Google Cloud Storage rejoint l’outil MCP Toolbox : des outils pour les buckets destinés aux agents IA

Google Cloud Storage constitue un élément essentiel de la pile technologique moderne dédiée aux agents autonomes et constitue le choix privilégié pour le stockage à grande échelle de données non structurées. Cependant, à mesure que les équipes passent de la phase de prototypage à l’exécution d’agents autonomes en production, on observe un changement d’architecture : le stockage des données n’est plus la partie la plus difficile. La véritable difficulté réside dans la transformation de pétaoctets de fichiers bruts et non structurés en informations accessibles sur demande par les agents. Pour y remédier, GCS est désormais pris en charge nativement et disponible dans le MCP Toolbox.

Données non structurées dans les applications d’agents

Les bases de données contiennent des informations structurées, tandis que les systèmes de stockage d’objets conservent la réalité quotidienne d’une entreprise : contrats en PDF, diagrammes architecturaux, documents financiers et liés à la conformité, journaux d’application bruts ainsi que médias multimodaux. Fournir aux agents un moyen standard de communiquer avec GCS permet de développer différents types d’applications.

La première approche est l’analyse multimodale. Les agents peuvent combiner la puissance déterministe des données structurées dans BigQuery ou AlloyDB avec le contexte plus riche stocké dans GCS. Un agent automatisé pour les sinistres d’assurance, par exemple, pourrait lire les plafonds d’assurance et les franchises du client depuis une base de données AlloyDB, tout en récupérant des photos de la scène de l’accident et des rapports de police numérisés depuis GCS, afin d’évaluer les dommages et de recommander un versement.

La deuxième approche concerne les pipelines de documents automatisés. Un agent en arrière-plan peut surveiller un répertoire de réception pour détecter de nouvelles factures de fournisseurs ou contrats juridiques téléchargés, en extraire les entités clés et en déclencher des workflows ERP ultérieurs.

La troisième approche est la forensique des bases de code et des journaux. Les agents de fiabilité du site peuvent examiner des répertoires remplis de journaux serveur historiques ou de fichiers de dépannage pour une analyse des causes racines, sans que le développeur ait à télécharger manuellement des gigaoctets de texte.

Le quatrième type est le RAG dynamique en temps réel, un modèle qui gagne en popularité auprès des clients souhaitant s’éloigner des pipelines rigides d’incorporation vectorielle. Au lieu de diviser et d’indexer tout le contenu à l’avance, on accorde à un agent un accès sécurisé à un répertoire GCS spécifique. Lorsqu’un utilisateur pose une question complexe, l’agent liste le contenu du bucket, trouve le manuel de 200 pages pertinent, lit le fichier brut et construit directement la réponse à partir de la source.

Selon le blog des développeurs de Google, des entreprises telles que Snap, Palo Alto Networks et Airwallex utilisent déjà GCS avec MCP.

Ce qui a été mis à disposition

Depuis le lancement de la boîte à outils MCP, le support natif pour les grands systèmes de stockage d’objets comme GCS fait partie des fonctionnalités les plus demandées. Comme pour les autres sources de la boîte à outils, l’intégration avec GCS est facile à utiliser, et les instructions de configuration rapides présentes dans la documentation Cloud Storage permettent de connecter un client immédiatement.

Il est accompagné d’outils prédéfinis couvrant la plupart des fonctions de base de GCS : création, liste, lecture et mise à jour de buckets, d’objets ainsi que de leurs métadonnées. Pour une gestion plus simple, deux ensembles d’outils intégrés sont également disponibles.

• cloud-storage-buckets permet à un agent de gérer l’infrastructure de stockage, par exemple en listant les buckets et en récupérant leurs métadonnées.
• cloud-storage-objects permet à un agent de travailler directement avec les données non structurées, par exemple en listant les fichiers, en lisant leur contenu, en les téléchargeant ou en les supprimant.

D’autres outils sont prévus au cours des prochains mois.

Outils personnalisés pour une logique métier plus stricte

Les outils prédéfinis suffisent pour la plupart des cas, mais certains schémas nécessitent une logique métier personnalisée, et la Boîte à outils propose déjà un cadre déclaratif et extensible d’outils personnalisés. L’intégration native avec GCS peut servir de base pour des outils adaptés à un besoin métier spécifique.

Un exemple typique est de limiter l’accès d’un agent à un petit nombre de buckets afin d’éviter toute fuite future de données. En enveloppant l’intégration GCS dans un outil personnalisé, il est possible de définir une liste d’autorisation en dur, ce qui élimine le risque d’injection de commandes pouvant entraîner un accès non autorisé aux buckets. Un outil qui ne liste que les buckets autorisés se présente comme ceci :

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 même manière, la lecture des objets peut être restreinte à un bucket sécurisé figurant sur une liste d’autorisation :

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

Début

Relier les plus grands entrepôts de données non structurées directement aux agents d’IA ouvre de nombreuses possibilités. La documentation officielle de GCS avec le Toolbox, la page de référence des outils et ensembles d’outils prédéfinis, ainsi que le répertoire MCP Toolbox sur GitHub constituent les points de départ idéaux.