Интеграция Google Gen AI SDK с Bright Data Web MCP

В этой статье вы узнаете:

Что представляет собой Google Gen AI SDK и какие основные функции он предлагает.
Почему его расширение с помощью MCP является выигрышным вариантом.
Как использовать Google Gen AI SDK с Bright Data Web MCP для создания примера рабочего процесса искусственного интеллекта для анализа настроений.

Давайте погрузимся!

Что такое Google Gen AI SDK?

Google Gen AI SDK – это набор комплектов для разработки программного обеспечения, который помогает интегрировать генеративные модели ИИ Google, такие как Gemini, в приложения ИИ. Эти SDK с открытым исходным кодом доступны на нескольких языках программирования.

Проще говоря, он предоставляет единый интерфейс для взаимодействия с этими моделями через Gemini Developer API и Gemini API на Vertex AI. В частности, ключевыми особенностями Google Gen AI SDK являются:

Многоязыковая поддержка: SDK доступен на языках Python, Node.js, Java и Go, что позволяет выбрать предпочтительный язык при создании функций на базе ИИ.
Доступ к моделям Gemini: Предоставляет доступ к передовым моделям генеративного ИИ Google, таким как Gemini 2.5 LLM.
Унифицированный доступ к API: Предоставляет согласованный интерфейс как к Gemini Developer API для быстрого создания прототипов, так и к Gemini API на Vertex AI для готовых к производству приложений.
Возможности вызова функций: Поддерживает взаимодействие с внешними инструментами и сервисами, в том числе через MCP.

Зачем интегрировать Google Gen AI SDK с MCP-сервером для веб-доступа

Независимо от того, какую модель генеративного ИИ Google вы настраиваете в Google Gen AI SDK, все они имеют одно и то же ограничение: их знания статичны!

LLM обучаются на данных, представляющих собой моментальный снимок во времени, который может быстро устареть. Это одно из главных ограничений LLM, наряду с отсутствием возможности напрямую взаимодействовать с живыми веб-сайтами.

В большинстве случаев вы хотите, чтобы рабочие процессы и приложения ИИ имели доступ к свежим, высококачественным данным. В идеале, поскольку ИИ – это автоматизация, рабочий процесс должен уметь получать эти данные за вас. Именно это вы получаете при интеграции Google Gen AI SDK с Web MCP от Bright Data.

Web MCP предоставляет доступ к 60+ инструментам, готовым к работе с ИИ, и все они работают на базе инфраструктуры ИИ Bright Data для взаимодействия с Интернетом и сбора данных. Даже бесплатно вы можете предоставить своему ИИ доступ к двум из этих инструментов:

Инструмент	Описание
`scrape_as_markdown`	Соскабливание контента с одной веб-страницы с расширенными возможностями извлечения, возврат данных в формате Markdown. Может обходить обнаружение ботов и CAPTCHA.
`search_engine`	Извлечение результатов поиска из Google, Bing или Yandex. Возвращает данные SERP в формате JSON или Markdown.

Помимо них, существует около 60 специализированных инструментов для взаимодействия с интернетом и сбора структурированных данных в таких доменах, как Amazon, LinkedIn, Yahoo Finance, TikTok и других.

Одним словом, интеграция Google Gen AI SDK с Web MCP эффективно предоставляет вашему рабочему процессу ИИ доступ к Интернету. Это поможет ему генерировать выводы из самых свежих данных, используя мощь генеративных моделей Google.

Как создать рабочий процесс ИИ для анализа настроений с помощью Google Gen AI SDK и Web MCP от Bright Data

В этом разделе вы узнаете, как подключить Web MCP Bright Data к рабочему процессу Google Gen AI SDK, написанному на Python. В частности, вы будете использовать эту интеграцию для создания рабочего процесса искусственного интеллекта для анализа настроений, который:

Использует инструменты Bright Data Web MCP для соскабливания новостной статьи CNN.
Модель Gemini обрабатывает содержимое для обобщения и анализа настроений.
Возвращает вам результаты.

Примечание: Это всего лишь пример. Изменив подсказку, вы можете реализовать множество других сценариев. Кроме того, вы можете легко адаптировать приведенный ниже сценарий на Python к любому другому поддерживаемому языку программирования.

Давайте приступим!

Предварительные условия

Прежде чем приступить к этому уроку, убедитесь, что у вас есть:

Python 3.9+ установлен локально.
Локально установлен Node.js (мы рекомендуем последнюю версию LTS).
Ключ API Gemini.
Учетная запись Bright Data с настроенным ключом API.

Не беспокойтесь о настройке учетной записи Bright Data, поскольку этот процесс будет рассмотрен в следующем шаге.

Шаг № 1: Создание проекта Python

Откройте терминал и создайте новую директорию для вашего проекта Google Gen AI:

mkdir google-genai-mcp-workflow

Папка google-genai-mcp-workflow/ будет содержать код Python для вашего рабочего процесса Google Gen AI. Он будет подключаться к Bright Data Web MCP для соскабливания веб-данных.

Далее перейдите в каталог проекта и создайте в нем виртуальное окружение:

cd google-genai-mcp-agent
python -m venv .venv

Теперь загрузите проект в вашу любимую Python IDE. Мы рекомендуем Visual Studio Code с расширением Python или PyCharm Community Edition.

В папке проекта создайте новый файл с именем workflow.py. Структура каталогов должна выглядеть следующим образом:

google-genai-mcp-workflow/
├──── .venv/
└──── workflow.py

Активируйте виртуальную среду в терминале. В Linux или macOS выполните команду:

source .venv/bin/activate

Аналогично, в Windows выполните эту команду:

.venv/Scripts/activate

Когда среда станет активной, установите необходимые зависимости:

pip install google-genai mcp python-dotenv

Это приведет к установке:

google-genai: Google Gen AI Python SDK для интеграции генеративных моделей Google в приложения на Python.
mcp: Python-реализация MCP(Model Context Protocol).
python-dotenv: Загружает значения переменных окружения из файла .env.

Все готово! Теперь у вас есть среда разработки на Python, готовая к построению рабочего процесса ИИ с интеграцией Bright Data Web MCP.

Шаг № 2: Настройка чтения переменных окружения

Ваш рабочий процесс ИИ будет подключаться к сторонним компонентам, таким как модели ИИ Gemini и сервер Bright Data Web MCP. Для обеспечения безопасности этих интеграций следует избегать жесткого кодирования ключей API непосредственно в коде Python. Вместо этого храните их в виде переменных окружения.

Чтобы упростить загрузку переменных окружения, воспользуйтесь библиотекой python-dotenv. Импортируйте ее и вызовите load_dotenv() в верхней части вашего файла workflow.py:

import os
from dotenv import load_dotenv

load_dotenv()

Функция load_dotenv() позволяет вашему скрипту считывать переменные из локального .env-файла. Создайте этот .env-файл в корне каталога вашего проекта:

google-genai-mcp-workflow/
├── venv/
├──── .env # <-----------
└──── workflow.py

Отлично! Теперь вы можете безопасно управлять ключами API и другими секретами с помощью переменных окружения.

Шаг № 3: Проверка Bright Data Web MCP

Прежде чем настраивать подключение к Web MCP Bright Data в своем сценарии, сначала убедитесь, что ваша машина может запускать MCP-сервер.

Если у вас еще нет учетной записи Bright Data, создайте ее. Если есть, просто войдите в нее. Для быстрой настройки перейдите в раздел “MCP” на панели управления и следуйте инструкциям:

The Bright Data “MCP” section in your dashboard

В противном случае выполните следующие шаги.

Сначала сгенерируйте ключ API Bright Data и сохраните его в надежном месте. В этом руководстве мы предполагаем, что ключ API имеет права администратора, что упрощает процесс интеграции Web MCP.

Выполните приведенную ниже команду, чтобы установить Web MCP глобально:

npm install -g @brightdata/mcp

Затем проверьте, что локальный MCP-сервер работает, выполнив команду:

API_TOKEN="<YOUR_BRIGHT_DATA_API>" npx -y @brightdata/mcp

Или, в Windows:

$Env:API_TOKEN="<Ваш_BRIGHT_DATA_API>"; npx -y @brightdata/mcp

Замените <YOUR_BRIGHT_DATA_API> на ваш фактический API-токен Bright Data. Команда устанавливает необходимую переменную окружения API_TOKEN и запускает Web MCP с помощью пакета @brightdata/mcp.

В случае успеха вы должны увидеть журналы, подобные приведенным ниже:

При первом запуске пакет создает две зоны по умолчанию в вашей учетной записи Bright Data:

mcp_unlocker: Зона для Web Unlocker.
mcp_browser: Зона для Browser API.

Эти зоны необходимы Web MCP для работы всех его 60+ инструментов.

Чтобы убедиться в том, что зоны созданы, войдите в панель управления Bright Data. Перейдите на страницу “Прокси и инфраструктура скрапинга” и проверьте, появились ли эти две зоны в таблице:

The mcp_unlocker and mcp_browser zones created by the Web MCP at startup

Примечание: Если ваш API-токен не имеет прав администратора, эти зоны не будут созданы автоматически. В этом случае вы должны добавить их вручную в приборной панели и настроить их имена через переменные окружения(подробности см. на странице GitHub).

По умолчанию на сервере MCP доступны только инструменты search_engine и scrape_as_markdown (и их пакетные версии). Их можно использовать бесплатно благодаря бесплатному уровню Web MCP.

Дополнительно: Чтобы разблокировать расширенные инструменты, такие как автоматизация браузера и структурированные потоки данных, включите режим Pro, установив переменную окружения PRO_MODE="true" перед запуском MCP-сервера:

API_TOKEN="<YOUR_BRIGHT_DATA_API>" PRO_MODE="true" npx -y @brightdata/mcp

Или в Windows:

$Env:API_TOKEN="<YOUR_BRIGHT_DATA_API>"; $Env:PRO_MODE="true"; npx -y @brightdata/mcp

Режим Pro открывает все 60+ инструментов, но он не включен в бесплатный уровень и может потребовать дополнительной оплаты.

Отлично! Вы убедились, что сервер Web MCP работает на вашей машине. Теперь можно остановить сервер, поскольку вы настроите сценарий Google Gen AI на автоматический запуск и подключение к нему.

Шаг № 4: Определите конфиги подключения MCP

В файле workflow.py представьте логику подключения Web MCP с помощью этой конфигурации:

from mcp import StdioServerParameters

# Считываем ключ Bright Data API из env
BRIGHT_DATA_API_KEY = os.getenv("BRIGHT_DATA_API_KEY")
# Конфигурация для подключения к Bright Data Web MCP через соединение stdio
server_params = StdioServerParameters(
    command="npx",
    args=["-y", "@brightdata/mcp"],
    env={
        "API_TOKEN": BRIGHT_DATA_API_KEY,
        # "PRO_MODE": "true" (опционально, чтобы включить доступ ко всем 60+ инструментам)
    },
)

Эта конфигурация приведет к тому, что та же команда npx, которую мы видели ранее, с правильными переменными окружения, запустит Web MCP-сервер локально и подключится к нему через stdio.

Примечание: Переменная окружения PRO_MODE является необязательной. Включите ее, только если хотите получить доступ ко всем 60+ инструментам. В противном случае вы можете ограничиться инструментамиsearch_engine и scrape_as_markdown (и их пакетными версиями), доступными в бесплатном тире.

Затем добавьте свой ключ API Bright Data в файл .env:

BRIGHT_DATA_API_KEY="<ВАШ_BRIGHT_DATA_API_KEY>".

Обязательно замените место <YOUR_BRIGHT_DATA_API_KEY> на реальный API-ключ, который вы сгенерировали и протестировали в предыдущих шагах.

Фантастика! Ваш рабочий процесс AI может использовать этот конфиг для подключения к локальному серверу Bright Data Web MCP с помощью пакета mcp.

Шаг № 5: Создание клиента Google Gen AI SDK + MCP-сессии

Начните с добавления ключа API Gemini в файл .env:

GEMINI_API_KEY="<ВАШ_GEMINI_API_KEY>"

Замените место <YOUR_GEMINI_API_KEY> на ваш реальный ключ API Gemini.

Далее инициализируйте клиент Google Gen AI SDK и настройте сессию с интеграцией MCP:

import asyncio
from mcp import ClientSession
from google import genai
from mcp.client.stdio import stdio_client

# Инициализация клиента Google Gen AI SDK
client = genai.Client()

async def run():
    # Инициализация контекста клиента MCP
    async with stdio_client(server_params) as (read, write):
        async with ClientSession(read, write) as session:
            # Инициализируем клиентскую сессию AI SDK с интеграцией MCP
            await session.initialize()

            # Google Gen AI SDK с интеграцией MCP...

# Запустите цикл событий asyncio и запустите главную функцию
asyncio.run(run())

Сессия запускается через stdio_client(). Полученные объекты чтения и записи передаются в ClientSession, устанавливая MCP-соединение. Эта сессия вскоре будет передана экземпляру Google Gen AI SDK для интеграции MCP в Gemini.

Примечание: Для этой настройки требуется asyncio, поскольку она включает асинхронные операции.

Отлично! Теперь вы можете отправлять запросы к модели Gemini через клиент с возможностью вызова инструментов MCP по мере необходимости – как вы сейчас увидите.

Шаг № 6: Проверка интеграции инструментов MCP

Убедитесь, что инструменты, открытые локальным сервером Bright Data Web MCP, корректно доступны. Для этого перечислите все доступные инструменты:

tools = await session.list_tools()

Затем выведите их на печать:

print(tools)

Если вы выполните ваш скрипт (не в режиме Pro), вы должны получить:

Вышеприведенный вывод немного беспорядочен, но если вы внимательно посмотрите на него, то увидите, что в нем перечислены:

search_engine: Соскабливает результаты поиска из Google, Bing или Yandex. Возвращает результаты SERP в формате Markdown (URL, заголовок, описание).
scrape_as_markdown: Скрап одной веб-страницы с расширенными опциями и возврат содержимого в формате Markdown. Работает даже при обнаружении ботов или CAPTCHA.
search_engine_batch: Одновременный запуск нескольких поисковых запросов. Возвращает JSON для Google, Markdown для Bing/Yandex.
scrape_batch: Соскребайте несколько веб-страниц одновременно, используя дополнительные опции, и возвращайте результаты в формате Markdown. Поддерживает до 10 URL-адресов в одной партии.

Это именно те инструменты, которые предлагает Web MCP в своем бесплатном уровне, что подтверждает, что ваша интеграция работает отлично!

Шаг № 7: Выполнение задачи

Теперь у вас есть все необходимое для запуска задачи в рабочем процессе Google Gen AI SDK, который может подключаться к Web MCP Bright Data.

Создайте запрос, который ссылается на конкретную новостную статью (в данном примере из CNN). Попросите модель Gemini (например, gemini-2.5-flash) отсканировать содержимое статьи, а затем вернуть краткое содержание и комментарий с анализом настроений:

prompt = """
Соскребите содержимое следующей новостной статьи в формате Markdown:
https://www.cnn.com/2025/09/15/tech/meta-future-ai-smart-glasses

Затем проанализируйте его и предоставьте:
1. Краткое резюме объемом около 50 слов.
2. Комментарий с анализом настроения, указывающий, является ли статья позитивной, негативной или нейтральной.
"""

Передайте подсказку методу client.aio.models.generate_content(), чтобы опросить настроенную модель Gemini через Google Gen AI SDK:

# Отправляем запрос модели Gemini
response = await client.aio.models.generate_content(
    model="gemini-2.5-flash",
    contents=prompt,
    config=genai.types.GenerateContentConfig(
        температура=0, # Для получения более воспроизводимых результатов
        tools=[session], # Для автоматического вызова настроенных инструментов MCP
    ),
)
# Выведите ответ от ИИ
print(response.text)

Передав в параметр tools инициализированную ранее MCP-сессию, модель Gemini сможет автоматически вызывать инструменты Web MCP. В частности, для соскабливания содержимого статьи следует использовать scrape_as_markdown.

Важно: Модель gemini-2.5-flash имеет щедрые лимиты, а Bright Data Web MCP настроен на работу в бесплатном режиме. Это означает, что вы не понесете никаких расходов, поскольку рабочий процесс работает совершенно бесплатно.

Круто! Осталось только протестировать ваш рабочий процесс ИИ-анализа настроений.

Шаг № 8: Соберите все вместе

Итоговый код файла workflow.py выглядит следующим образом:

import asyncio
import os
from dotenv import load_dotenv
from mcp.client.stdio import stdio_client
from mcp import ClientSession, StdioServerParameters
из google import genai

# Загрузите переменные окружения из файла .env
load_dotenv()

# Считайте ключ Bright Data API из env
BRIGHT_DATA_API_KEY = os.getenv("BRIGHT_DATA_API_KEY")
# Конфигурация для подключения к Bright Data Web MCP через соединение stdio
server_params = StdioServerParameters(
    command="npx",
    args=["-y", "@brightdata/mcp"],
    env={
        "API_TOKEN": BRIGHT_DATA_API_KEY,
        # "PRO_MODE": "true" (необязательно, чтобы включить доступ ко всем 60+ инструментам)
    },
)

# Инициализация клиента Google Gen AI SDK
client = genai.Client()

async def run():
    # Инициализация контекста клиента MCP
    async with stdio_client(server_params) as (read, write):
        async with ClientSession(read, write) as session:
            # Инициализируем клиентскую сессию AI SDK с интеграцией MCP
            await session.initialize()

            # Запрос на получение анализа настроения из новостной статьи
            prompt = """
            Соскребите содержимое следующей новостной статьи в формате Markdown:
            https://www.cnn.com/2025/09/15/tech/meta-future-ai-smart-glasses

            Затем проанализируйте его и предоставьте:
            1. Краткое резюме объемом около 50 слов.
            2. Комментарий с анализом настроения, указывающий, является ли статья позитивной, негативной или нейтральной.
            """

            # Отправляем запрос в модель Gemini
            response = await client.aio.models.generate_content(
                model="gemini-2.5-flash",
                contents=prompt,
                config=genai.types.GenerateContentConfig(
                    температура=0, # Для получения более воспроизводимых результатов
                    tools=[session], # Для автоматического вызова настроенных инструментов MCP
                ),
            )
            # Выведите ответ от ИИ
            print(response.text)

# Запустите цикл событий asyncio и запустите главную функцию
asyncio.run(run())

Вот это да! Примерно за 50 строк кода вы только что построили рабочий процесс ИИ для анализа настроений. Это было бы невозможно без Bright Data Web MCP и Google Gen AI SDK.

Убедитесь, что сценарий работает:

python workflow.py

Выполнение сценария может занять некоторое время, так как соскабливание сайта по запросу и его анализ с помощью ИИ требуют определенного времени.

На выходе должно получиться что-то вроде:

The output produced by the AI sentiment analysis agent

Как вы можете убедиться на примере оригинальной новостной статьи CNN, результаты анализа резюме и настроений являются точными.

Заметьте, что скреативить новости не так-то просто, особенно на популярных сайтах вроде CNN, которые обычно защищены системами защиты от ботов. Именно здесь на помощь приходит сервер Bright Data Web MCP, предоставляющий полный набор готовых к использованию ИИ решений для поиска, взаимодействия и извлечения веб-данных.

Это был лишь один пример, но благодаря широкому спектру инструментов Bright Data, доступных в Gen AI SDK, вы можете построить рабочие процессы, охватывающие несколько реальных сценариев использования, просто настроив подсказки.

И вуаля! Вы только что ощутили мощь интеграции Bright Data Web MCP в рабочий процесс Google Gen AI.

Заключение

В этой статье вы узнали, как подключить Google Gen AI SDK к Web MCP Bright Data(который теперь включает бесплатный уровень!). В результате вы получили усовершенствованный рабочий процесс ИИ с доступом к многочисленным инструментам для извлечения и взаимодействия с веб-данными.

Для создания более сложных агентов ИИ изучите весь спектр продуктов и услуг, доступных в инфраструктуре ИИ Bright Data. Эти решения поддерживают широкий спектр рабочих процессов ИИ и агентских сценариев.

Создайте бесплатную учетную запись Bright Data сегодня и начните экспериментировать с нашими инструментами для работы с веб-данными, готовыми к искусственному интеллекту!

Свяжитесь с нами Пробная версия