cloud-run-mcp

GitHub
584 103 中等 2 次阅读 昨天Apache-2.0Agent插件
AI 解读 由 AI 自动生成,仅供参考

cloud-run-mcp 是一个开源的 MCP 服务器,它让 AI 助手能够直接部署应用到 Google Cloud Run。通过标准化协议,它将 Claude、Gemini 等 AI 助手与云端部署连接起来,开发者只需用自然语言说"部署这个应用到云端",AI 就能自动完成打包、上传和发布。

它解决了传统部署流程中繁琐的命令操作和上下文切换问题。开发者无需离开对话界面或 IDE,就能完成应用部署、查看服务状态、获取日志等操作,大幅提升开发效率。

这个工具主要面向使用 Google Cloud Run 的开发者,特别是那些已经在使用 AI 助手进行编程、希望进一步实现部署自动化的团队。它也适合构建 AI 驱动的开发工具链的技术负责人。

cloud-run-mcp 的独特之处在于其广泛的集成能力,支持 Gemini CLI、Cursor 等 AI 驱动的 IDE,以及各类基于 Agent SDK 的应用。它提供了一套完整的工具集,既能部署本地文件夹,也能直接部署文件内容,还能管理 GCP 项目,让 AI 真正具备端到端的交付能力。

使用场景

全栈开发者李明正在开发一个 AI 图像处理 API 服务,使用 Python + FastAPI 构建,需要频繁部署到 Cloud Run 进行测试和迭代。每次修改算法或接口后,他都要手动执行部署流程,这成为了日常开发中最耗时的环节。

没有 cloud-run-mcp 时

  • 部署过程繁琐易错:需要反复输入 gcloud run deploy 命令,手动指定项目 ID、区域、服务名称等参数,经常因为拼写错误导致部署失败
  • 开发流频繁中断:在 VS Code 中写完代码后,必须切换到终端,回忆并输入复杂命令,上下文切换严重打断编程思路
  • 日志排查效率低:服务启动失败时,需要另外执行 gcloud logs read 命令,手动查找错误信息,定位问题耗时超过 15 分钟
  • 无法通过 AI 助手操作:想使用 Gemini CLI 快速部署时,发现它无法直接调用 Cloud Run API,只能返回命令建议,仍需手动执行
  • 多环境管理混乱:同时维护开发、测试两个服务时,经常混淆服务名称和配置,误操作风险高

使用 cloud-run-mcp 后

  • 自然语言一键部署:在 IDE 中直接对 AI 助手说"把当前目录部署到 Cloud Run",cloud-run-mcp 自动读取环境变量完成部署,无需记忆任何命令
  • 开发流无缝衔接:在 Cursor 或 Windsurf 中修改代码后,直接通过 AI 聊天界面执行部署,整个过程不离开编辑器,保持专注状态
  • 即时获取日志分析:只需询问"为什么我的服务启动失败了",cloud-run-mcp 自动拉取日志并交给 AI 分析,2 分钟内定位到是内存配置不足的问题
  • 深度集成 AI 工作流:通过 Gemini CLI 说出"部署并检查状态",工具自动完成部署、验证服务健康、输出访问地址的完整流程
  • 智能环境管理:利用 DEFAULT_SERVICE_NAME 环境变量,AI 自动识别当前分支并部署到对应环境,避免人为配置错误

cloud-run-mcp 将 Cloud Run 部署从重复的手动操作转变为自然语言驱动的智能流程,让开发者能专注于代码本身而非部署细节。

运行环境要求

操作系统
  • 未说明
GPU

未说明

内存

未说明

依赖
notes该工具是基于 Node.js 的 MCP 服务器,用于将应用部署到 Cloud Run。必须安装 Node.js (推荐LTS版本) 和 Google Cloud SDK,并完成 `gcloud auth login` 和 `gcloud auth application-default login` 认证。支持三种运行方式:1) 本地 Node.js 运行 2) Docker 容器运行 3) 部署到 Cloud Run 作为远程 MCP 服务器。注意:deploy-local-folder、list-projects、create-project 这三个工具仅在本地运行时可用。可通过环境变量配置默认项目ID、区域和服务名称,支持 OAuth 认证模式。
python未说明
@google-cloud/cloud-run-mcp
Node.js (LTS版本)
Google Cloud SDK
gcloud CLI
cloud-run-mcp hero image

快速开始

Cloud Run MCP 服务器和 Gemini CLI 扩展

使兼容 MCP(模型上下文协议)的人工智能代理能够将应用部署到 Cloud Run。

"mcpServers":{
  "cloud-run": {
    "command": "npx",
    "args": ["-y", "@google-cloud/cloud-run-mcp"]
  }
}

从 Gemini CLI 和其他由 AI 驱动的 CLI 代理部署:

从由 AI 驱动的集成开发环境(IDE)部署:

从 AI 助手应用部署:

从代理软件开发工具包(SDK)部署,例如 Google Gen AI SDKAgent Development Kit

[!NOTE]
本仓库是一个用于将代码部署到 Cloud Run 的 MCP 服务器,要了解如何在 Cloud Run 上托管MCP 服务器,请访问 Cloud Run 文档

工具

  • deploy-file-contents:通过直接提供文件内容将文件部署到 Cloud Run。

  • list-services:列出指定项目和区域中的 Cloud Run 服务。

  • get-service:获取特定 Cloud Run 服务的详细信息。

  • get-service-log:获取特定 Cloud Run 服务的日志和错误信息。

  • deploy-local-folder*:将本地文件夹部署到 Google Cloud Run 服务。

  • list-projects*:列出可用的 GCP(Google Cloud Platform)项目。

  • create-project*:创建一个新的 GCP 项目并将其关联到第一个可用的结算账号。可以选填项目 ID。

* 仅在本地运行时可用

提示词

提示词是可用来执行常见任务的自然语言命令。它们是使用预填充参数执行工具调用的快捷方式。

  • deploy:将当前工作目录部署到 Cloud Run。如果未提供服务名称,将使用 DEFAULT_SERVICE_NAME 环境变量或当前工作目录的名称。
  • logs:获取 Cloud Run 服务的日志。如果未提供服务名称,将使用 DEFAULT_SERVICE_NAME 环境变量或当前工作目录的名称。

环境变量

可以使用以下环境变量配置 Cloud Run MCP 服务器:

变量 描述
GOOGLE_CLOUD_PROJECT 用于 Cloud Run 服务的默认项目 ID。
GOOGLE_CLOUD_REGION 用于 Cloud Run 服务的默认区域。
DEFAULT_SERVICE_NAME 用于 Cloud Run 服务的默认服务名称。
SKIP_IAM_CHECK 控制是否检查 Cloud Run 服务的 IAM(身份和访问管理)权限。设置为 false 以启用检查。默认为 true,这是将服务公开的建议方式。
ENABLE_HOST_VALIDATION 通过验证 Host 请求头防止 DNS 重绑定攻击。默认禁用。
ALLOWED_HOSTS 允许的 Host 请求头的逗号分隔列表(如果启用了主机验证)。默认值为 localhost,127.0.0.1,::1

用作 Gemini CLI 扩展

要将此工具安装为 Gemini CLI 扩展,请运行以下命令:

  1. 安装扩展:

    gemini extensions install https://github.com/GoogleCloudPlatform/cloud-run-mcp
    
  2. 使用以下命令登录您的 Google Cloud 账号:

    gcloud auth login
    
  3. 使用以下命令设置应用凭据:

    gcloud auth application-default login
    

在 MCP 客户端中使用

了解如何配置您的 MCP 客户端

大多数 MCP 客户端需要创建或修改配置文件以添加 MCP 服务器。

不同客户端的配置文件语法可能不同。请参考以下链接获取最新的预期语法:

确定如何配置您的 MCP 客户端后,请选择以下两个选项之一来设置 MCP 服务器。 我们建议使用 Node.js 将其设置为本地 MCP 服务器。

设置为本地 MCP (模型上下文协议) 服务器

使用本地 Google Cloud 凭据在本地机器上运行 Cloud Run MCP 服务器。如果您使用的是 AI 辅助 IDE (集成开发环境)(例如 Cursor)或桌面 AI 应用程序(例如 Claude),这是最佳选择。

  1. 安装 Google Cloud SDK (软件开发工具包) 并使用您的 Google 账号进行身份验证。

  2. 使用以下命令登录您的 Google Cloud 账号:

    gcloud auth login
    
  3. 使用以下命令设置应用凭据:

    gcloud auth application-default login
    

然后使用 Node.js 或 Docker 配置 MCP 服务器:

使用 Node.js

  1. 安装 Node.js(建议使用 LTS 版本)。

  2. 使用以下内容更新您的 MCP 客户端的 MCP 配置文件:

       "cloud-run": {
         "command": "npx",
         "args": ["-y", "@google-cloud/cloud-run-mcp"]
       }
    
  3. [可选] 添加默认配置

       "cloud-run": {
          "command": "npx",
          "args": ["-y", "@google-cloud/cloud-run-mcp"],
          "env": {
                "GOOGLE_CLOUD_PROJECT": "PROJECT_NAME",
                "GOOGLE_CLOUD_REGION": "PROJECT_REGION",
                "DEFAULT_SERVICE_NAME": "SERVICE_NAME"
          }
       }
    

使用 Docker

请参阅 Docker 的 MCP 目录,或使用以下手动说明:

  1. 安装 Docker

  2. 使用以下内容更新您的 MCP 客户端的 MCP 配置文件:

       "cloud-run": {
         "command": "docker",
         "args": [
           "run",
           "-i",
           "--rm",
           "-e",
           "GOOGLE_APPLICATION_CREDENTIALS",
           "-v",
           "/local-directory:/local-directory",
           "mcp/cloud-run-mcp:latest"
         ],
         "env": {
           "GOOGLE_APPLICATION_CREDENTIALS": "/Users/slim/.config/gcloud/application_default-credentials.json",
           "DEFAULT_SERVICE_NAME": "SERVICE_NAME"
         }
       }
    

设置为远程 MCP (模型上下文协议) 服务器

[!警告]
请勿在没有身份验证的情况下使用远程 MCP 服务器。在以下说明中,我们将使用 IAM (身份和访问管理) 身份验证来保护从本地机器到 MCP 服务器的连接。这对于防止未经授权访问您的 Google Cloud 资源非常重要。

在 Cloud Run 上运行 Cloud Run MCP 服务器本身,并通过 IAM 对来自本地机器的连接进行身份验证。 使用此选项,您只能将代码部署到与 MCP 服务器运行位置相同的 Google Cloud 项目中。

  1. 安装 Google Cloud SDK (软件开发工具包) 并使用您的 Google 账号进行身份验证。

  2. 使用以下命令登录您的 Google Cloud 账号:

    gcloud auth login
    
  3. 使用以下命令设置您的 Google Cloud 项目 ID:

    gcloud config set project YOUR_PROJECT_ID
    
  4. 将 Cloud Run MCP 服务器部署到 Cloud Run:

    gcloud run deploy cloud-run-mcp --image us-docker.pkg.dev/cloudrun/container/mcp --no-allow-unauthenticated
    

    出现提示时,选择一个区域,例如 europe-west1

    请注意,MCP 服务器_不_可公开访问,它需要通过 IAM 进行身份验证。

  5. [可选] 添加默认配置

    gcloud run services update cloud-run-mcp --region=REGION --update-env-vars GOOGLE_CLOUD_PROJECT=PROJECT_NAME,GOOGLE_CLOUD_REGION=PROJECT_REGION,DEFAULT_SERVICE_NAME=SERVICE_NAME,SKIP_IAM_CHECK=false
    
  6. 在本地机器上运行 Cloud Run 代理,以使用您的身份安全地连接到在 Cloud Run 上运行的远程 MCP 服务器:

    gcloud run services proxy cloud-run-mcp --port=3000 --region=REGION --project=PROJECT_ID
    

    这将在端口 3000 上创建一个本地代理,将请求转发到远程 MCP 服务器并注入您的身份。

  7. 使用以下内容更新您的 MCP 客户端的 MCP 配置文件:

       "cloud-run": {
         "url": "http://localhost:3000/sse"
       }
    

    如果您的 MCP 客户端不支持 url 属性,您可以使用 mcp-remote

       "cloud-run": {
         "command": "npx",
         "args": ["-y", "mcp-remote", "http://localhost:3000/sse"]
       }
    

使用支持 OAuth (开放授权) 的 MCP 服务器

Cloud Run MCP 服务器支持 OAuth 作为身份验证机制。为了使用 OAuth,请创建 OAuth 客户端,并使用与您的 OAuth 客户端相关的适当值配置 .env 文件。提供了 .env.example 作为参考。

Cloud Run MCP 服务器可与 Google Cloud SDK OAuth 客户端无缝协作。为了利用 Google Cloud SDK OAuth 客户端,您可以按如下方式将 .env.gcloud-sdk-oauth 文件用作您的 .env 文件:

cp .env.gcloud-sdk-oauth .env
node mcp-server.js

在 Gemini CLI (命令行界面) 上配置 MCP 服务器以使用 OAuth

当 Cloud Run MCP 服务器以 OAuth 模式启动时,MCP 客户端也应配置为使用 OAuth。您可以通过在 ~/.gemini/settings.json 文件中使用以下 JSON 在 Gemini CLI 中设置 OAuth 模式的 MCP 服务器:

{
  "mcpServers": {
    "cloud-run": {
      "httpUrl": "http://localhost:3000/mcp",
      "oauth": {
        "enabled": true,
        "clientId": "<OAUTH_CLIENT_ID>",
        "clientSecret": "<OAUTH_CLIENT_SECRET>"
      }
    }
  }
}

完成上述配置更改后,启动 Gemini CLI。您应该使用 Gemini CLI 中的以下提示对 Cloud Run MCP 服务器进行身份验证:

/mcp auth cloud-run

这将带您进入浏览器中的身份验证页面,您需要使用适当的 Gmail 账号登录,并接受条款和条件。身份验证成功后,您可以返回 Gemini CLI,Cloud Run MCP 服务器即可使用。

Google Cloud Platform 服务条款(可在 https://cloud.google.com/terms/ 获取)和数据处理与安全条款(可在 https://cloud.google.com/terms/data-processing-terms 获取)不适用于 Cloud Run MCP Server 软件的任何组件。

版本历史

v1.10.02026/03/04
v1.9.02026/02/23
v1.8.02026/01/27
v1.7.02026/01/16
v1.6.02025/12/11
v1.5.02025/08/28
v1.4.02025/08/22
v1.3.02025/08/15
v1.2.02025/08/15
v1.1.02025/08/15

常见问题

相似工具推荐

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。

162.1k|★★★☆☆|今天
开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上

139k|★★☆☆☆|今天
开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。

107.7k|★★☆☆☆|2天前
开发框架图像Agent

ML-For-Beginners

ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。

85k|★★☆☆☆|今天
图像数据工具视频

ragflow

RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。

77.1k|★★★☆☆|昨天
Agent图像开发框架

OpenHands

OpenHands 是一个专注于 AI 驱动开发的开源平台,旨在让智能体(Agent)像人类开发者一样理解、编写和调试代码。它解决了传统编程中重复性劳动多、环境配置复杂以及人机协作效率低等痛点,通过自动化流程显著提升开发速度。 无论是希望提升编码效率的软件工程师、探索智能体技术的研究人员,还是需要快速原型验证的技术团队,都能从中受益。OpenHands 提供了灵活多样的使用方式:既可以通过命令行(CLI)或本地图形界面在个人电脑上轻松上手,体验类似 Devin 的流畅交互;也能利用其强大的 Python SDK 自定义智能体逻辑,甚至在云端大规模部署上千个智能体并行工作。 其核心技术亮点在于模块化的软件智能体 SDK,这不仅构成了平台的引擎,还支持高度可组合的开发模式。此外,OpenHands 在 SWE-bench 基准测试中取得了 77.6% 的优异成绩,证明了其解决真实世界软件工程问题的能力。平台还具备完善的企业级功能,支持与 Slack、Jira 等工具集成,并提供细粒度的权限管理,适合从个人开发者到大型企业的各类用户场景。

70.6k|★★★☆☆|今天
语言模型Agent开发框架