Google Cloud Storage wird Teil des MCP Toolbox: Bucket-Tools für KI-Agenten

Google Cloud Storage ist ein zentrales Element des modernen agilen Stack und die bevorzugte Plattform für unstrukturierte Daten in großem Umfang. Wenn Teams jedoch vom Prototyping zum Betrieb autonomer Agenten in der Produktion übergehen, zeigt sich eine Veränderung in der Architektur: Das Speichern von Daten ist nicht mehr der schwierige Teil. Die Herausforderung besteht darin, Petabyte an rohen, unstrukturierten Dateien in einen Kontext umzuwandeln, den ein Agent auf Anfrage erreichen kann. Um dies zu bewältigen, wird GCS nun nativ unterstützt und allgemein in der MCP Toolbox verfügbar gemacht.

Unstrukturierte Daten in Agentenanwendungen

Datenbanken speichern strukturierte Fakten, während Objektspeicher die tägliche Realität eines Unternehmens enthalten: PDF-Verträge, Architekturdarstellungen, finanzielle und regulatorische Dokumente, rohe Anwendungsprotokolle sowie multimodale Medien. Ein standardisierter Weg für Agenten, mit GCS zu kommunizieren, ermöglicht verschiedene Arten von Anwendungen.

Multimodale Analyse ist der erste Ansatz. Agenten können die deterministische Stärke strukturierter Daten in BigQuery oder AlloyDB mit dem umfangreicheren Kontext verbinden, der in GCS gespeichert ist. Ein automatisierter Agent für Versicherungsansprüche könnte beispielsweise die Police-Limits und Selbstbeteiligungen eines Kunden aus einer AlloyDB-Datenbank abrufen, während er Fotos vom Unfallort sowie gescannte Polizeiberichte aus GCS holt, um anschließend den Schaden zu bewerten und eine Auszahlung vorzuschlagen.

Automatisierte Dokumentenpipelines sind der zweite Ansatz. Ein Hintergrundagent kann einen Eingabekanal überwachen, um neu hochgeladene Rechnungen von Lieferanten oder rechtliche Verträge zu erkennen, die wichtigsten Elemente daraus extrahieren und nachfolgende ERP-Arbeitsabläufe auslösen.

Codebasis- und Protokollforensik bilden den dritten Ansatz. Agenten zur Gewährleistung der Systemzuverlässigkeit können in Container voller historischer Serverprotokolle oder Absturzprotokolle eingreifen, um die Ursachenanalyse durchzuführen, ohne dass Entwickler manuell Gigabyte an Text herunterladen müssen.

Die vierte Variante ist das dynamische, auf-the-fly RAG – ein Muster, das bei Kunden aufkommt, die sich von starren Vektor-Embedding-Pipelines lösen. Anstatt alles im Voraus in Blöcke zu teilen und zu indizieren, gewährt man einem Agenten sicheren Zugriff auf einen bestimmten GCS-Ordner. Wenn ein Benutzer eine komplexe Frage stellt, listet der Agent den Inhalt des Containers auf, findet das relevante 200-seitige Handbuch, liest die Rohdatei und erstellt die Antwort direkt aus der Quelle.

Laut dem Entwicklerblog von Google nutzen bereits Unternehmen wie Snap, Palo Alto Networks und Airwallex GCS in Kombination mit MCP.

Was verfügbar ist

Seit dem Launch des MCP Toolbox gehörte die native Unterstützung für große Objektspeicher wie GCS zu den am häufigsten gewünschten Funktionen. Wie die anderen Toolbox-Quellen ist auch die Integration mit GCS einfach zu bedienen, und die schnellen Einrichtungshinweise in der Cloud Storage-Dokumentation ermöglichen es dem Client, sofort verbunden zu werden.

Es enthält vorgefertigte Tools, die die meisten grundlegenden Funktionen von GCS abdecken: Erstellen, Auflisten, Lesen und Aktualisieren von Buckets, Objekten sowie deren Metadaten. Zur erleichterten Verwaltung sind außerdem zwei integrierte Toolsets vorhanden.

• cloud-storage-buckets stellt einem Agenten die Möglichkeit zur Verwaltung der Speicherkonfiguration bereit, beispielsweise durch das Auflisten von Buckets und das Abrufen ihrer Metadaten.
• cloud-storage-objects ermöglicht es einem Agenten, direkt mit den unstrukturierten Daten zu arbeiten, beispielsweise durch das Auflisten von Dateien, das Lesen von Objektinhalten sowie das Hochladen und Löschen von Inhalten.

Weitere Tools sind in den nächsten Monaten geplant.

Custom-Tools für strengere Geschäftslogik

Vordefinierte Tools reichen in den meisten Fällen aus, doch einige Muster erfordern eine angepasste Geschäftslogik, und die Toolbox bietet bereits ein deklaratives, erweiterbares Framework für eigene Tools. Die native Integration mit GCS kann als Baustein für Tools dienen, die auf spezifische Geschäftsanforderungen zugeschnitten sind.

Ein typisches Beispiel ist die Einschränkung des Zugriffs eines Agents auf nur wenige Bucket, damit in Zukunft nichts durchsickert. Die Einbettung der GCS-Integration in ein eigenes Tool ermöglicht eine hardcodierte Allow-List, wodurch das Risiko von Prompt-Injection, das zu einem Durchqueren der Bucket führen könnte, beseitigt wird. Ein Tool, das nur die in der Allow-List aufgeführten Bucket anzeigt, sieht wie folgt aus:

kind: tool
name: list_allowlisted_buckets
type: cloud-storage-list-buckets
source: my-gcs-source
description: Use this tool to list Cloud Storage buckets allowlisted for the vendor risk assement agent
project: my_safe_project"   # hard-coded GCP project
prefix: ai_buckets          # allowlisted bucket prefix

Auf dieselbe Weise kann das Lesen von Objekten auf eine in einer Erlaubnisliste aufgeführte, sichere Gruppe beschränkt werden:

kind: tool
name: read_allowlisted_objects
type: cloud-storage-read-object
source: my-gcs-source
description: Use this tool to read contents of available, allowlisted Cloud Storage objects
bucket: bucket_for_agents   # allowlisted GCS bucket

Einführung

Die direkte Verbindung der größten unstrukturierten Datenspeicher mit KI-Agenten eröffnet viele Möglichkeiten. Die offizielle Dokumentation für GCS zusammen mit dem Toolbox, die Referenzseite für vorgefertigte Tools und Toolsets sowie das MCP Toolbox-Repository auf GitHub sind gute Ausgangspunkte.