Google Antigravity IDE получил интеграцию с облачными базами данных через MCP

Современные ИИ-агенты перестают быть просто собеседниками — они становятся автономными исполнителями сложных рабочих процессов. Но их эффективность упирается в «знания»: без доступа к реальным бизнес-данным они остаются абстрактными теоретиками. Google Cloud делает шаг к решению этой проблемы, интегрируя свою новую среду разработки Antigravity с облачной инфраструктурой данных компании. Об этом сообщает Google Cloud Blog.

MCP: универсальный адаптер для данных

Ключевым элементом интеграции стал протокол Model Context Protocol (MCP), который разработчики Google метафорично называют «портом USB-C для ИИ». Через набор предварительно настроенных MCP-серверов, доступных в магазине внутри Antigravity, языковые модели в IDE получают стандартизированный доступ к сервисам Google Data Cloud: AlloyDB for PostgreSQL, BigQuery, Spanner, Cloud SQL и Looker.

Идея стандартизированного протокола для подключения LLM к данным — давно назревшая необходимость. MCP потенциально может стать тем самым недостающим звеном, которое превратит ИИ-ассистентов из эрудированных болтунов в полноценных коллег по разработке. Однако успех зависит от двух факторов: скорости, с которой другие вендоры (AWS, Microsoft, Snowflake) предложат свои MCP-серверы, и от реальной безопасности этих соединений. Пока что это выглядит как умная попытка Google привязать разработчиков к своей экосистеме, предлагая им самый короткий путь от идеи до data-aware приложения.

Как подключить данные к агенту

Процесс подключения заявлен как UI-ориентированный и состоит из двух шагов:

1. Обнаружение и установка: В магазине MCP внутри Antigravity нужно найти нужный сервер (например, для BigQuery) и нажать Install.
   

   

2. Настройка соединения: В открывшейся форме указываются детали сервиса (Project ID, регион). Для аутентификации можно использовать пароль или учетные данные IAM, которые хранятся защищенно.
   

   

После настройки агент получает набор инструментов — исполняемых функций для работы с конкретным сервисом.

Сценарии использования: от SQL до бизнес-аналитики

Работа с базами данных (AlloyDB for PostgreSQL)

Агент, подключенный к AlloyDB, может взять на себя рутинные задачи администратора и разработчика:

• Исследование схемы: Использование инструментов list_tables и get_table_schema для мгновенного объяснения структуры базы.
• Разработка запросов: Агент пишет SQL-запрос по описанию (например, «найди топ-10 пользователей») и сразу выполняет его через execute_sql для проверки.
• Оптимизация: Перед коммитом кода можно попросить агента запустить get_query_plan для анализа плана выполнения.
  

  

Аналитика на BigQuery

Для работы с большими данными агент выступает в роли аналитика, умея:

• Строить прогнозы (forecast) на основе исторических данных.
• Искать и управлять активами в каталоге данных (search_catalog).
• Анализировать вклад факторов в метрики (analyze_contribution).

Согласованность с бизнес-логикой через Looker

Интеграция с Looker позволяет агенту работать с семантическим слоем — единым источником истины для бизнес-метрик. Это решает хроническую проблему расхождения терминов между разработчиками и аналитиками. Агент может:

• Уточнять точные названия мер и измерений (например, корректное имя для «Net Retention»).
• Выполнять ad-hoc запросы (run_query) к модели Looker прямо в IDE для валидации логики.
• Сверять данные приложения с официальными отчетами, запуская сохраненные представления (run_look).

Таким образом, Google через Antigravity и MCP предлагает готовый конвейер для создания data-aware приложений. Вопрос теперь в том, насколько разработчики готовы доверить ИИ-агенту доступ к своим основным хранилищам данных и насколько этот подход окажется универсальным за пределами экосистемы Google Cloud.