ビジネスインテリジェンス

MCP ツールボックスと ADK を使用して Looker を Gemini Enterprise に数分で接続する方法

2026年1月14日

Rob Carr

Enterprise Customer Engineer

Try Gemini 3

Our most intelligent model is now available on Vertex AI and Gemini Enterprise

※この投稿は米国時間 2025 年 12 月 13 日に、Google Cloud blog に投稿されたものの抄訳です。

AI による回答の質は、基盤となるデータの整合性に左右されることは周知のとおりです。しかし、AI モデルは強力であるものの、そのままではビジネスコンテキストが欠けています。自然言語を使用してデータについて質問する組織が増えるにつれ、ビジネスにおけるメジャーとディメンションを統合し、会社全体で一貫性を確保することがますます重要になっています。信頼できる AI を実現するには、ビジネス指標の信頼できる唯一の情報源として機能するセマンティックレイヤが必要です。

しかし、エンドユーザーがそのデータにアクセスして活用できるようにするにはどうすればよいでしょうか。Looker の Model Context Protocol（MCP）サーバーの最近の導入を基に、このブログでは、データベース向け MCP ツールボックスを介して Looker に接続され、Gemini Enterprise 内で公開される Agent Development Kit（ADK）エージェントを作成するプロセスについて説明します。さあ始めましょう。

ステップ 1 - MCP ツールボックスで Looker との統合を設定する

データベース向け MCP ツールボックスは、ツールセットをホストして管理する中央のオープンソースサーバーです。これにより、エージェントアプリケーションはプラットフォームを直接操作することなく Looker の機能を活用できます。エージェントは、ツールロジックと認証を直接管理するのではなく、MCP クライアントとして機能し、ツールボックスにツールをリクエストします。MCP ツールボックスは、Looker への安全な接続、認証、クエリの実行などの基本的な複雑さをすべて処理します。

データベース向け MCP ツールボックスは、Looker の事前構築済みツールセットをネイティブにサポートします。これらのツールにアクセスする手順は次のとおりです。

Cloud Shell に接続します。次のコマンドを使用して、すでに認証済みであることと、プロジェクトがプロジェクト ID に設定されていることを確認します。

読み込んでいます...

Cloud Shell で次のコマンドを実行して、gcloud コマンドがプロジェクトを認識していることを確認します。

読み込んでいます...

mcp-toolbox という名前のフォルダを作成します。

読み込んでいます...

以下のコマンドで mcp-toolbox フォルダに移動します。

読み込んでいます...

以下のスクリプトを使用して、データベース向け MCP ツールボックスのバイナリバージョンをインストールします。このコマンドは Linux 用です。Macintosh または Windows で実行する場合は、正しいバイナリをダウンロードしてください。オペレーティングシステムとアーキテクチャのリリースページを確認し、正しいバイナリをダウンロードします。

読み込んでいます...

ツールボックスを Cloud Run にデプロイする

次に、MCP ツールボックスを実行する必要があります。最も簡単な方法は、Google Cloud のフルマネージドコンテナアプリケーションプラットフォームである Cloud Run です。手順は次のとおりです。

読み込んでいます...

必要に応じて、関連する API を有効にします。

読み込んでいます...

サービスアカウントを作成し、必要なロールを割り当てます。

読み込んでいます...

クライアント ID とシークレットの取得については、ドキュメントをご覧ください。

deploy.env ファイルを作成します。

読み込んでいます...

ツールボックス構成をイメージ変数にエクスポートします。

読み込んでいます...

MCP ツールボックスを Cloud Run にデプロイします。

読み込んでいます...

Cloud Run で未認証を許可するかどうかを尋ねられたら、[いいえ] を選択します。

Allow Unauthenticated: N

ステップ 2: ADK エージェントをエージェントエンジンにデプロイする

次に、AI エージェントの開発とデプロイ用に設計された、柔軟性の高いモジュール型のフレームワークである Agent Development Kit（ADK）を設定する必要があります。ADK は、エージェント開発をソフトウェア開発のように感じられるよう設計されており、デベロッパーは単純なタスクから複雑なワークフローまで、幅広いエージェントアーキテクチャを簡単に作成、デプロイ、オーケストレートできます。ADK は Gemini と Google エコシステム向けに最適化されていますが、モデルにもデプロイにも依存せず、他のフレームワークとの互換性を考慮して構築されています。

Vertex AI Platform の一部である Vertex AI Agent Engine は、開発者が本番環境で AI エージェントをデプロイ、管理、スケーリングできるようにする一連のサービスです。本番環境でエージェントをスケーリングするためのインフラストラクチャの処理は Agent Engine が行うため、開発者はアプリケーションの作成に注力できます。

Cloud Shell で新しいターミナルタブを開き、次のように my-agents という名前のフォルダを作成します。また、my-agents フォルダに移動する必要があります。

読み込んでいます...

次に、venv を使用して、仮想 Python 環境を作成します。

読み込んでいます...

仮想環境をアクティブにします。

読み込んでいます...

ADK とデータベース向け MCP ツールボックスのパッケージを langchain の依存関係とともにインストールします。

読み込んでいます...

最初のエージェントアプリケーションを作成

これで、adk を使用して、スキャフォールディングを作成する準備が整いました。ここには、adk create コマンドとアプリ名 looker_app を介した、Looker エージェントアプリケーションのフォルダ、環境、基本ファイルが含まれます。

読み込んでいます...

手順に沿って、以下を選択します。

ルートエージェントのモデルを選択するための Gemini モデル
バックエンド用の Vertex AI
デフォルトの Google プロジェクト ID とリージョン

読み込んでいます...

エージェントのデフォルトテンプレートと必要なファイルが作成されたフォルダを確認します。

まず、.env ファイルです。

読み込んでいます...

これらの値は、Google Cloud プロジェクト ID とロケーションのそれぞれの値とともに Vertex AI 経由で Gemini を使用することを示しています。

次に、__init__.py ファイルがあります。このファイルはフォルダをモジュールとしてマークし、agent.py ファイルからエージェントをインポートする単一のステートメントを含んでいます。

読み込んでいます...

最後に、agent.py ファイルを見てみましょう。内容は、以下の例のように編集できます。

ここでハイライト表示されている Cloud Run の URL を挿入します（URL にプロジェクト番号が含まれているものではありません）。

https://storage.googleapis.com/gweb-cloudblog-publish/images/image1_INSmjFd.max-1600x1600.jpg

読み込んでいます...

import os
from google.adk.agents import LlmAgent
from google.adk.planners.built_in_planner import BuiltInPlanner
from google.adk.tools.mcp_tool.mcp_toolset import MCPToolset
from google.adk.tools.mcp_tool.mcp_session_manager import SseConnectionParams, StreamableHTTPConnectionParams
from google.genai.types import ThinkingConfig
from google.auth import compute_engine
import google.auth.transport.requests
import google.oauth2.id_token

# Replace this URL with the correct endpoint for your MCP server.
MCP_SERVER_URL = "YOUR_CLOUD_RUN_URL/mcp"
if not MCP_SERVER_URL:
    raise ValueError("The MCP_SERVER_URL is not set.")
def get_id_token():
    """Get an ID token to authenticate with the MCP server."""
    target_url = MCP_SERVER_URL
    audience = target_url.split('/mcp')[0]
    auth_req = google.auth.transport.requests.Request()
    id_token = google.oauth2.id_token.fetch_id_token(auth_req, audience)
    # Get the ID token.
    return id_token

root_agent = LlmAgent(
    model='gemini-2.5-flash',
    name='looker_agent',
    description='Agent to answer questions about Looker data.',
    instruction=(
        'You are a helpful agent who can answer user questions about Looker data the user has access to. Use the tools to answer the question. If you are unsure on what model to use, try defaulting to thelook and if you are also unsure on the explore, try order_items if using thelook model'
    ),
planner=BuiltInPlanner(
thinking_config=ThinkingConfig(include_thoughts=False, thinking_budget=0)
),
tools=[
MCPToolset(
connection_params=StreamableHTTPConnectionParams(
url=MCP_SERVER_URL,
headers={
"Authorization": f"Bearer {get_id_token()}",
}
),
errlog=None,
# Load all tools from the MCP server at the given URL
tool_filter=None,
)
],
)

必要に応じて、Cloud Storage バケットを作成します。

読み込んでいます...

[my-agents] ディレクトリにいることを確認します。使用する Cloud Storage バケットで BUCKET_NAME を更新します。

読み込んでいます...

注意事項: Cloud Run の起動元ロールをデフォルトのエージェントエンジンサービスアカウント（service-PROJECT_NUMBER@gcp-sa-aiplatform-re.iam.gserviceaccount.com）に付与してください。

ステップ 3: Gemini Enterprise に接続する

次に、Gemini Enterprise アプリを作成します（手順はこちら）。

以下のコマンドを、GCP プロジェクト番号、上記の「deploy agent_engine」コマンドの出力である推論エンジンリソース名、Gemini Enterprise アプリインターフェースの Gemini Enterprise エージェント ID を使用して実行します。

読み込んでいます...

export PROJECT_NUMBER="YOUR_PROJECT_NUMBER"
export REASONING_ENGINE="projects/XXXXX/locations/us-central1/reasoningEngines/XXXXX"
export DISPLAY_NAME="Looker Agent"
export DESCRIPTION="Looker's MCP Capability."
export TOOL_DESCRIPTION="Looker's Query Engine is used to answer Ecommerce questions."
export AS_APP="YOUR_GEMENI_ENTERPRISE_AGENT_ID"

curl -X POST \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json" \
  -H "X-Goog-User-Project: ${PROJECT_NUMBER}" \
https://discoveryengine.googleapis.com/v1alpha/projects/${PROJECT_NUMBER}/locations/global/collections/default_collection/engines/${AS_APP}/assistants/default_assistant/agents \
  -d '{
      "displayName": "'"${DISPLAY_NAME}"'",
      "description": "'"${DESCRIPTION}"'",
      "adk_agent_definition": {
        "tool_settings": {
          "tool_description": "'"${TOOL_DESCRIPTION}"'"
        },
        "provisioned_reasoning_engine": {
          "reasoning_engine":
            "'"${REASONING_ENGINE}"'"
        }
      }
  }'

これで、Looker のデータが Gemini Enterprise アプリ内で利用できるようになります。

この機能にアクセスできない場合は、Google Cloud のアカウント担当者にお問い合わせください。

ビジネスデータのクエリをより簡単に

https://storage.googleapis.com/gweb-cloudblog-publish/original_images/image2_yo0qkt7.gif

ADK と MCP ツールボックスを介して Looker のセマンティックレイヤを Vertex AI エージェントサービスに接続することは、データアクセシビリティにとって大きなメリットです。信頼できる Looker モデルと Explore を Gemini Enterprise で公開することで、エンドユーザーは自然言語を使用して複雑なビジネスデータをクエリできるようになります。この統合により、データの分析情報と即時のアクションの間のギャップが解消され、組織のセマンティックレイヤが単なる受動的なレポートのソースではなく、アクティブで会話型の意思決定を促進するアセットになります。

使用を開始するには、GitHub のデータベース向け MCP ツールボックスに接続して Looker との統合を設定します。

-エンタープライズカスタマーエンジニア、Rob Carr

投稿先