將 Developer Knowledge MCP 伺服器與自訂 AI 代理整合

本教學課程說明如何將遠端開發人員知識 MCP 伺服器，連結至以 LangChain、LlamaIndex 和 AutoGen 建構的自訂 AI 代理程式架構。

將自訂 AI 代理連結至遠端 Model Context Protocol (MCP) 伺服器，代理就能動態搜尋及擷取涵蓋 Google Cloud、Firebase、Android、Google 地圖平台、Chrome 等項目的最新 Google 開發人員說明文件。

必要條件

開始前，請先完成下列必要條件：

  1. 產生 Developer Knowledge API 金鑰：按照 API 金鑰設定指南的說明，在 Google Cloud 雲端專案中啟用 Developer Knowledge API 並建立 API 金鑰。
  2. 產生 Gemini API 金鑰：在 Google AI Studio 中建立 API 金鑰，驗證 Gemini 模型，或重複使用 Google Cloud API 金鑰 (如果已啟用 Generative Language API)。

  3. 設定環境變數：在終端機中將 API 金鑰設為環境變數：

    export DEVELOPERKNOWLEDGE_API_KEY="YOUR_API_KEY"
export GEMINI_API_KEY="YOUR_GEMINI_API_KEY"

  4. 安裝 Python：確認開發環境使用 Python 3.10 以上版本。

使用 LangChain 連線

LangChain 應用程式可以使用 langchain-mcp-adapters 套件或標準 MCP 用戶端傳輸，連線至遠端 HTTP MCP 伺服器。

安裝依附元件

安裝 LangChain、Gemini 和 MCP 必要的 Python 套件：

pip install langgraph langchain-google-genai langchain-mcp-adapters mcp

設定 LangChain 代理

以下範例會將 Developer Knowledge MCP 伺服器連結至由 Gemini 支援的 LangChain ReAct 代理。指令碼會使用 streamable_http 傳輸例項化 MultiServerMCPClient、附加 X-Goog-Api-Key HTTP 標頭，並將遠端工具載入 create_react_agent：

import asyncio
import os

from langchain_google_genai import ChatGoogleGenerativeAI
from langchain_mcp_adapters.client import MultiServerMCPClient
from langgraph.prebuilt import create_react_agent

async def run_langchain_agent():
    api_key = os.environ.get("DEVELOPERKNOWLEDGE_API_KEY")
    if not api_key:
        raise ValueError(
            "DEVELOPERKNOWLEDGE_API_KEY environment variable is required."
        )

    gemini_api_key = os.environ.get("GEMINI_API_KEY")
    if not gemini_api_key:
        raise ValueError("GEMINI_API_KEY environment variable is required.")

    # Configure remote MCP connection for Developer Knowledge
    client = MultiServerMCPClient(
        {
            "google-developer-knowledge": {
                "url": "https://developerknowledge.googleapis.com/mcp",
                "transport": "streamable_http",
                "headers": {
                    "X-Goog-Api-Key": api_key,
                },
            }
        }
    )
    tools = await client.get_tools()

    # Initialize Gemini model and ReAct agent
    llm = ChatGoogleGenerativeAI(
        model="gemini-2.5-flash",
        temperature=0,
        google_api_key=gemini_api_key,
    )
    agent = create_react_agent(llm, tools)

    # Run agent query
    response = await agent.ainvoke(
        {
            "messages": [
                (
                    "user",
                    "How do I list Google Cloud Storage buckets in Python?",
                )
            ]
        }
    )
    print("\nAgent Response:\n", response["messages"][-1].content)

if __name__ == "__main__":
    asyncio.run(run_langchain_agent())

使用 LlamaIndex 連線

LlamaIndex 支援透過工具規格整合 MCP 伺服器，讓擷取代理程式在推理期間查詢 Developer Knowledge 文件。

安裝依附元件

安裝 LlamaIndex 核心套件、Gemini LLM 和 MCP 工具整合：

pip install llama-index llama-index-tools-mcp llama-index-llms-google-genai

設定 LlamaIndex 代理

下列範例會使用 BasicMCPClient 連線至遠端 MCP 伺服器，並以 McpToolSpec 包裝，然後將擷取的工具繫結至由 Gemini 支援的 LlamaIndex FunctionAgent：

import asyncio
import os

from llama_index.core.agent.workflow import FunctionAgent
from llama_index.llms.google_genai import GoogleGenAI
from llama_index.tools.mcp import BasicMCPClient, McpToolSpec

async def run_llamaindex_agent():
    api_key = os.environ.get("DEVELOPERKNOWLEDGE_API_KEY")
    if not api_key:
        raise ValueError(
            "DEVELOPERKNOWLEDGE_API_KEY environment variable is required."
        )

    gemini_api_key = os.environ.get("GEMINI_API_KEY")
    if not gemini_api_key:
        raise ValueError("GEMINI_API_KEY environment variable is required.")

    # Connect to the remote Developer Knowledge MCP endpoint
    mcp_client = BasicMCPClient(
        "https://developerknowledge.googleapis.com/mcp",
        headers={"X-Goog-Api-Key": api_key},
    )
    mcp_tool_spec = McpToolSpec(client=mcp_client)
    tools = await mcp_tool_spec.to_tool_list_async()

    # Create LlamaIndex FunctionAgent with Gemini
    llm = GoogleGenAI(model="gemini-2.5-flash", api_key=gemini_api_key)
    agent = FunctionAgent(tools=tools, llm=llm)

    # Query the agent
    response = await agent.run(
        "What are the default limits and quotas for the Developer Knowledge"
        " API?"
    )
    print("\nAgent Response:\n", str(response))

if __name__ == "__main__":
    asyncio.run(run_llamaindex_agent())

使用 AutoGen 連線

Microsoft AutoGen 代理程式可使用 autogen-ext MCP 擴充功能與遠端 MCP 伺服器介接，進而與多個代理程式協作，並存取 Google Developers 官方開發人員說明文件。

安裝依附元件

安裝 AutoGen 核心和 MCP 擴充功能套件：

pip install autogen-agentchat "autogen-ext[mcp,openai]"

設定 AutoGen 代理

以下範例使用 StreamableHttpServerParams 連線至遠端 MCP 伺服器，並透過 Gemini 支援的 AutoGen AssistantAgent 註冊開發人員知識工具：

import asyncio
import os

from autogen_agentchat.agents import AssistantAgent
from autogen_agentchat.teams import RoundRobinGroupChat
from autogen_ext.models.openai import OpenAIChatCompletionClient
from autogen_ext.tools.mcp import StreamableHttpServerParams, mcp_server_tools

async def run_autogen_agent():
    api_key = os.environ.get("DEVELOPERKNOWLEDGE_API_KEY")
    if not api_key:
        raise ValueError(
            "DEVELOPERKNOWLEDGE_API_KEY environment variable is required."
        )

    gemini_api_key = os.environ.get("GEMINI_API_KEY")
    if not gemini_api_key:
        raise ValueError("GEMINI_API_KEY environment variable is required.")

    # Retrieve remote MCP tools for Developer Knowledge by using Streamable HTTP
    server_params = StreamableHttpServerParams(
        url="https://developerknowledge.googleapis.com/mcp",
        headers={"X-Goog-Api-Key": api_key},
    )
    dk_tools = await mcp_server_tools(server_params)

    # Initialize model client with Gemini and assistant agent
    model_client = OpenAIChatCompletionClient(
        model="gemini-2.5-flash",
        api_key=gemini_api_key,
        base_url="https://generativelanguage.googleapis.com/v1beta/openai/",
    )
    developer_assistant = AssistantAgent(
        name="google_docs_assistant",
        model_client=model_client,
        tools=dk_tools,
        system_message=(
            "You are a developer assistant specializing in Google APIs and"
            " SDKs. Use Developer Knowledge tools to retrieve verified"
            " documentation."
        ),
    )

    # Run query with team runner
    team = RoundRobinGroupChat([developer_assistant], max_turns=5)
    stream = team.run_stream(
        task=(
            "Explain how to configure Firebase Cloud Messaging topic"
            " subscriptions."
        )
    )

    async for message in stream:
        print(message)

if __name__ == "__main__":
    asyncio.run(run_autogen_agent())

整合代理的最佳做法

使用 Developer Knowledge MCP 伺服器建構自訂 AI 代理時，請遵循下列指南：

  • 修正搜尋查詢：在自然語言查詢中加入特定產品名稱和相關關鍵字，而非一般字詞，因為 search_documents 和 answer_query 工具會比對查詢語意。
  • 管理內容視窗權杖：使用 answer_query 從說明文件集直接取得答案，並避免使用 get_documents 要求完整頁面內容，除非 search_documents 中的程式碼片段詳細資料不足。
  • 保護 API 金鑰：將 Developer Knowledge API 和 Gemini API 金鑰儲存在環境變數或標準 Secret Manager 系統中，切勿在程式碼中硬式編碼憑證。

後續步驟

如要進一步瞭解 Developer Knowledge MCP 伺服器，請參閱下列資源：