Google Cloud Storage стал частью MCP Toolbox: инструменты для работы с бакетами для ИИ-агентов

Google Cloud Storage является ключевым компонентом современных агентных платформ и предпочтительным решением для хранения структурированных данных в крупных масштабах. Однако по мере того, как команды переходят от создания прототипов к запуску автономных агентов в производственной среде, происходит изменение архитектуры: хранение данных больше не является сложной частью. Настоящей задачей становится преобразование петабайтов необработанных структурированных файлов в информацию, доступную агенту по запросу. Для решения этой проблемы GCS теперь поддерживается нативно и доступен в MCP Toolbox.

Структурированные данные в приложениях с агентами

Базы данных хранят структурированные данные, в то время как хранилища объектов содержат повседневную информацию бизнеса: контракты в формате PDF, архитектурные схемы, финансовые и нормативные документы, необработанные логи приложений и мультимедийные файлы. Обеспечение агентов стандартным способом взаимодействия с GCS позволяет создавать различные типы приложений.

Первым типом является мультимодальный анализ. Агенты могут сочетать детерминированную точность структурированных данных в BigQuery или AlloyDB с более подробным контекстом, хранящимся в GCS. Например, автоматизированный агент для обработки страховых требований может считывать информацию о лимитах страховки и суммах страховых взносов из базы данных AlloyDB, одновременно получая из GCS фотографии места аварии и отсканированные полицейские отчеты, после чего оценивать ущерб и предлагать сумму выплаты.

Вторым типом являются автоматизированные потоки обработки документов. Фоновый агент может отслеживать папки для приема данных на наличие новозагруженных счетов-фактур от поставщиков или юридических контрактов, извлекать ключевые элементы и запускать соответствующие рабочие процессы в ERP-системах.

Третьим типом является криминалистика кодовой базы и журналов. Агенты, отвечающие за надежность сайтов, могут анализировать папки с историческими журналами серверов или данных о сбоях с целью выявления корневых причин без необходимости вручную загружать разработчиками гигабайты текста.

Четвертым вариантом является динамический RAG в реальном времени — подход, популярный среди клиентов, которые отказываются от жестких схем использования векторных эмбеддингов. Вместо заранее разбиения данных на части и их индексации вы предоставляете агенту безопасный доступ к определенной папке в GCS. Когда пользователь задает сложный вопрос, агент перечисляет содержимое бакета, находит соответствующий 200-страничный руководство, читает исходный файл и формирует ответ непосредственно на его основе.

По данным блога разработчиков Google, такие компании, как Snap, Palo Alto Networks и Airwallex, уже используют GCS с MCP.

Что было выпущено

С момента запуска MCP Toolbox одной из самых востребованных функций была нативная поддержка крупных хранилищ объектов, таких как GCS. Как и другие источники из Toolbox, интеграция с GCS проста в использовании, а инструкции по быстрой настройке в документации Cloud Storage позволяют сразу же подключить клиентское приложение.

В его состав входят заранее созданные инструменты, охватывающие большинство основных функций GCS: создание, перечисление, чтение и обновление бакетов, объектов и их метаданных. Для упрощения управления также предусмотрены два встроенных набора инструментов.

• cloud-storage-buckets позволяет агенту управлять инфраструктурой хранения, например, перечислять бакеты и получать их метаданные.
• cloud-storage-objects даёт агенту возможность работать с самими неструктурированными данными, например, перечислять файлы, читать содержимое объектов, загружать и удалять их.

Дополнительные инструменты планируется добавить в ближайшие несколько месяцев.

Пользовательские инструменты для более строгой бизнес-логики

Для большинства случаев достаточно готовых инструментов, но некоторые сценарии требуют специальной бизнес-логики, и Toolbox уже предоставляет декларативную, расширяемую платформу для создания таких инструментов. Встроенная интеграция с GCS может служить основой для инструментов, адаптированных под конкретные бизнес-требования.

Типичным примером является ограничение доступа агента к определённому количеству бакетов, чтобы в будущем не происходило утечек данных. Использование специального инструмента, обёрнутого вокруг интеграции с GCS, позволяет задать жёстко заданный список разрешённых бакетов, что устраняет риск внедрения вредоносного кода, способного привести к перемещению между бакетами. Инструмент, отображающий только бакеты из списка разрешений, выглядит следующим образом:

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

Аналогичным образом, доступ к объектам можно ограничить списком разрешенных, безопасных контейнеров:

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

Начало работы

Прямое подключение крупнейших хранилищ неструктурированных данных к агентам ИИ открывает множество возможностей. Официальная документация GCS с Toolbox, страница с ссылками на готовые инструменты и наборы инструментов, а также репозиторий MCP Toolbox на GitHub — это места, с которых стоит начать.