Google Cloud Storage se une a la caja de herramientas MCP: Herramientas para buckets para agentes de IA

Google Cloud Storage es un componente esencial de la pila de agentes moderna y el lugar preferido para almacenar datos no estructurados a gran escala. Sin embargo, a medida que los equipos pasan de la fase de prototipado a la ejecución de agentes autónomos en producción, se produce un cambio en la arquitectura: almacenar datos ya no es la parte más difícil. El desafío radica en convertir petabytes de archivos brutos y no estructurados en información contextual a la que los agentes puedan acceder según sea necesario. Para abordar esto, GCS ahora cuenta con soporte nativo y está disponible de forma general en la MCP Toolbox.

Datos no estructurados en aplicaciones de agentes

Las bases de datos almacenan datos estructurados, mientras que los almacenes de objetos contienen la realidad cotidiana de una empresa: contratos en PDF, diagramas arquitectónicos, documentos financieros y de cumplimiento, registros brutos de aplicaciones y medios multimodales. Ofrecer a los agentes una forma estándar de comunicarse con GCS permite desarrollar varios tipos de aplicaciones.

El primer enfoque es el análisis multimodal. Los agentes pueden combinar la precisión determinística de los datos estructurados en BigQuery o AlloyDB con el contexto más rico almacenado en GCS. Por ejemplo, un agente automatizado para reclamaciones de seguros podría leer los límites de la póliza y los deducibles del cliente desde una base de datos de AlloyDB, mientras obtiene fotos de la escena del accidente e informes policiales escaneados de GCS, para luego evaluar los daños y recomendar un pago.

El segundo enfoque son los pipelines automatizados de documentos. Un agente en segundo plano puede monitorear un bucket de entrada en busca de facturas de proveedores o contratos legales recién subidos, extraer las entidades clave y activar flujos de trabajo ERP posteriores.

El tercer enfoque es la forense de código y registros. Los agentes de fiabilidad del sitio pueden analizar buckets repletos de registros históricos de servidores o volcados de memoria en busca de la causa raíz, sin que un desarrollador tenga que descargar manualmente gigabytes de texto.

El cuarto enfoque es el RAG dinámico y en tiempo real, un patrón que surge entre los clientes que van más allá de los pipelines rígidos de embedding vectorial. En lugar de dividir y indexar todo por adelantado, se concede a un agente acceso seguro a un directorio específico de GCS. Cuando un usuario hace una pregunta compleja, el agente enumera el contenido del bucket, encuentra el manual relevante de 200 páginas, lee el archivo original y construye la respuesta directamente a partir de la fuente.

Según el blog de desarrolladores de Google, empresas como Snap, Palo Alto Networks y Airwallex ya están utilizando GCS con MCP.

Qué se lanzó

Desde el lanzamiento de la MCP Toolbox, el soporte nativo para almacenes de objetos grandes como GCS ha sido una de las características más solicitadas. Al igual que las otras fuentes de la Toolbox, la integración con GCS es fácil de usar, y las instrucciones rápidas de configuración en la documentación de Cloud Storage permiten conectar un cliente de inmediato.

Viene con herramientas preconstruidas que abarcan la mayoría de las funciones básicas de GCS: crear, listar, leer y actualizar buckets, objetos y su metadato. Para una gestión más sencilla, también existen dos conjuntos de herramientas integradas.

• cloud-storage-buckets permite a un agente gestionar la infraestructura de almacenamiento, por ejemplo, listar buckets y obtener su metadato.
• cloud-storage-objects permite a un agente trabajar con los datos no estructurados en sí, por ejemplo, listar archivos, leer su contenido, subirlos y eliminarlos.

Se planean herramientas adicionales en los próximos meses.

Herramientas personalizadas para una lógica empresarial más estricta

Las herramientas preconstruidas son suficientes para la mayoría de los casos, pero algunos patrones requieren lógica empresarial personalizada, y la Caja de Herramientas ya ofrece un marco declarativo y extensible de herramientas personalizadas. La integración nativa con GCS puede servir como base para herramientas adaptadas a una necesidad empresarial específica.

Un ejemplo típico es limitar el acceso de un agente a un número reducido de buckets para evitar fugas de información en el futuro. Al encapsular la integración con GCS en una herramienta personalizada se puede utilizar una lista de permisos codificada, lo que elimina el riesgo de inyección de comandos que permita el acceso a buckets distintos. Una herramienta que solo muestra los buckets permitidos se ve así:

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

De la misma manera, la lectura de objetos puede restringirse a un bucket seguro que esté en la lista de permisos:

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

Comenzando

Conectar los mayores almacenes de datos no estructurados directamente con agentes de IA abre muchas posibilidades. La documentación oficial de GCS con la Caja de Herramientas, la página de referencia para las herramientas y conjuntos de herramientas ya preparados, y el repositorio MCP Toolbox en GitHub son los puntos de partida.

Leer más

• Notas prácticas: Datos, contexto y gobernanza de lineage RAG para la IA empresarial — Guía paso a paso de las Notas prácticas: Datos, contexto y gobernanza de lineage RAG para la IA empresarial: contratos, verificaciones y espacios de código listos para usar para los equipos que implementan este patrón.
• Notas prácticas: “MCP: Protocolo que convierte la IA de un chatbot en un agente de IA” — Guía paso a paso de las Notas prácticas: “MCP: Protocolo que convierte la IA de un chatbot en un agente de IA”: contratos, verificaciones y espacios para código listo para usar para los equipos que desarrollan sistemas MCP. —