Vertex AI Agent GardenからAI AgentをAgent Engineにデプロイしてみた
はじめに
こんにちは。
クラウド事業本部コンサルティング部の渡邉です。
クラスメソッドのGoogle Cloud大好きエンジニア達で絶賛盛り上げ中のクラスメソッド Google Cloud Advent Calendar 2025 - Adventarの9日目を担当させていただきます!!
前回は、Agent Development Kit(ADK)へ入門してローカル環境で動作を確認するというタイトルで、ブログを書きました。
ハンズオンを通してADKについての入門レベルの知識や理解を深めることができたと思います。
今回は、Google Cloud側でサンプルAIエージェントが用意されているVertex AI Agent Gardenから、AIエージェントのデプロイ環境である Vertex AI Agent EngineにサンプルAIエージェントである【Financial Advisor】をデプロイしてみてVertex AI Agent GardenやVertex AI Agent Engineへの理解を深めていきたいと思います。
Vertex AI Agent Gardenとは
Vertex AI Agent Gardenとは、Google Cloudコンソール内にライブラリとして存在するサンプルAIエージェントとツールのリポジトリです。
ADKを利用して作成されたサンプルAIエージェントが公開されています。

Vertex AI Agent Garden
各エージェントのサンプルには、そのエージェントの機能を表す概要と、ユースケース、アーキテクチャの説明が記載されています。ソースコード自体もGitHubに公開されているため、実装についても確認することができます。また、開発者はAgent GardenからAgent Engineへワンクリックでデプロイすることが可能なため、実際にデプロイしたエージェントにアクセスして動作確認やテストを実施することができます。
また、Firebase Studioとも連携されているので、サンプルAIエージェントを自身のニーズに合わせてカスタマイズしてデプロイすることも可能になっています。
サンプルエージェントとしては、以下のようなかなり実用的な用途に沿ったエージェントが公開されています。
| サンプルエージェント名 | 内容 |
|---|---|
| Data Science | 自然言語を使用して複数のソースから多様なデータをクエリし、予測モデルを構築し、トレンドを可視化し、主要な洞察を明確な方法で伝達する。 |
| Retrieval-Augmented Generation (RAG) | RAGを使用して指定されたナレッジソースから情報を取得し、応答が事実に基づき、文脈を認識し、最新であることを保証する。 |
| Financial Advisor | 金融や投資に関連するトピックについての教育コンテンツを提供することで、人間のファイナンシャルアドバイザーを支援する。 |
| Marketing Agency | 新しいウェブサイトや製品のローンチを効率化する。 |
| Customer Service | ストリーミング動画やアップロードされた画像で見つかった問題を分析してサポートを提供する。 |
Vertex AI Agent Engineとは
Vertex AI Agent Engineは、Google CloudのVertex AI上でAIエージェントを構築、デプロイ、管理するためのフルマネージドサービスです。
開発者が独自のエージェントフレームワーク(LangGraph、CrewAI、AG2など)を使用して構築したAIエージェントを、スケーラブルかつ本番環境対応の形で実行できるプラットフォームを提供します。
Vertex AI Agent Engineは、以下のようなユースケースで活用できます。
- カスタマーサポートの自動化
- 社内ナレッジベースを活用したQ&Aシステム
- データ分析・レポート作成の自動化
- ワークフローの自動化・タスク実行
- 複数エージェントによる協調作業
主な機能と特徴
Vertex AI Agent Engineでは、以下の機能が提供されています。
| 機能 | 内容 |
|---|---|
| マルチフレームワークサポート | LangGraph、CrewAI、AG2など複数のエージェントフレームワークに対応 |
| フルマネージド実行環境 | インフラ管理不要でエージェントを実行可能 |
| 自動スケーリング | 負荷に応じた自動的なスケーリング |
| Vertex AI統合 | Gemini、Vector Search、Model Gardenなど他のVertex AIサービスとシームレスに統合 |
| バージョン管理 | エージェントアプリケーションのバージョニング機能 |
| モニタリング | Cloud Loggingとの統合による実行状況の可視化 |
対応フレームワーク
Vertex AI Agent Engineは、様々なエージェントフレームワークに対応しています。
| フレームワーク | 説明 |
|---|---|
| LangGraph | LangChainが提供するグラフベースのワークフロー定義フレームワーク |
| CrewAI | マルチエージェント協調システム。ロールベースのエージェント設計が可能 |
| AG2(AutoGen) | Microsoft Research開発の会話型エージェントフレームワーク |
| LangChain | LCEL経由でサポート |
| カスタムPython | 任意のPythonベースエージェント |
料金
Vertex AI Agent Engineの料金は、Agent Engineランタイムにデプロイされたエージェントが使用するコンピューティング(vCPU時間)とメモリ(GiB時間)に基づきます。
無料枠があるので、2日間程度は2日間程度は起動したままで利用することができますね。
| リソース | 使用量 | 料金 | 単位 |
|---|---|---|---|
| vCPU | 0 hour to 50 hour | $0.00 (Free) | / 3,600 second, per 1 month / project |
| vCPU | 50 hour and above | $0.0994 | / 3,600 second, per 1 month / project |
| RAM | 0 gigabyte hour to 100 gigabyte hour | $0.00 (Free) | / 3,600 gibibyte second, per 1 month / project |
| RAM | 100 gigabyte hour and above | $0.0105 | / 3,600 gibibyte second, per 1 month / project |
また、以下のような付随して利用するVertex AIサービスの料金も課金対象になります。
| 課金要素 | 内容 |
|---|---|
| LLM使用料金 | Geminiなど基盤モデルのトークン使用量に基づく課金 |
| Reasoning Engine実行料金 | エージェント実行時間・コンピュートリソース使用量に基づく課金 |
| Cloud Storage | エージェントコードやモデルの保存に使用 |
| Vector Search(オプション) | RAG構成時に使用する場合 |
必要なIAM権限
Vertex AI Agent Engineを利用するには、操作内容に応じて以下のIAM権限が必要になります。
| 操作 | 必要なロール | ロールID |
|---|---|---|
| エージェントの作成・デプロイ | Vertex AI ユーザー | roles/aiplatform.user |
| Cloud Storageへのアクセス | Storage オブジェクト管理者 | roles/storage.objectAdmin |
Vertex AI Agent GardenからAI AgentをAgent Engineにデプロイしてみた
前提条件
- Google Cloudプロジェクトはすでに作成済みとします。
- Python 3.10以上がインストールされていることを前提とします。
- 以下のAPIを事前に有効化しておきます。
aiplatform.googleapis.com: Vertex AI APIstorage.googleapis.com: Cloud Storagelogging.googleapis.com: Cloud Logging
gcloud services enable \
aiplatform.googleapis.com \
storage.googleapis.com \
logging.googleapis.com
Vertex AI Agent Gardenへアクセス
Vertex AI Agent Gardenへアクセスし、サンプルエージェントの「Financial Advisor」をクリックします。

【デプロイ】ボタンをクリックします。

【エージェントをデプロイしますか?】とポップアップが表示されるので、【Cloud Shellでデプロイ】をクリックします。

するとCloud Shellが自動的に開き、ターミナルから対話ベースでデプロイが進みます。
デプロイ時の処理内容
Cloud Shellでのデプロイ時の処理フローの全容です。
Welcome to Cloud Shell! Type "help" to get started, or type "gemini" to try prompting with Gemini CLI.
Your Cloud Platform project in this session is set to my-project-id.
Use `gcloud config set project [PROJECT_ID]` to change to a different project.
export AGENT_NAME=financial-advisor-${RANDOM} && uvx agent-starter-pack==0.15.4 create ${AGENT_NAME} -d agent_engine -ag -a adk@financial-advisor && cd ${AGENT_NAME} && make install && make backend user@cloudshell:~ (my-project-id)$ export AGENT_NAME=financial-advisor-${RANDOM} && uvx agent-starter-pack==0.15.4 create ${AGENT_NAME} -d agent_engine -ag -a adk@financial-advisor && cd ${AGENT_NAME} && make install && make backend
Installed 59 packages in 1.20s
=== Welcome to Agent Garden! 🌱 ===
Powered by Google Cloud - Agent Starter Pack
This tool will help you deploy production-ready AI agents from Agent Garden to Google Cloud!
> Fetching template: python/agents/financial-advisor
🔒 Remote template requires agent-starter-pack version 0.22.1
📦 Switching to version 0.22.1...
Installed 59 packages in 537ms
✅ Using version-locked template
📍 Agent Engine Supported Regions:
https://cloud.google.com/vertex-ai/generative-ai/docs/agent-engine/overview#supported-regions
Enter desired GCP region (Gemini uses global endpoint by default) (us-central1): asia-northeast1
> Successfully configured project: my-project-id
> Testing GCP and Vertex AI Connection...
> ✓ Successfully verified connection to Vertex AI in project my-project-id
ℹ️ Adding 'app' object to financial_advisor/agent.py for backward compatibility
> Success! Your agent project is ready.
📖 Project README: cat financial-advisor-xxxxx/README.md
Online Development Guide: https://goo.gle/asp-dev
🚀 To get started, run the following command:
cd financial-advisor-xxxxx && make install && make playground
uv sync
Using CPython 3.12.3 interpreter at: /usr/bin/python3
Creating virtual environment at: .venv
Resolved 180 packages in 4ms
Built financial-advisor @ file:///home/user/financial-advisor-xxxxx
Prepared 1 package in 1.21s
Installed 163 packages in 3.46s
+ absl-py==2.3.1
+ agent-starter-pack==0.22.1
+ aiohappyeyeballs==2.6.1
+ aiohttp==3.12.15
+ aiosignal==1.4.0
+ aiosqlite==0.21.0
+ alembic==1.16.5
+ annotated-types==0.7.0
+ anyio==4.11.0
+ arrow==1.3.0
+ attrs==25.3.0
+ authlib==1.6.5
+ backoff==2.2.1
+ binaryornot==0.4.4
+ cachetools==6.2.0
+ certifi==2025.8.3
+ cffi==2.0.0
+ chardet==5.2.0
+ charset-normalizer==3.4.3
+ click==8.3.0
+ cloudpickle==3.1.1
+ cookiecutter==2.6.0
+ cryptography==46.0.2
+ distro==1.9.0
+ docstring-parser==0.17.0
+ fastapi==0.118.0
+ fastuuid==0.13.5
+ filelock==3.19.1
+ financial-advisor==0.1.0 (from file:///home/user/financial-advisor-xxxxx)
+ frozenlist==1.7.0
+ fsspec==2025.9.0
+ google-adk==1.19.0
+ google-api-core==2.28.1
+ google-api-python-client==2.184.0
+ google-auth==2.41.1
+ google-auth-httplib2==0.2.0
+ google-cloud-aiplatform==1.126.1
+ google-cloud-appengine-logging==1.6.2
+ google-cloud-audit-log==0.3.2
+ google-cloud-bigquery==3.38.0
+ google-cloud-bigquery-storage==2.34.0
+ google-cloud-bigtable==2.32.0
+ google-cloud-core==2.4.3
+ google-cloud-discoveryengine==0.13.12
+ google-cloud-logging==3.12.1
+ google-cloud-monitoring==2.27.2
+ google-cloud-resource-manager==1.14.2
+ google-cloud-secret-manager==2.24.0
+ google-cloud-spanner==3.58.0
+ google-cloud-speech==2.33.0
+ google-cloud-storage==3.5.0
+ google-cloud-trace==1.16.2
+ google-crc32c==1.7.1
+ google-genai==1.52.0
+ google-resumable-media==2.7.2
+ googleapis-common-protos==1.70.0
+ graphviz==0.21
+ greenlet==3.2.4
+ grpc-google-iam-v1==0.14.2
+ grpc-interceptor==0.15.4
+ grpcio==1.75.1
+ grpcio-status==1.75.1
+ h11==0.16.0
+ hf-xet==1.1.10
+ httpcore==1.0.9
+ httplib2==0.31.0
+ httpx==0.28.1
+ httpx-sse==0.4.1
+ huggingface-hub==0.35.3
+ idna==3.10
+ importlib-metadata==8.7.0
+ iniconfig==2.1.0
+ jinja2==3.1.6
+ jiter==0.11.0
+ joblib==1.5.2
+ jsonschema==4.25.1
+ jsonschema-specifications==2025.9.1
+ litellm==1.76.3
+ mako==1.3.10
+ markdown-it-py==4.0.0
+ markupsafe==3.0.3
+ mcp==1.16.0
+ mdurl==0.1.2
+ multidict==6.6.4
+ nest-asyncio==1.6.0
+ nltk==3.9.2
+ numpy==2.3.3
+ openai==2.1.0
+ opentelemetry-api==1.37.0
+ opentelemetry-exporter-gcp-logging==1.9.0a0
+ opentelemetry-exporter-gcp-monitoring==1.9.0a0
+ opentelemetry-exporter-gcp-trace==1.9.0
+ opentelemetry-exporter-otlp-proto-common==1.37.0
+ opentelemetry-exporter-otlp-proto-http==1.37.0
+ opentelemetry-instrumentation==0.58b0
+ opentelemetry-instrumentation-google-genai==0.4b0
+ opentelemetry-proto==1.37.0
+ opentelemetry-resourcedetector-gcp==1.9.0a0
+ opentelemetry-sdk==1.37.0
+ opentelemetry-semantic-conventions==0.58b0
+ opentelemetry-util-genai==0.2b0
+ packaging==25.0
+ pandas==2.3.3
+ pluggy==1.6.0
+ propcache==0.3.2
+ proto-plus==1.26.1
+ protobuf==6.32.1
+ pyarrow==22.0.0
+ pyasn1==0.6.1
+ pyasn1-modules==0.4.2
+ pycparser==2.23
+ pydantic==2.12.5
+ pydantic-core==2.41.5
+ pydantic-settings==2.11.0
+ pygments==2.19.2
+ pyparsing==3.2.5
+ pytest==9.0.1
+ pytest-asyncio==1.3.0
+ python-dateutil==2.9.0.post0
+ python-dotenv==1.2.1
+ python-multipart==0.0.20
+ python-slugify==8.0.4
+ pytz==2025.2
+ pyyaml==6.0.3
+ referencing==0.36.2
+ regex==2025.9.18
+ requests==2.32.5
+ rich==14.1.0
+ rouge-score==0.1.2
+ rpds-py==0.27.1
+ rsa==4.9.1
+ ruamel-yaml==0.18.15
+ ruamel-yaml-clib==0.2.14
+ scikit-learn==1.7.2
+ scipy==1.16.2
+ shapely==2.1.2
+ six==1.17.0
+ sniffio==1.3.1
+ sqlalchemy==2.0.43
+ sqlalchemy-spanner==1.16.0
+ sqlparse==0.5.3
+ sse-starlette==3.0.2
+ starlette==0.48.0
+ tabulate==0.9.0
+ tenacity==9.1.2
+ text-unidecode==1.3
+ threadpoolctl==3.6.0
+ tiktoken==0.11.0
+ tokenizers==0.22.1
+ tqdm==4.67.1
+ types-python-dateutil==2.9.0.20250822
+ typing-extensions==4.15.0
+ typing-inspection==0.4.2
+ tzdata==2025.2
+ tzlocal==5.3.1
+ uritemplate==4.2.0
+ urllib3==2.5.0
+ uvicorn==0.37.0
+ watchdog==6.0.0
+ websockets==15.0.1
+ wrapt==1.17.3
+ yarl==1.20.1
+ zipp==3.23.0
# Export dependencies to requirements file using uv export.
(uv export --no-hashes --no-header --no-dev --no-emit-project --no-annotate > financial_advisor/app_utils/.requirements.txt 2>/dev/null || \
uv export --no-hashes --no-header --no-dev --no-emit-project > financial_advisor/app_utils/.requirements.txt) && \
uv run -m financial_advisor.app_utils.deploy \
--source-packages=./financial_advisor \
--entrypoint-module=financial_advisor.agent_engine_app \
--entrypoint-object=agent_engine \
--requirements-file=financial_advisor/app_utils/.requirements.txt
╔═══════════════════════════════════════════════════════════╗
║ ║
║ 🤖 DEPLOYING AGENT TO VERTEX AI AGENT ENGINE 🤖 ║
║ ║
╚═══════════════════════════════════════════════════════════╝
📋 Deployment Parameters:
Project: my-project-id
Location: asia-northeast1
Display Name: financial-advisor-xxxxx
Min Instances: 1
Max Instances: 10
CPU: 4
Memory: 8Gi
Container Concurrency: 9
🌍 Environment Variables:
GOOGLE_CLOUD_AGENT_ENGINE_ENABLE_TELEMETRY: true
GOOGLE_CLOUD_REGION: asia-northeast1
NUM_WORKERS: 1
OTEL_INSTRUMENTATION_GENAI_CAPTURE_MESSAGE_CONTENT: true
INFO:root:Importing financial_advisor.agent_engine_app.agent_engine
🚀 Creating new agent: financial-advisor-xxxxx
🚀 Deploying to Vertex AI Agent Engine (this can take 3-5 minutes)...
INFO:vertexai_genai.agentengines:Creating in-memory tarfile of source_packages
INFO:vertexai_genai.agentengines:Using agent framework: google-adk
INFO:vertexai_genai.agentengines:View progress and logs at https://console.cloud.google.com/logs/query?project=my-project-id.
INFO:vertexai_genai.agentengines:Agent Engine created. To use it in another session:
INFO:vertexai_genai.agentengines:agent_engine=client.agent_engines.get(name='projects/123456789012/locations/asia-northeast1/reasoningEngines/1234567890123456789')
INFO:root:Agent Engine ID written to deployment_metadata.json
✅ Deployment successful!
Service Account: service-123456789012@gcp-sa-aiplatform-re.iam.gserviceaccount.com
📊 Open Console Playground: https://console.cloud.google.com/vertex-ai/agents/locations/asia-northeast1/agent-engines/1234567890123456789/playground?project=my-project-id
デプロイ処理の詳細解説
上記のCloud Shellログで実行されている処理を、フェーズごとに詳細に解説します。
処理フロー全体像
デプロイ処理は以下の5つのステップで構成されています。
- 環境変数設定 & 初期化
- プロジェクト生成(uvx)
- 依存関係インストール
- requirements.txt生成
- Agent Engineへデプロイ
1. 環境変数設定 & 初期化
export AGENT_NAME=financial-advisor-${RANDOM} && \
uvx agent-starter-pack==0.15.4 create ${AGENT_NAME} -d agent_engine -ag -a adk@financial-advisor && \
cd ${AGENT_NAME} && \
make install && \
make backend
このワンライナーは&&で連結された5つのコマンドで構成されています。
| コマンド | 説明 |
|---|---|
export AGENT_NAME=financial-advisor-${RANDOM} |
ユニークなエージェント名を環境変数に設定 |
uvx agent-starter-pack==0.15.4 create ... |
Agent Starter Packでプロジェクト生成 |
cd ${AGENT_NAME} |
生成されたディレクトリに移動 |
make install |
依存関係のインストール |
make backend |
Agent Engineへのデプロイ実行 |
環境変数の詳細
| 要素 | 説明 |
|---|---|
${RANDOM} |
Bashの組み込み変数で0〜32767のランダムな整数を生成 |
| 生成例 | financial-advisor-xxxxx(20635がランダム値) |
| 目的 | エージェント名の衝突を防止 |
2. プロジェクト生成
uvxとAgent Starter Packについて
uvx agent-starter-pack==0.15.4 create ${AGENT_NAME} -d agent_engine -ag -a adk@financial-advisor
| ツール | 説明 |
|---|---|
uvx |
uv(Rust製の高速Pythonパッケージマネージャ)のツール実行コマンド。パッケージを一時的にインストールして実行する(Node.jsのnpxに相当) |
agent-starter-pack |
Google Cloudが提供するAIエージェントのスキャフォールディングツール |
コマンドオプションの詳細
| オプション | 説明 |
|---|---|
==0.15.4 |
使用するAgent Starter Packのバージョン指定 |
create ${AGENT_NAME} |
指定した名前で新規プロジェクトを作成 |
-d agent_engine |
デプロイ先(destination) をVertex AI Agent Engineに指定 |
-ag |
Agent Garden連携モードを有効化(GitHubからテンプレートを取得) |
-a adk@financial-advisor |
ADKのfinancial-advisorテンプレートを使用 |
バージョン自動切り替え
> Fetching template: python/agents/financial-advisor
🔒 Remote template requires agent-starter-pack version 0.22.1
📦 Switching to version 0.22.1...
Installed 59 packages in 537ms
✅ Using version-locked template
テンプレートがバージョン0.22.1を要求したため、自動的にバージョンが切り替わっています。これにより、テンプレートとツールの互換性が保証されます。
リージョン選択
📍 Agent Engine Supported Regions:
https://cloud.google.com/vertex-ai/generative-ai/docs/agent-engine/overview#supported-regions
Enter desired GCP region (Gemini uses global endpoint by default) (us-central1): asia-northeast1
> Successfully configured project: my-project-id
> Testing GCP and Vertex AI Connection...
> ✓ Successfully verified connection to Vertex AI in project my-project-id
対話形式でリージョンを選択し、GCPプロジェクトとVertex AIへの接続確認が行われます。
今回はasia-northeast1を選択します。
3. 依存関係のインストール
uv syncの実行
uv sync
Using CPython 3.12.3 interpreter at: /usr/bin/python3
Creating virtual environment at: .venv
Resolved 180 packages in 4ms
Built financial-advisor @ file:///home/user/financial-advisor-xxxxx
Prepared 1 package in 1.21s
Installed 163 packages in 3.46s
| 処理 | 説明 |
|---|---|
uv sync |
pyproject.tomlに基づいて依存関係をインストール |
| 仮想環境 | .venvディレクトリに自動作成 |
| パッケージ数 | 163パッケージがインストールされる |
インストールされる主要パッケージのカテゴリ
| カテゴリ | パッケージ | 用途 |
|---|---|---|
| ADK関連 | google-adk==1.19.0 |
Agent Development Kit本体 |
| Vertex AI | google-cloud-aiplatform==1.126.1 |
Vertex AI Python SDK |
| Generative AI | google-genai==1.52.0 |
Google Generative AI SDK |
| Web Framework | fastapi==0.118.0, uvicorn==0.37.0 |
APIエンドポイント構築 |
| LLM統合 | litellm==1.76.3, openai==2.1.0 |
複数LLMプロバイダー対応 |
| Observability | opentelemetry-* |
分散トレーシング・モニタリング |
| GCPサービス | google-cloud-logging, google-cloud-trace |
ログ・トレース連携 |
| プロトコル | mcp==1.16.0 |
Model Context Protocol |
| データ処理 | pandas==2.3.3, numpy==2.3.3 |
データ分析・処理 |
4. requirements.txt生成とデプロイ準備
(uv export --no-hashes --no-header --no-dev --no-emit-project --no-annotate > financial_advisor/app_utils/.requirements.txt 2>/dev/null || \
uv export --no-hashes --no-header --no-dev --no-emit-project > financial_advisor/app_utils/.requirements.txt)
uv exportオプションの詳細
| オプション | 説明 |
|---|---|
--no-hashes |
パッケージのハッシュ値を含めない(環境間の互換性向上) |
--no-header |
ファイル先頭のコメントヘッダーを除外 |
--no-dev |
開発用依存関係(pytest等)を除外し本番用のみ出力 |
--no-emit-project |
プロジェクト自体のエントリを除外 |
--no-annotate |
パッケージの依存元コメントを除外 |
2>/dev/null |
標準エラー出力を破棄(警告を非表示) |
|| |
左のコマンドが失敗した場合のフォールバック |
デプロイスクリプトの実行
uv run -m financial_advisor.app_utils.deploy \
--source-packages=./financial_advisor \
--entrypoint-module=financial_advisor.agent_engine_app \
--entrypoint-object=agent_engine \
--requirements-file=financial_advisor/app_utils/.requirements.txt
| パラメータ | 説明 |
|---|---|
uv run -m |
仮想環境内でPythonモジュールを実行 |
--source-packages |
デプロイするソースコードのディレクトリパス |
--entrypoint-module |
エントリーポイントとなるPythonモジュール |
--entrypoint-object |
モジュール内で呼び出されるオブジェクト名 |
--requirements-file |
依存関係定義ファイルのパス |
5. Agent Engineへのデプロイ
デプロイパラメータ
デプロイするためのパラメータを対話入力することはなく、決められたスペックやインスタンス数でデプロイされました。
📋 Deployment Parameters:
Project: my-project-id
Location: asia-northeast1
Display Name: financial-advisor-xxxxx
Min Instances: 1
Max Instances: 10
CPU: 4
Memory: 8Gi
Container Concurrency: 9
| パラメータ | 値 | 説明 |
|---|---|---|
Project |
my-project-id | GCPプロジェクトID |
Location |
asia-northeast1 | デプロイ先リージョン(東京) |
Display Name |
financial-advisor-xxxxx | コンソール上での表示名 |
Min Instances |
1 | 最小インスタンス数(コールドスタート防止) |
Max Instances |
10 | 最大インスタンス数(スケールアウト上限) |
CPU |
4 | 各インスタンスのvCPU数 |
Memory |
8Gi | 各インスタンスのメモリ容量 |
Container Concurrency |
9 | 1コンテナあたりの同時リクエスト処理数 |
環境変数
🌍 Environment Variables:
GOOGLE_CLOUD_AGENT_ENGINE_ENABLE_TELEMETRY: true
GOOGLE_CLOUD_REGION: asia-northeast1
NUM_WORKERS: 1
OTEL_INSTRUMENTATION_GENAI_CAPTURE_MESSAGE_CONTENT: true
| 環境変数 | 説明 |
|---|---|
GOOGLE_CLOUD_AGENT_ENGINE_ENABLE_TELEMETRY |
テレメトリ(監視データ)の送信を有効化 |
GOOGLE_CLOUD_REGION |
使用するGCPリージョン |
NUM_WORKERS |
ワーカープロセス数 |
OTEL_INSTRUMENTATION_GENAI_CAPTURE_MESSAGE_CONTENT |
OpenTelemetryでLLMのメッセージ内容をキャプチャ |
デプロイプロセス
INFO:root:Importing financial_advisor.agent_engine_app.agent_engine
🚀 Creating new agent: financial-advisor-xxxxx
🚀 Deploying to Vertex AI Agent Engine (this can take 3-5 minutes)...
INFO:vertexai_genai.agentengines:Creating in-memory tarfile of source_packages
INFO:vertexai_genai.agentengines:Using agent framework: google-adk
| 処理ステップ | 説明 |
|---|---|
| エントリーポイントのインポート | financial_advisor.agent_engine_app.agent_engineを読み込み |
| ソースパッケージのアーカイブ | デプロイ用にtarファイルを作成 |
| フレームワーク検出 | google-adkが使用されていることを認識 |
デプロイ完了
大体5分~10分くらいでデプロイすることができたと思います。
INFO:vertexai_genai.agentengines:Agent Engine created. To use it in another session:
INFO:vertexai_genai.agentengines:agent_engine=client.agent_engines.get(name='projects/123456789012/locations/asia-northeast1/reasoningEngines/1234567890123456789')
✅ Deployment successful!
Service Account: service-123456789012@gcp-sa-aiplatform-re.iam.gserviceaccount.com
📊 Open Console Playground: https://console.cloud.google.com/vertex-ai/agents/...
| 出力項目 | 値 | 説明 |
|---|---|---|
| プロジェクト番号 | 123456789012 |
GCPプロジェクトの数値ID |
| リージョン | asia-northeast1 |
デプロイ先リージョン |
| Reasoning Engine ID | 1234567890123456789 |
エージェントの一意識別子 |
| Service Account | service-123456789012@gcp-sa-aiplatform-re.iam.gserviceaccount.com |
Agent Engineが使用するGoogle管理サービスアカウント |
Vertex AI Agent Engineの詳細
Vertex AI Agent Engineのコンソール画面から、リソース名や、ID、作成日のほかにフレームワークにgoogle-adkを利用しているなど、デプロイしたfinancial advisorエージェントの基本情報を確認することができます。

Vertex AI Agent Engine
エージェント名をクリックすると詳細を確認することができます。
ダッシュボード
ダッシュボードタブでは、デプロイしたエージェントに対してのメトリクスをモニタリングすることができます。

ダッシュボードタブ
以下の内容についてモニタリングすることができます。
| 項目 | 説明 |
|---|---|
| 概要 | エージェントのレイテンシ、エージェントのリクエスト数、エージェントのエラー率など、エージェントのメトリックの概要ダッシュボードを表示します。 |
| モデル | モデル呼び出しの数、モデルのエラー率、モデル トークンの使用状況など、エージェントのモデルのメトリックのダッシュボードを表示します。 |
| ツール | ツール呼び出しの数、ツールのエラー率、ツールの遅延など、エージェントのツールのメトリックのダッシュボードを表示します。 |
| 使用状況 | 入力と出力によるトークンの使用状況、コンテナの CPU 割り当て、コンテナのメモリ割り当てなど、エージェントの使用状況に関するメトリックのダッシュボードを表示します。 |
| ログ | エージェントに対してCloud Logging を有効にしている場合は、エージェントのログを表示します。 |
トレース
Agent Engineでは、Cloud Traceを有効化することで、各エージェント間やツール間のトレース情報を可視化してくれます。
今回のケースの場合、トレースタブに遷移するとなぜかエラーになってしまいました。

エラー
エラーになってしまったからなのか、トレース情報は可視化されませんでした。

トレース
自作エージェントか、別のサンプルエージェントなら解消されるのか別の機会に検証してみようと思います。
セッション
Agent Engineでは、セッションとして、ユーザとエージェント間のインタラクション履歴を保持してくれます。
エージェントと会話を始めると自動的にセッションが作成されるようになっており、管理者側で削除や編集を行うことができます。
ADKで作成されたエージェントはVertex AI Agent Engineにデプロイすると、セッション管理が自動的に処理されます。また、API呼び出しによるセッション管理も可能です。

セッション
プレイグラウンド
プレイグラウンドでは、デプロイしたエージェントとチャットUIを用いて会話を行うことができます。
エージェントが想定通りの回答をしてくれているのか、回答時に呼び出されているツールの確認はもちろんのこと、レイテンシーなどもトレース情報として確認することができます。
会話を始めるごとにセッションが自動的に生成され、そのセッション内で会話をすることができます。

メモリ
メモリ(Memory Bank)機能はAIエージェントがユーザーに関する情報を長期的に記憶・保持するための機能です。通常のセッションでは会話が終了すると文脈情報は失われますが、Memory Bankを使用することで、セッションを跨いでユーザーの好みや過去のやり取り、重要な情報を記憶し続けることができます。これにより、エージェントはよりパーソナライズされた応答を提供できるようになります。
過去のやり取りを覚えることができるため、より個人にフォーカスしたサポートを行うことができる点が魅力だと思います。
今回のサンプルエージェントでは、このメモリ機能は使用しなかったですが、別の機会に検証してみたいと思います。

評価
評価機能は、デプロイしたAIエージェントの品質やパフォーマンスを測定・分析するための機能です。テストケースを用意し、エージェントの応答が正確性・関連性・安全性などの基準を満たしているかを自動的に判定します。
今回のサンプルエージェントでは、この評価機能は使用しなかったですが、こちらも別の機会に検証してみたいと思います。

削除
コンソールからAgent EngineにデプロイしたAIエージェントを削除する際に、以下のエラーに遭遇しました。
コンソールからAIエージェントを削除するには、作成されたセッションをすべて削除してからでないとエラーになってしまうようです。
今回は、コンソールからすべてのセッションを削除し、AIエージェントを削除しました。

削除エラー
最後に
今回は、Google Cloud側でサンプルAIエージェントが用意されているVertex AI Agent Gardenから、AIエージェントのデプロイ環境である Vertex AI Agent EngineにサンプルAIエージェントである【Financial Advisor】をデプロイしてみました。
簡単にAI Agentを試してみたい場合や、Agent Engineの動作確認などを行いたい場合は、Vertex AI Agent Gardenのコンソールからボタン一つでAI Agentをデプロイすることができるので、おすすめです。
また、Agent Engine内の機能も多くがまだPublic Previewステージですが、今後のGA(一般提供)に向けて機能が充実していくことが期待されます。AIエージェントの本番運用を検討されている方は、ぜひVertex AI Agent Engineを試してみてください。
この記事が誰かの助けになれば幸いです。
以上、クラウド事業本部コンサルティング部の渡邉でした!






