Google Cloud Platform(GCP) 서비스를 위한 포괄적인 MCP(Model Context Protocol) 서버 구현으로, AI 어시스턴트가 표준화된 인터페이스를 통해 GCP 리소스와 상호 작용하고 이를 관리할 수 있도록 합니다.
GCP MCP 서버는 AI 어시스턴트에게 다음과 같은 기능을 제공합니다.
GCP 리소스 쿼리 : 클라우드 인프라에 대한 정보 가져오기
클라우드 리소스 관리 : GCP 서비스 생성, 구성 및 관리
지원 받기 : GCP 구성 및 모범 사례에 대한 AI 가이드 도움말 받기
구현은 AI 시스템이 안전하고 통제된 방식으로 GCP 서비스와 상호 작용할 수 있도록 MCP 사양을 따릅니다.
Related MCP server: gcloud MCP Cloud Run
이 구현에는 다음 GCP 서비스에 대한 지원이 포함됩니다.
아티팩트 레지스트리 : 컨테이너 및 패키지 관리
BigQuery : 데이터 웨어하우징 및 분석
클라우드 감사 로그 : 로깅 및 감사 추적 분석
클라우드 빌드 : CI/CD 파이프라인 관리
Cloud Compute Engine : 가상 머신 인스턴스
클라우드 모니터링 : 메트릭, 알림 및 대시보드
Cloud Run : 서버리스 컨테이너 배포
클라우드 스토리지 : 객체 스토리지 관리
이 프로젝트는 다음과 같이 구성됩니다.
지엑스피1
주요 구성 요소:
서비스 모듈 : 각 GCP 서비스에는 리소스, 도구 및 프롬프트가 포함된 자체 모듈이 있습니다.
클라이언트 인스턴스 : 인증 및 리소스 액세스를 위한 중앙 집중식 클라이언트 관리
핵심 구성 요소 : MCP 서버 구현을 위한 기본 기능
파이썬 3.10+
사용하려는 서비스에 대한 API가 활성화된 GCP 프로젝트
인증된 GCP 자격 증명(애플리케이션 기본 자격 증명 권장)
저장소를 복제합니다.
git clone https://github.com/yourusername/gcp-mcp-server.git
cd gcp-mcp-server가상 환경 설정:
python -m venv venv
source venv/bin/activate # On Windows: venv\Scripts\activate종속성 설치:
pip install -r requirements.txtGCP 자격 증명을 구성하세요.
# Using gcloud
gcloud auth application-default login
# Or set GOOGLE_APPLICATION_CREDENTIALS
export GOOGLE_APPLICATION_CREDENTIALS="/path/to/service-account-key.json"환경 변수 설정:
cp .env.example .env
# Edit .env with your configurationMCP 서버를 시작합니다.
python main.py개발 및 테스트를 위해:
# Development mode with auto-reload
python main.py --dev
# Run with specific configuration
python main.py --config config.yamlDocker로 빌드하고 실행:
# Build the image
docker build -t gcp-mcp-server .
# Run the container
docker run -p 8080:8080 -v ~/.config/gcloud:/root/.config/gcloud gcp-mcp-server서버는 환경 변수나 구성 파일을 통해 구성할 수 있습니다.
환경 변수 | 설명 | 기본 |
| 기본 GCP 프로젝트 ID | 없음(필수) |
| 기본 지역/존 |
|
| 서버 포트 |
|
| 로깅 레벨 |
|
구성 옵션의 전체 목록은 .env.example 참조하세요.
services/ 디렉토리에 새 파일을 만듭니다.
기존 서비스의 패턴을 따라 서비스를 구현합니다.
main.py 에 서비스를 등록하세요
자세한 구현 지침은 서비스 README를 참조하세요.
서버는 인증을 위해 애플리케이션 기본 자격 증명을 사용합니다.
권한은 인증된 신원의 권한에 따라 결정됩니다.
서비스 구현에는 자격 증명이 하드코딩되어 있지 않습니다.
적절한 권한이 있는 서비스 계정으로 실행하는 것을 고려하세요.
기여를 환영합니다! 풀 리퀘스트를 제출해 주세요.
저장소를 포크하세요
기능 브랜치를 생성합니다( git checkout -b feature/amazing-feature )
변경 사항을 커밋하세요( git commit -m 'Add some amazing feature' )
브랜치에 푸시( git push origin feature/amazing-feature )
풀 리퀘스트 열기
이 프로젝트는 MIT 라이선스에 따라 라이선스가 부여되었습니다. 자세한 내용은 라이선스 파일을 참조하세요.
포괄적인 API를 제공하는 Google Cloud Platform 팀
AI가 서비스와 상호 작용할 수 있는 표준화된 방식을 제공하는 모델 컨텍스트 프로토콜
이 서버를 사용하려면:
GCP 서비스 계정 키 파일을 service-account.json 으로 같은 디렉토리에 넣으세요.
MCP 패키지를 설치하세요: pip install "mcp[cli]"
필요한 GCP 패키지를 설치하세요: pip install google-cloud-run
실행: mcp dev gcp_cloudrun_server.py
또는 Claude Desktop에 설치하세요:
mcp install gcp_cloudrun_server.py --name "GCP Cloud Run Manager"다음 구성을 GCP Cloud Tools의 구성 파일에 추가할 수 있습니다.
"mcpServers": {
"GCP Cloud Tools": {
"command": "uv",
"args": [
"run",
"--with",
"google-cloud-artifact-registry>=1.10.0",
"--with",
"google-cloud-bigquery>=3.27.0",
"--with",
"google-cloud-build>=3.0.0",
"--with",
"google-cloud-compute>=1.0.0",
"--with",
"google-cloud-logging>=3.5.0",
"--with",
"google-cloud-monitoring>=2.0.0",
"--with",
"google-cloud-run>=0.9.0",
"--with",
"google-cloud-storage>=2.10.0",
"--with",
"mcp[cli]",
"--with",
"python-dotenv>=1.0.0",
"mcp",
"run",
"C:\\Users\\enes_\\Desktop\\mcp-repo-final\\gcp-mcp\\src\\gcp-mcp-server\\main.py"
],
"env": {
"GOOGLE_APPLICATION_CREDENTIALS": "C:/Users/enes_/Desktop/mcp-repo-final/gcp-mcp/service-account.json",
"GCP_PROJECT_ID": "gcp-mcp-cloud-project",
"GCP_LOCATION": "us-east1"
}
}
}이 구성은 다음을 사용하여 Google Cloud Platform 도구에 대한 MCP 서버를 설정합니다.
명령 : uv 패키지 관리자를 사용하여 서버를 실행합니다.
종속성 : 다양한 Google Cloud 라이브러리(Artifact Registry, BigQuery, Cloud Build 등)가 포함됩니다.
환경 변수 :
GOOGLE_APPLICATION_CREDENTIALS : GCP 서비스 계정 사용자 인증 정보 경로
GCP_PROJECT_ID : Google Cloud 프로젝트 ID
GCP_LOCATION : GCP 지역(us-east1)
GCP Cloud Tools 기능을 활성화하려면 이 구성을 MCP 구성 파일에 추가하세요.
Test GCP authentication
| Name | Required | Description | Default |
|---|---|---|---|
No parameters | |||
Does the description disclose side effects, auth requirements, rate limits, or destructive behavior?
No annotations are provided, so the description carries full burden. It mentions 'test' but doesn't disclose behavioral traits like what gets tested (e.g., credentials, permissions), whether it's safe/destructive, or what output to expect. This leaves significant gaps for a tool with zero annotation coverage.
Agents need to know what a tool does to the world before calling it. Descriptions should go beyond structured annotations to explain consequences.
Is the description appropriately sized, front-loaded, and free of redundancy?
The description is extremely concise ('Test GCP authentication') with no wasted words, making it front-loaded and easy to parse. It efficiently conveys the core purpose in minimal text.
Shorter descriptions cost fewer tokens and are easier for agents to parse. Every sentence should earn its place.
Given the tool's complexity, does the description cover enough for an agent to succeed on first attempt?
Given the tool's complexity (simple auth test) but lack of annotations and output schema, the description is incomplete. It doesn't explain what 'test' entails, what success/failure looks like, or any behavioral context, leaving the agent with insufficient information.
Complex tools with many parameters or behaviors need more documentation. Simple tools need less. This dimension scales expectations accordingly.
Does the description clarify parameter syntax, constraints, interactions, or defaults beyond what the schema provides?
The tool has 0 parameters with 100% schema description coverage, so no parameter documentation is needed. The description doesn't add param info, but that's acceptable here, meeting the baseline for zero-param tools.
Input schemas describe structure but not intent. Descriptions should explain non-obvious parameter relationships and valid value ranges.
Does the description clearly state what the tool does and how it differs from similar tools?
The description 'Test GCP authentication' states a clear purpose (testing authentication) but lacks specificity about what resource or system is being tested. It doesn't distinguish from siblings (though none exist), making it somewhat vague but functional.
Agents choose between tools based on descriptions. A clear purpose with a specific verb and resource helps agents select the right tool.
Does the description explain when to use this tool, when not to, or what alternatives exist?
The description provides no guidance on when to use this tool, such as during setup, troubleshooting, or validation scenarios. With no siblings, differentiation isn't needed, but general usage context is missing.
Agents often have multiple tools that could apply. Explicit usage guidance like "use X instead of Y when Z" prevents misuse.
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
test_gcp_authScored across 1 tool
With only one tool, there is no possibility of confusion or overlap between tools. The single tool 'test_gcp_auth' has a clear and distinct purpose that cannot be mistaken for any other tool in this set.
The naming pattern is perfectly consistent as there is only one tool. It follows a verb_noun structure ('test_gcp_auth'), and with no other tools to compare, there are no deviations or inconsistencies in naming conventions.
The tool count of 1 is too few for a server named 'GCP MCP Server', which suggests a broad scope covering Google Cloud Platform services. A single authentication test tool is insufficient for meaningful interaction with GCP resources, making this a significant mismatch in scope.
The tool surface is severely incomplete for a GCP server. It only provides an authentication test, lacking any operations for core GCP services like compute, storage, databases, or management. This leaves major gaps that will prevent agents from performing useful tasks in the domain.
The Google Compute Engine MCP server is a fully-managed Model Context Protocol server that provides tools to manage Google Compute Engine resources through AI agents. It enables capabilities including instance management (creating, starting, stopping, resetting, listing), disk management, handling instance templates and group managers, viewing machine and accelerator types, managing images, and accessing reservation and commitment information. The server operates as a zero-deployment, enterprise-grade endpoint at https://compute.googleapis.com/mcp with built-in IAM-based security.
The Google GKE MCP server is a managed Model Context Protocol server that provides AI applications with tools to manage Google Kubernetes Engine (GKE) clusters and Kubernetes resources. It exposes a structured, discoverable interface that allows AI agents to interact with GKE and Kubernetes APIs, enabling them to inspect cluster configurations, retrieve Kubernetes resource YAMLs, monitor operations like cluster upgrades, diagnose issues, and optimize costs—all without needing to parse text output or use complex kubectl commands.
Connect MCP clients to 2,000+ AI models without managing provider API keys.
The BigQuery remote MCP server is a fully managed service that uses the Model Context Protocol to connect AI applications and LLMs to BigQuery data sources. It provides secure, standardized tools for AI agents to list datasets and tables, retrieve schemas, generate and execute SQL queries through natural language, and analyze data—enabling direct access to enterprise analytics data without requiring manual SQL coding.
