以下文章來源于谷歌云服務，作者 Google Cloud

Vikram Manghnani 技術項目經理

Prem Ramanathan 軟件工程師

將 AI 智能體接入企業數據，其實不需要復雜的自定義集成或耗費數周開發。12 月，我們推出了面向 Google 服務的全托管式遠程 Model Context Protocol (MCP) 服務器。借助 BigQuery MCP 服務器，您現在可以為 AI 智能體提供一種直接且安全的數據分析方式。這一全托管式 MCP 服務器不會帶來額外的管理開銷，讓您可以專注于智能體的開發。

BigQuery MCP 服務器讓智能體能夠原生解讀數據架構并查詢企業數據，徹底免去將數據搬運至上下文窗口所帶來的安全隱患與延遲。在確保數據原位存儲且受控的前提下，智能體還能直接調用預測等 BigQuery 強大功能。BigQuery 的 MCP 服務器支持也可以通過開源的 MCP Toolbox for Databases 實現，適用于對服務器靈活性和控制力有更高要求的場景。本文將介紹并演示新近發布的全托管式遠程 BigQuery 服務器的集成方式。該產品于 2026 年 1 月推出預覽版。

遠程 MCP 服務器在服務的基礎設施上運行，并向 AI 應用提供 HTTP 端點。這使得 AI MCP 客戶端能夠按照既定標準與 MCP 服務器進行通信。

MCP 通過一組明確定義的工具，使基于大語言模型的應用能夠直接訪問分析數據，從而加快 AI 智能體的構建進程。采用 Google OAuth 身份驗證方法，將 BigQuery MCP 服務器與 ADK 集成相對簡便。下文將結合智能體開發套件 (ADK) 和 Gemini CLI 進行說明。LangGraph、Claude code、Cursor IDE 等平臺和框架或其他 MCP 客戶端，均可以在無需大量工程投入的情況下完成集成。

讓我們開始吧。

將 BigQuery MCP 服務器與 ADK 結合使用

使用 ADK 構建 BigQuery 智能體原型時，可按照以下六個步驟操作：

1. 前提條件: 創建項目，并完成必要的設置和運行環境配置。

2. 配置: 啟用 MCP 和所需的 API。

3. 加載示例數據集。

4. 創建 OAuth 客戶端。

5. 創建 Gemini API 密鑰。

6. 創建并測試智能體。

重要提示: 在規劃生產環境部署或使用 AI 智能體處理真實數據時，請務必遵循 AI 安全性和穩定性指南。

第 1 步: 前提條件 > 配置和環境

1.1 設置 Cloud 項目

創建新的或使用已有的 Google Cloud 項目，并確保已啟用結算功能。

1.2 用戶角色

確保您的用戶賬號在該項目中具備以下權限：

a. roles/bigquery.user (用于運行查詢)

b. roles/bigquery.dataViewer (用于訪問數據)

c. roles/mcp.toolUser (用于訪問 MCP 工具)

d. roles/serviceusage.serviceUsageAdmin (用于啟用 API)

e. roles/iam.oauthClientViewer (oAuth)

f. roles/iam.serviceAccountViewer (oAuth)

g. roles/oauthconfig.editor (oAuth)

1.3 設置環境

使用安裝了 gcloud CLI 的 MacOS 或 Linux 終端。

在 shell 中，使用您的 Cloud PROJECT_ID 運行以下命令，并對 Google Cloud 賬號進行身份驗證；這是啟用 ADK 對 BigQuery 訪問權限的必要操作。

# Set your cloud project id in env variable
BIGQUERY_PROJECT=PROJECT_ID


gcloudconfig set project${BIGQUERY_PROJECT}
gcloudauth application-default login

按照提示完成身份驗證流程。

第 2 步: 配置 > 用戶角色和 API

2.1 啟用 BigQuery 和 MCP API

運行以下命令以啟用 BigQuery API 和 MCP API。

gcloud servicesenablebigquery.googleapis.com --project=${BIGQUERY_PROJECT}
gcloud beta services mcpenablebigquery.googleapis.com --project=${BIGQUERY_PROJECT}

第 3 步: 加載示例數據集 > cymbal_pets 數據集

3.1 創建 cymbal_pets 數據集

本次演示使用 cymbal_pets 數據集。運行以下命令，從公共存儲桶中加載 cymbal_pets 數據庫:

# Create the dataset if it doesn't exist(pick a location of your choice)
# You can add --default_table_expiration to auto expire tables.
bq--project_id=${BIGQUERY_PROJECT}mk -f --dataset --location=US cymbal_pets


# Load the data
for table in products customers orders order_items;do
bq --project_id=${BIGQUERY_PROJECT}query --nouse_legacy_sql 
 "LOAD DATA OVERWRITE cymbal_pets.${table}FROM FILES(
    format = 'avro',
    uris = [ 'gs://sample-data-and-media/cymbal-pets/tables/${table}/*.avro']);"
done

第 4 步: 創建 OAuth 客戶端 ID

4.1 創建 OAuth 客戶端 ID

我們將使用 Google OAuth 連接到 BigQuery MCP 服務器。

在 Google Cloud 控制臺中，依次前往 Google Auth Platform > 客戶端 > 創建客戶端

○ *在 "應用類型" 中選擇 "桌面應用"。

○ 創建客戶端后，請務必復制并妥善保管客戶端 ID 和密鑰。

可選: 如果 OAuth 客戶端使用的是其他項目，請使用對應的CLIENT_ID_PROJECT運行以下命令:

gcloud beta services mcpenablebigquery.googleapis.com --project=CLIENT_ID_PROJECT

注意 [僅適用于 Cloud Shell 用戶]:如果您使用的是 Google Cloud Shell 或 localhost 以外的任何托管環境，則必須創建一個 "Web 應用類型的" OAuth 客戶端 ID。

在 Cloud Shell 環境中:

"已獲授權的 JavaScript 來源" 使用以下命令的輸出值:echo "https://8000-$WEB_HOST"

"已獲授權的重定向 URI" 使用以下命令的輸出值:echo "https://8000-$WEB_HOST/dev-ui/"

(Cloud Shell 中的 URI 為臨時地址，僅在當前會話期間有效)

注意:如果您選擇使用 Web 服務器，則需要使用 "Web 應用" 類型的 OAuth 客戶端，并填寫對應的域名和重定向 URI。

第 5 步: Gemini API 密鑰

5.1 創建 Gemini API 密鑰

前往 API 密鑰頁面創建 Gemini API 密鑰。我們需要生成一個密鑰，以便使用 ADK 訪問 Gemini 模型。

第 6 步: 創建 ADK Web 應用

6.1 安裝 ADK

按照《ADK Python 快速入門》中的說明操作安裝 ADK，并初始化一個智能體項目。

6.2 創建新的 ADK 智能體

接下來，為 BigQuery 遠程 MCP 服務器集成創建一個新的智能體。

adkcreate cymbal_pets_analyst


#When prompted, choose the following:
#2.Other models(fill later)

6.3 配置 env 文件

運行以下命令，使用以下變量列表及對應的實際值更新cymbal_pets_analyst/.env文件。

cat >> cymbal_pets_analyst/.env <

	

	6.4 更新智能體代碼

	修改cymbal_pets_analyst/agent.py文件，將文件內容替換為以下代碼。

	
importos
fromgoogle.adk.agents.llm_agentimportAgent
fromgoogle.adk.tools.mcp_toolimportMcpToolset
fromgoogle.adk.tools.mcp_tool.mcp_session_managerimportStreamableHTTPConnectionParams
fromgoogle.adk.auth.auth_credentialimportAuthCredential, AuthCredentialTypes
fromgoogle.adk.authimportOAuth2Auth
fromfastapi.openapi.modelsimportOAuth2
fromfastapi.openapi.modelsimportOAuthFlowAuthorizationCode
fromfastapi.openapi.modelsimportOAuthFlows
fromgoogle.adk.authimportAuthCredential
fromgoogle.adk.authimportAuthCredentialTypes
fromgoogle.adk.authimportOAuth2Auth


defget_oauth2_mcp_tool():
  auth_scheme = OAuth2(
    flows=OAuthFlows(
      authorizationCode=OAuthFlowAuthorizationCode(
        authorizationUrl="https://accounts.google.com/o/oauth2/auth",
        tokenUrl="https://oauth2.googleapis.com/token",
        scopes={
         "https://www.googleapis.com/auth/bigquery":"bigquery"
        },
      )
    )
  )
  auth_credential = AuthCredential(
    auth_type=AuthCredentialTypes.OAUTH2,
    oauth2=OAuth2Auth(
      client_id=os.environ.get('OAUTH_CLIENT_ID',''),
      client_secret=os.environ.get('OAUTH_CLIENT_SECRET','')
    ),
  )


  bigquery_mcp_tool_oauth = McpToolset(
    connection_params=StreamableHTTPConnectionParams(
      url='https://bigquery.googleapis.com/mcp'),
    auth_credential=auth_credential,
    auth_scheme=auth_scheme,
  )
 returnbigquery_mcp_tool_oauth




root_agent = Agent(
  model='gemini-3-pro-preview',
  name='root_agent',
  description='Analyst to answer all questions related to cymbal pets store.',
  instruction='Answer user questions, use the bigquery_mcp tool to query the cymbal pets database and run queries.',
  tools=[get_oauth2_mcp_tool()],
)

	

	6.5 運行 ADK 應用

	在包含 cymbal_pets_analyst 文件夾的父級目錄中運行以下命令。

	
adkweb --port8000.

	

	打開瀏覽器，訪問 http://127.0.0.1:8000/ 或運行 ADK 的主機地址，并在下拉菜單中選擇您的智能體名稱。此時，您已擁有一個可回答 cymbal pets 數據相關問題的個人智能體。當智能體連接到 MCP 服務器時，會自動發起 OAuth 授權流程，您可以在此過程中授予相應的訪問權限。

	如第二次提示所示，您無需再指定項目 ID。這是因為智能體可以從對話中自行推斷該出信息。

	

	以下是一些您可以提出的問題:

	●my_project 中包含哪些數據集？

	●cymbal_pets 數據集中包含哪些表？

	●獲取 cymbal_pets 數據集中 customers 表的架構信息。

	●找出美國西部地區 cymbal 寵物店過去 3 個月內銷量排在前 3 位的訂單。識別下單客戶及其郵箱。

	●能否改為獲取前 10 個訂單，而不是前 1 個訂單？

	●過去 6 個月內，哪款產品最暢銷？

	將 BigQuery MCP 服務器與 Gemini CLI 結合使用

	要使用 Gemini CLI，請在 ~/.gemini/settings.json 文件中使用以下配置。如果您已有配置，則需要將此配置合并到 mcpServers 字段下。

	
{
"mcpServers":{
 "bigquery":{
  "httpUrl":"https://bigquery.googleapis.com/mcp",
  "authProviderType":"google_credentials",
  "oauth":{
   "scopes":[
    "https://www.googleapis.com/auth/bigquery"
   ]
  }
 }
}
}

	

	然后使用 gcloud 進行身份驗證。

	
gcloud auth application-defaultlogin --clien-id-fileYOUR_CLIENT_ID_FILE

	

	運行 Gemini CLI。

	
gemini

	

	

	面向智能體的 BigQuery MCP 服務器

	您可以將 BigQuery 工具集成到開發工作流中，并結合大語言模型和 BigQuery MCP 服務器構建數據智能體。該集成基于單一標準協議，可與所有領先的智能體開發 IDE 和框架兼容。當然，在將智能體用于生產環境或處理真實數據之前，請務必遵循 AI 安全性指南。

	我們期待看到您如何利用 BigQuery MCP 服務器，開發面向數據分析的生成式 AI 應用。