenere informazioni su risorse Dataform, codice della pipeline dell'autore negli spazi di lavoro, orchestrare i workflow o risolvere i problemi di esecuzione:

• "Crea un nuovo repository Dataform denominato REPOSITORY_ID nel progetto PROJECT_ID."
• "Crea una nuova cartella denominata FOLDER_NAME nel mio progetto."
• "Crea un nuovo workspace denominato WORKSPACE_NAME nel mio repository."
• "Cerca i file denominati FILE_NAME nel mio workspace."
• "Leggi i contenuti di FILE_NAME dal mio spazio di lavoro."
• "Esegui il commit delle modifiche al workspace e inviale al ramo Git remoto."
• "Crea un nuovo asset notebook nel progetto PROJECT_ID."
• "Esegui il commit delle modifiche alla query salvata in REPOSITORY_ID."
• "Crea una configurazione del flusso di lavoro che pianifichi l'esecuzione della pipeline ogni giorno alle 8:00."
• "Attiva una nuova esecuzione per la configurazione del flusso di lavoro WORKFLOW_CONFIGURATION_ID."
• "Controlla lo stato delle mie recenti esecuzioni della pipeline e dimmi se qualcuna non è andata a buon fine, inclusi i dettagli dell'errore."
• "Mostrami i dettagli dell'esecuzione specifica non riuscita."
• "Elenca tutti i repository Dataform nella regione REGION del progetto PROJECT_ID."
• "Annulla l'invocazione del flusso di lavoro denominata WORKFLOW_INVOCATION_ID nel repository REPOSITORY_ID, che è attualmente in esecuzione."

Nei prompt, sostituisci quanto segue:

• FILE_NAME: il nome del file.
• FOLDER_NAME: il nome della cartella.
• PROJECT_ID: l'ID progetto Google Cloud .
• REGION: il nome della regione.
• REPOSITORY_ID: l'identificatore univoco del tuo repository Dataform, ad esempio quickstart-repository.
• WORKFLOW_CONFIGURATION_ID: l'identificatore univoco della configurazione del flusso di lavoro.
• WORKFLOW_INVOCATION_ID: l'identificatore univoco per una specifica esecuzione del workflow. Puoi ottenere questo identificatore dai risultati di una richiesta workflowInvocations.list o dal campo name di una risposta workflowInvocations.create.
• WORKSPACE_NAME: il nome dello spazio di lavoro.

Configurazioni di sicurezza e protezione facoltative

MCP introduce nuovi rischi e considerazioni sulla sicurezza a causa dell'ampia varietà di azioni che puoi eseguire con gli strumenti MCP. Per ridurre al minimo e gestire questi rischi, Google Cloud offre impostazioni predefinite e criteri personalizzabili per controllare l'utilizzo degli strumenti MCP nella tua organizzazione o nel tuo progetto Google Cloud .

Per saperne di più sulla sicurezza e sulla governance di MCP, consulta Sicurezza e protezione dell'AI.

Utilizzare Model Armor

Model Armor è un servizioGoogle Cloud progettato per migliorare la sicurezza delle tue applicazioni di AI. Funziona analizzando in modo proattivo i prompt e le risposte degli LLM, proteggendo da vari rischi e supportando pratiche di AI responsabile. Che tu stia implementando l'AI nel tuo ambiente cloud o su provider cloud esterni, Model Armor può aiutarti a prevenire input dannosi, verificare la sicurezza dei contenuti, proteggere i dati sensibili, mantenere la conformità e applicare le tue norme di sicurezza dell'AI in modo coerente nel tuo panorama AI diversificato.

Quando Model Armor è abilitato con il logging abilitato, Model Armor registra l'intero payload. Ciò potrebbe esporre informazioni sensibili nei log.

Routing delle richieste MCP a Model Armor

Abilita Model Armor

Prima di poter utilizzare Model Armor, devi abilitare le API Model Armor.

Configurare la protezione per i server MCP remoti di Google e Google Cloud

Per proteggere le chiamate e le risposte allo strumento MCP, puoi utilizzare le impostazioni di base di Model Armor. Un'impostazione di base definisce i filtri di sicurezza minimi che vengono applicati a tutto il progetto. Questa configurazione applica un insieme coerente di filtri a tutte le chiamate e le risposte dello strumento MCP all'interno del progetto.

Configura un'impostazione di base di Model Armor con la sanificazione MCP attivata. Per saperne di più, consulta Configurare le impostazioni di base di Model Armor.

Vedi il seguente comando di esempio:

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"}]'

Sostituisci PROJECT_ID con l'ID progetto Google Cloud .

Tieni presente le seguenti impostazioni:

• INSPECT_AND_BLOCK: il tipo di applicazione che ispeziona i contenuti per il server MCP di Google e blocca i prompt e le risposte che corrispondono ai filtri.
• ENABLED: l'impostazione che attiva un filtro o l'applicazione.
• MEDIUM_AND_ABOVE: il livello di confidenza per le impostazioni del filtro AI responsabile - Pericoloso. Puoi modificare questa impostazione, anche se valori inferiori potrebbero comportare un maggior numero di falsi positivi. Per saperne di più, consulta Livelli di confidenza di Model Armor.

Disabilita l'analisi del traffico MCP con Model Armor

Per impedire a Model Armor di analizzare automaticamente il traffico da e verso i server MCP di Google in base alle impostazioni di base del progetto, esegui questo comando:

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

Sostituisci PROJECT_ID con l'ID progetto Google Cloud . Model Armor non applica automaticamente le regole definite nelle impostazioni di base di questo progetto a nessun traffico del server Google MCP.

Le impostazioni di base di Model Armor e la configurazione generale possono influire su più di un solo MCP. Poiché Model Armor si integra con servizi come Vertex AI, qualsiasi modifica apportata alle impostazioni di base può influire sulla scansione del traffico e sui comportamenti di sicurezza in tutti i servizi integrati, non solo in MCP.

Controllare l'utilizzo di MCP con i criteri di negazione IAM

Le policy di negazione e le policy di autorizzazione di Identity and Access Management (IAM) ti aiutano a proteggere Google Cloud i server Google MCP.

Puoi combinare più criteri per creare policy di sicurezza e governance personalizzate consentendo o negando l'accesso in base a quanto segue:

• Il soggetto.
• Proprietà dello strumento come l'attributo di sola lettura.
• Il nome del servizio o dello strumento.
• L'ID client OAuth dell'applicazione.

Per saperne di più, consulta Controllare l'utilizzo di MCP con Identity and Access Management.

Passaggi successivi

• Leggi la documentazione di riferimento su Dataform MCP.
• Scopri di più sui server MCP di Google Cloud.