AI & 機械学習

Gemini Enterprise Agent Platform を活用する 13 のハンズオンデモ

2026年7月28日

https://storage.googleapis.com/gweb-cloudblog-publish/images/13_demos.max-2500x2500.jpg

Shubham Saboo

Senior AI Product Manager

Try Gemini Enterprise today

The front door to AI in the workplace

Try now

※この投稿は米国時間 2026 年 7 月 18 日に、Google Cloud blog に投稿されたものの抄訳です。

Google は今年初め、エージェントの構築、スケーリング、ガバナンス、最適化を行うための Gemini Enterprise Agent Platform をリリースしました。ここでは、Agent Platform の機能を解説する 13 のデモをご紹介します。各デモでは、業務ですぐに活用できるコンセプト、パターン、アーキテクチャを学ぶことができます。

ラボで学ぶ最大の利点は、手順を一つずつ進める必要がないことです。Agents CLI をお好みのコーディングエージェント（Antigravity、Claude Code、Codex など）にインストールするだけで、そのエージェントには、ADK と Agent Platform に関する 7 つの専門的なスキルが即座に追加されます。構築したい内容を平易な英語で説明するだけで、コーディングエージェントがそのエージェントをスキャフォールディングし、評価、デプロイ、モニタリングをユーザーに代わって行います。作業はすべてエディタ内で完結します。

それでは、詳しく見ていきましょう。

AI エージェントの構築

以下のデモはすべて、コードファーストの ADK に基づいて構築されています。基礎から始めて、徐々にレベルアップしていきます。

1. はじめに: ADK を使用して最初のエージェントを構築する。ADK の基礎を学ぶ Codelab は、入門として最適です。環境をセットアップし、Gemini を活用した基本的な会話エージェントを定義し、その設定を構成し、コマンドラインインターフェースとウェブ UI の両方でテストを行います。ADK を使用したことがない場合は、まずこちらをお試しください。

2. 人間参加型のイベントドリブン型の承認エージェントを構築する。アンビエント経費エージェントの Codelab は、「Agent Platform の実践例」として、このセットの中で最も充実したデモです。ADK 2.0 のグラフベースのワークフロー API を使用して、企業の経費を管理するエージェントを構築します。しきい値に満たない費用は、プレーンな Python コードによって自動承認されます。しきい値を超える経費については、LLM に渡す前のセキュリティチェック（PII の秘匿化やプロンプトインジェクション対策など）を経て、Gemini によるコンプライアンス分析を通過した後、最終決定の前に人間参加型レビューのために一時停止されます。その後、このエージェントを FastAPI の背後にマウントし、Pub/Sub イベントからトリガーして、LLM をジャッジとして使用する評価で採点します。このエージェントについては、スケーリングとガバナンスのセクションで再び取り上げます。

3. Model Context Protocol を使用してエージェントをデータに接続する。MCP の Codelab では、Gemini が BigQuery のクエリ、ファイルの検索、API の呼び出しを行えるようにする、再利用可能な MCP ツールを構築する方法を紹介しています。MCP はオープンプロトコルであるため、構築したツールはさまざまなベンダーやフレームワークで動作します。

4. Agent-to-UI（A2UI）を使用して動的なフロントエンドを構築する。ユーザーエクスペリエンスは、視覚的な要素によって大きく向上します。A2UI の Codelab では、会話の流れに合わせてリアルタイムで動的に更新される、実際のインターフェースコンポーネント（レイアウト、グラフ、インタラクティブメニュー）をレンダリングするエージェントを構築する方法を紹介しています。このエージェントは、ユーザーが必要とする UI をその場で組み立てます。

AI エージェントのスケーリング

ご自身のパソコンで行うプロトタイピングは一つの段階にすぎません。次は、本番環境のトラフィック、メモリ、オーケストレーションへの対応が必要になります。

5. ステートフルデータサイエンスエージェントを Agent Runtime（旧称: Agent Engine）にデプロイする。ステートフルデータサイエンスエージェントの Codelab では、メモリバンクを介してセッション間でユーザー設定を記憶する BigQuery エージェントを構築し、それを Agent Runtime に直接デプロイする手順を説明しています。基盤となるインフラストラクチャ、スケーリング、セッション管理はすべて自動的に処理されます。

6. 一時停止や再開が可能で、コンテキストを失わない長時間実行エージェントを構築する。単一のプロンプトに応答するエージェントを構築するのは簡単ですが、実際のエンタープライズワークフローは完了までに数日や数週間を要することがよくあります。このチュートリアルでは、数週間にわたって確実に動作するエージェントを構築する手順を説明しています。「耐久性のあるステートマシン」、「イベントドリブン型のアイドル時間処理」、「永続的なセッションによるチェックポイントと再開」という 3 つのアーキテクチャパターンについて学びます。例として、コンテナの再起動後も動作を継続し、中断した箇所から正確に再開するオンボーディングコーディネーターエージェントを取り上げます。

7. Agents CLI を使用して、アンビエント経費エージェントを Agent Runtime にデプロイする。構築のセクションで紹介した経費エージェントを思い出してください。Agent Runtime へのデプロイを学ぶ Codelab では、そのエージェントを本番環境に移行します。Agents CLI を使用してデプロイ構成をスキャフォールディングし、ドライランでプレビューしてから、本番環境にデプロイします。Cloud Trace、Cloud Logging、BigQuery Agent Analytics は自動的に接続され、エージェントは Agent Registry に自動登録されるため、稼働した瞬間に組織全体で検出可能になります。

8. 本番環境のエージェントに実際に機能するフロントエンドを提供する。フロントエンドの Codelab では、すべての要素が統合されます。Cloud Run でマネージャーダッシュボードを構築し、OIDC 認証された Pub/Sub パイプラインを介して Agent Runtime に接続します。これにより、マネージャーは一時停止している人間参加型セッションをブラウザから再開できるようになります。これにより、経費エージェントとデプロイが結びつき、完全なエンドツーエンドのエンタープライズアーキテクチャが完成します。

AI エージェントのガバナンス

組織全体でエージェントをスケールするには、アクセス管理、エンドポイントの追跡、トラフィックのフィルタリングを行うための、組み込みのガードレールシステムが必要です。

9. 最初の commit からエージェントのライフサイクルを保護する。セキュアなエージェントコーディングを学ぶ Codelab では、テスト駆動開発（TDD）を使用してショッピングアシスタントをテストファーストで構築する方法、カスタム STRIDE 脅威モデルを組み込む方法、Semgrep の pre-commit フックを設定する方法、実行前にリスクの高いアクションをブロックする PreToolUse ゲートを構成する方法を紹介しています。ハードコードされた API キーを意図的に埋め込むと、フックがトリガーされた瞬間にエージェントがこれを検知し、修正します。

10. Agent Gateway を使用してエージェントのアクセスを制御する。Agent Gateway の Codelab では、ランタイムガバナンスについて説明しています。マルチツール ADK エージェントを Agent Runtime にデプロイし、Agent Gateway を介して Cloud Run 上で MCP サーバーを呼び出します。各エージェントには、エンドツーエンドの mTLS を備えた一意の ID が割り当てられます。すべてのアウトバウンド呼び出しは、IAP 認証と IAM 認可を経由します。さらに、Model Armor がすべてのコンテンツを検査し、プロンプトインジェクションやデータ漏洩がないかを確認します。これにより、本番環境に対応した完全なガバナンススタックを 1 つのデモで確認できます。

AI エージェントの最適化

エージェントのリリースはその第一歩に過ぎません。難しいのは、次に行うプロンプト調整が本当にエージェントの改善につながるのか、それとも他の機能を気づかないうちに壊してしまうのかを見極めることです。Agent Platform は、そのような継続的な改善プロセスを確実に成立させるツールを提供します。

11. コーディングエージェントから、エージェント品質の改善ループを駆動する。プロンプトを調整した結果、改善された例が 3 件あったとしても、悪化した例が 10 件以上あるかもしれません。このチュートリアルでは、コーディングエージェントから直接実行できる 5 段階の評価ループ（データの準備（OTel トレース、手作業で作成したケース、合成シナリオ）、推論の実行、Google の適応型の自動評価ツールによる評価、障害クラスタの分析、対象を絞った最適化の実行）を紹介しています。自動評価ツールは、Google が自社のモデルやファーストパーティエージェントの評価に使用するものと同じ原則に基づいて構築されており、DeepMind とのパートナーシップにより開発されたものです。測定したい内容を平易な言葉で記述するだけで、残りの処理はコーディングエージェントが引き継ぎます。

12. A2A を使用して言語をまたぐマルチエージェントパイプラインを構築する。 大企業では、さまざまなチームがさまざまな言語でエージェントを構築することは避けられません。このチュートリアルでは、契約コンプライアンスパイプラインについて解説しています。このパイプラインでは、Python ベースのエージェントが Gemini を使用して契約条項を抽出し、Go ベースのエージェントがそれらを企業ポリシーに照らして検証します。2 つのサービスは Agent-to-Agent（A2A）プロトコルを介して接続され、ADK によってオーケストレートされます。RemoteA2aAgent を使用することで、わずか数行のコードで A2A 準拠のサービスをローカルのサブエージェントに変換できます。

13. CrewAI、LangGraph、A2A、ADK を使用して、フレームワーク全体でエージェントをスケールする。本番環境が単一のエージェントフレームワークで統一されるケースはほとんどありません。この Codelab では、複数のエージェントをオーケストレートする方法を紹介しています。このシナリオでは、ADK のコントロールルームが計画を LangGraph のステートマシンに委任し、LangGraph がタスクを CrewAI の実行クルーにディスパッチします。これらすべては A2A プロトコルを介して接続されています。いずれかのステップが失敗すると、コントロールルームが自動的に再計画を行います。