Google выпустил сервер Model Context Protocol (MCP) для Data Commons. Этот проект объединяет общедоступные наборы данных — переписи, здравоохранение, климат, экономика — через стандартизированный интерфейс, к которому системы-агенты могут обращаться на естественном языке. Сервер Data Commons MCP уже доступен, вместе с инструкциями для быстрого старта работы с Gemini CLI и набором для разработки агентов Google (Agent Development Kit, ADK).
Что было выпущено
Сервер MCP, который позволяет любому клиенту или агенту с поддержкой MCP обнаруживать переменные, разрешать сущности, получать временные ряды и генерировать отчёты из Data Commons без ручного кодирования вызовов API. Google позиционирует его как инструмент для работы «от первоначального обнаружения до создания генеративных отчётов», с примерами подсказок для исследовательских, аналитических и генеративных рабочих процессов.
Разработчикам предлагаются:
* пакет PyPI;
* поток Gemini CLI;
* пример ADK/Colab для встраивания запросов Data Commons в конвейеры агентов.
Почему MCP сейчас?
MCP — это открытый протокол для подключения агентов LLM к внешним инструментам и данным с согласованными возможностями (инструменты, подсказки, ресурсы) и транспортной семантикой. Выпустив собственный сервер MCP, Google делает Data Commons доступным через тот же интерфейс, который агенты уже используют для других источников, сокращая объём связующего кода для каждой интеграции и обеспечивая обнаружение на основе реестра наряду с другими серверами.
Что можно с этим делать?
* Исследовательская работа: «Какие данные о здравоохранении у вас есть по Африке?» → перечисление переменных, охвата и источников.
* Аналитическая работа: «Сравните ожидаемую продолжительность жизни, неравенство и рост ВВП для стран БРИКС». → получение серий, нормализация географических данных, выравнивание версий и возврат таблицы или диаграммы.
* Генеративная работа: «Создайте краткий отчёт о доходах и диабете в округах США». → получение показателей, вычисление корреляций, указание источников.
Поверхность интеграции
* Gemini CLI / любой клиент MCP: установите пакет Data Commons MCP, укажите клиенту на сервер и отправьте запросы на естественном языке; клиент координирует вызовы инструментов за кулисами.
* Агенты ADK: используйте пример агента Google для составления запросов к Data Commons с помощью собственных инструментов (например, визуализации, хранения) и возврата полученных результатов.
* Точка входа в документацию: MCP — запрашивайте данные интерактивно с помощью агента искусственного интеллекта со ссылками на быстрый старт и руководство пользователя.
Реальный пример использования
Google выделяет ONE Data Agent, созданного с помощью сервера Data Commons MCP для кампании ONE. Он позволяет аналитикам политики запрашивать десятки миллионов точек данных о финансировании здравоохранения с помощью естественного языка, визуализировать результаты и экспортировать чистые наборы данных для дальнейшей работы.
Резюме
Короче говоря, сервер Google Data Commons MCP превращает обширный массив общедоступной статистики в первоклассный, встроенный в протокол источник данных для агентов — сокращая объём специального связующего кода, сохраняя происхождение данных и органично вписываясь в существующие клиенты MCP, такие как Gemini CLI и ADK.
Ознакомьтесь с репозиторием на GitHub и попробуйте его в Gemini CLI. Не стесняйтесь заглянуть на нашу страницу GitHub за учебными пособиями, кодами и ноутбуками. Также подписывайтесь на нас в Twitter и присоединяйтесь к нашему сообществу в SubReddit (более 100 тысяч участников машинного обучения) и подписывайтесь на нашу рассылку.
1. Какие возможности предоставляет сервер Model Context Protocol (MCP) от Google для работы с данными из Data Commons?
Сервер MCP позволяет обнаруживать переменные, разрешать сущности, получать временные ряды и генерировать отчёты из Data Commons без ручного кодирования вызовов API. Он предназначен для работы «от первоначального обнаружения до создания генеративных отчётов».
2. Какие примеры использования сервера MCP приведены в статье?
В статье приведены примеры использования сервера MCP для исследовательской, аналитической и генеративной работы. Например, можно получить данные о здравоохранении в Африке, сравнить ожидаемую продолжительность жизни, неравенство и рост ВВП для стран БРИКС, создать краткий отчёт о доходах и диабете в округах США.
3. Какие инструменты и ресурсы предлагаются разработчикам для работы с сервером MCP?
Разработчикам предлагаются пакет PyPI, поток Gemini CLI, пример ADK/Colab для встраивания запросов Data Commons в конвейеры агентов.
4. Как сервер MCP упрощает работу с данными из Data Commons для разработчиков?
Выпустив собственный сервер MCP, Google делает Data Commons доступным через тот же интерфейс, который агенты уже используют для других источников. Это сокращает объём связующего кода для каждой интеграции и обеспечивает обнаружение на основе реестра наряду с другими серверами.
5. Какие примеры реальных проектов с использованием сервера MCP приведены в статье?
В статье приведён пример использования сервера MCP в проекте ONE Data Agent, созданного для кампании ONE. Этот агент позволяет аналитикам политики запрашивать десятки миллионов точек данных о финансировании здравоохранения с помощью естественного языка, визуализировать результаты и экспортировать чистые наборы данных для дальнейшей работы.