Gemini Enterprise Agent Platform 入門と GCP デプロイ手順

2026年5月25日

もっとスキルを活かしたいエンジニアへ

スポンサードリンク

働き方から選べる

無料で使えて良質な案件の情報収集ができるサービス

エンジニアの世界では、「いつでも動ける状態を作っておけ」とよく言われます。
技術やポートフォリオがあっても、自分に合う案件情報を日常的に見れていないと、いざ動こうと思った時に比較や判断が難しくなってしまいます。
普段から案件情報が集まる環境を作っておくと、良い案件が出た時にすぐ動きやすくなりますよ。
筆者自身も、メガベンチャー勤務時代に年収1,500万円を超えた経験があります。振り返ると、技術だけでなく「どんな案件や働き方があるか」を日頃から見ていたことが、キャリアの選択肢を広げるきっかけになりました。
このブログを読んでくれた方に感謝を込めて、実際に使っている情報収集サービスを紹介します。

フルリモート・週3日・高単価、どんな条件も妥協したくないなら

フリーランスボードに無料会員登録する

利用者10万人以上。業界最大規模45万件の案件。AIマッチ機能や無料の相場情報が人気。

年収800万円以上のキャリアアップ・ハイクラス正社員を視野に入れているなら

Beyond Careerに無料相談する

内定獲得率90%以上。紹介先企業とは役員クラスのコネクションがある安心と信頼できるエージェント。

Contents

1 Gemini Enterprise Agent Platform の概要
2 Google Cloud 環境の事前準備
3 Agent Builder のインストールと TypeScript/Node.js での開発フロー
- 3.1 開発環境のセットアップ
- 3.2 サンプルハンドラの実装ポイント
4 コンテナ化と Cloud Run / Vertex AI へのデプロイ
5 運用・監視・セキュリティのベストプラクティス
6 ユースケース例と導入支援の考え方
- 6.1 業務プロセス自動化例
- 6.2 導入フェーズ別のチェックリスト
7 まとめ

スポンサードリンク

Gemini Enterprise Agent Platform の概要

Gemini Enterprise Agent Platform は、エンタープライズ向けに AI エージェントの 開発・デプロイ・運用・最適化 を一元管理できる統合基盤です。本章ではプラットフォーム全体像と主要コンポーネント（Agent Builder、Agent Development Kit (ADK)、評価・最適化機能）の役割を簡潔に整理し、ハンズオンで必要となる前提知識を提供します。

Agent Builder

Agent Builder は TypeScript/Node.js 向けの開発フレームワークで、ローカル環境からコンテナイメージ化・デプロイまでを CLI 1 本で完結させます。ADK と組み合わせることで Gemini API 呼び出しやコンテキスト管理といった共通機能がコードレベルで利用可能です。

Agent Development Kit (ADK)

ADK はエージェント実行時に必要なランタイム、トレーシング、メトリクス取得などを提供する SDK です。AgentRuntime クラス等のユーティリティを使うだけで、認証・ロギング・エラーハンドリングが標準化され、開発者はビジネスロジックに集中できます。

評価・最適化機能

プラットフォームは Cloud Monitoring と連携し、応答時間やトークン使用量といった指標を自動で収集します。取得したメトリクスはダッシュボード上で可視化でき、KPI を設定したうえで継続的に最適化サイクルを回すことが可能です。

公式ドキュメントの概要ページ（Gemini Enterprise Agent Platform Overview）も合わせてご参照ください。

Google Cloud 環境の事前準備

エージェントを本番環境へデプロイするには、GCP プロジェクトの作成・課金有効化に加えて必要な API の有効化と IAM 設定が必須です。本章では実際に手順を追いながら、抜け落ちがちなポイントを解説します。

プロジェクト作成と課金有効化

プロジェクトの新規作成 – Cloud Console の左上メニュー > 「プロジェクト」>「新しいプロジェクト」を選択し、名前と請求先アカウントを入力して作成します。
課金の紐付け – 作成したプロジェクトを選択後、左ナビゲーションの「課金」から対象の請求先アカウントを選び「課金を有効化」します。課金情報が無いと Gemini API（従量課金制）のリクエストは 403 エラーでブロックされます。

注意：課金だけでは機能は利用できません。続いて必要な API の有効化を行う必要があります。

必要な API の有効化

以下の API は Agent Builder・ADK が正常に動作するために必須です。Cloud Shell から一括で有効化できます。

gcloud services enable \
  aiplatform.googleapis.com \
  run.googleapis.com \
  cloudbuild.googleapis.com \
  artifactregistry.googleapis.com \
  logging.googleapis.com \
  monitoring.googleapis.com

gcloud services enable \

aiplatform.googleapis.com \

run.googleapis.com \

cloudbuild.googleapis.com \

artifactregistry.googleapis.com \

logging.googleapis.com \

monitoring.googleapis.com

IAM ロールの最小権限設定

エージェントをビルド・デプロイ・運用するサービスアカウント（例: agent-builder-sa@PROJECT_ID.iam.gserviceaccount.com）には、下表に示すロールのみを付与します。過剰な権限はセキュリティリスクになるため、最小権限の原則 を徹底してください。

ロール	主な権限
`roles/iam.serviceAccountUser`	他サービスで本 SA を使用可能にする
`roles/run.admin`	Cloud Run の作成・更新
`roles/aiplatform.admin`	Vertex AI のモデル管理
`roles/logging.logWriter`	Cloud Logging への書き込み
`roles/monitoring.metricWriter`	カスタムメトリクス送信

IAM 設定は「IAM と管理」→「サービスアカウント」から対象 SA を選び、ロールを個別に割り当てます。

Agent Builder のインストールと TypeScript/Node.js での開発フロー

本章ではローカル環境構築からハンドラ実装までの一連の手順を示します。コード例は公式 SDK のインポートパス（執筆時点で @google/generative-ai 系）と合わせてありますが、利用するバージョンに応じて公式ドキュメントで最新情報をご確認ください。

開発環境のセットアップ

以下のコマンドは Ubuntu 系 Linux を想定しています。Windows/macOS でも同様の手順で構築できます。

# Node.js (v18 以上) と Yarn のインストール例
curl -fsSL https://deb.nodesource.com/setup_18.x | sudo -E bash -
sudo apt-get install -y nodejs
npm install -g yarn

# プロジェクト作成
mkdir my-gemini-agent &amp;&amp; cd my-gemini-agent
yarn init -y

# 必要パッケージのインストール
yarn add @google/generative-ai @google/agent-devkit typescript ts-node dotenv

# TypeScript 設定ファイル生成
npx tsc --init

# Node.js (v18 以上) と Yarn のインストール例

curl -fsSL https://deb.nodesource.com/setup_18.x | sudo -E bash -

sudo apt-get install -y nodejs

npm install -g yarn

# プロジェクト作成

mkdir my-gemini-agent && cd my-gemini-agent

yarn init -y

# 必要パッケージのインストール

yarn add @google/generative-ai @google/agent-devkit typescript ts-node dotenv

# TypeScript 設定ファイル生成

npx tsc --init

サンプルハンドラの実装ポイント

src/handler.ts に記述する基本的なフローは 「リクエスト受信 → Gemini API 呼び出し → 応答返却」 の 3 ステップです。以下に簡易サンプルを示します。

// src/handler.ts
import { AgentRuntime } from '@google/agent-devkit';
import { GenerativeModel, GoogleGenerativeAI } from '@google/generative-ai';
import dotenv from 'dotenv';

dotenv.config();

const runtime = new AgentRuntime();
const genAI = new GoogleGenerativeAI(process.env.GEMINI_API_KEY!);
const model = genAI.getGenerativeModel({ model: 'gemini-1.5-pro' });

export const handleRequest = async (req: any) =&gt; {
  try {
    // ① ユーザー入力取得
    const userMessage = req.body?.message ?? '';

    // ② Gemini にプロンプト送信
    const result = await model.generateContent({
      contents: [{ role: 'user', parts: [{ text: userMessage }] }],
      generationConfig: { temperature: 0.2 },
    });

    // ③ レスポンス整形
    return runtime.response({
      text: result.response?.text() ?? '',
      metadata: { latencyMs: result.latency },
    });
  } catch (err) {
    // エラーハンドリングは runtime.error で Cloud Logging に自動送信
    return runtime.error(err);
  }
};

// src/handler.ts

import { AgentRuntime } from '@google/agent-devkit';

import { GenerativeModel, GoogleGenerativeAI } from '@google/generative-ai';

import dotenv from 'dotenv';

dotenv.config();

const runtime = new AgentRuntime();

const genAI = new GoogleGenerativeAI(process.env.GEMINI_API_KEY!);

const model = genAI.getGenerativeModel({ model: 'gemini-1.5-pro' });

export const handleRequest = async (req: any) => {

try {

// ① ユーザー入力取得

const userMessage = req.body?.message ?? '';

// ② Gemini にプロンプト送信

const result = await model.generateContent({

contents: [{ role: 'user', parts: [{ text: userMessage }] }],

generationConfig: { temperature: 0.2 },

});

// ③ レスポンス整形

return runtime.response({

text: result.response?.text() ?? '',

metadata: { latencyMs: result.latency },

});

} catch (err) {

// エラーハンドリングは runtime.error で Cloud Logging に自動送信

return runtime.error(err);

}

};

ポイント解説

dotenv で環境変数（API キーやプロジェクト ID）を安全にロード。
AgentRuntime.response と runtime.error がそれぞれ Cloud Logging への出力を自動化します。
エラーハンドリングは必ず try/catch で囲み、例外情報をロギングしておくと運用時のトラブルシューティングが容易です。

コンテナ化と Cloud Run / Vertex AI へのデプロイ

ローカルで動作確認が取れたら Docker イメージにパッケージし、マネージドサービスへデプロイします。ここでは Dockerfile の要点と、代表的な2つのデプロイ先（Cloud Run と Vertex AI）について手順を比較しながら解説します。

Dockerfile の構成

軽量かつ安全な実行環境を提供するために Distroless イメージを採用しています。ビルドステージで TypeScript をコンパイルし、最終イメージには dist/ ディレクトリだけをコピーします。

# ---------- ビルドステージ ----------
FROM node:18-alpine AS builder
WORKDIR /app
COPY package.json yarn.lock ./
RUN yarn install --frozen-lockfile
COPY . .
RUN yarn build   # tsc が dist/ を生成

# ---------- 実行ステージ ----------
FROM gcr.io/distroless/nodejs18
WORKDIR /app
COPY --from=builder /app/dist ./dist
ENV NODE_ENV=production
CMD [&quot;dist/handler.js&quot;]

# ---------- ビルドステージ ----------

FROM node:18-alpine AS builder

WORKDIR /app

COPY package.json yarn.lock ./

RUN yarn install --frozen-lockfile

COPY . .

RUN yarn build # tsc が dist/ を生成

# ---------- 実行ステージ ----------

FROM gcr.io/distroless/nodejs18

WORKDIR /app

COPY --from=builder /app/dist ./dist

ENV NODE_ENV=production

CMD ["dist/handler.js"]

Cloud Build でイメージをビルド・プッシュ

gcloud builds submit --tag gcr.io/$PROJECT_ID/my-gemini-agent

1 2	gcloud builds submit --tag gcr.io/$PROJECT_ID/my-gemini-agent

実行後、gcr.io/$PROJECT_ID/my-gemini-agent:latest が Artifact Registry に格納されます。

Cloud Run へのデプロイ手順

手順	コマンド例
デプロイ	`gcloud run deploy my-gemini-agent \` `--image gcr.io/$PROJECT_ID/my-gemini-agent \` `--platform managed \` `--region us-central1 \` `--allow-unauthenticated \` `--cpu 2 --memory 4Gi`
スケーリング設定	`--max-instances=100`（上限）や `--min-instances=0`（下限）で自動スケールを制御

Cloud Run は HTTP エンドポイントとして即座に利用でき、リクエスト単位で課金が発生します。

Vertex AI (Endpoint) へのデプロイ手順

モデル登録
bash gcloud ai models upload \ --region us-central1 \ --display-name=my-gemini-agent \ --container-image-uri=gcr.io/$PROJECT_ID/my-gemini-agent
エンドポイント作成
bash ENDPOINT_ID=$(gcloud ai endpoints create \ --region us-central1 \ --display-name=gemini-endpoint \ --format="value(name)")
デプロイ
bash gcloud ai endpoints deploy-model $ENDPOINT_ID \ --model=$MODEL_ID \ --region us-central1 \ --machine-type=n1-standard-4 \ --min-replica-count=1 \ --max-replica-count=10

Vertex AI は予測向けに最適化されたスケーリングと、GPU などのカスタムマシンタイプ選択が可能です。大量トラフィックやレイテンシ要件が厳しいユースケースに適しています。

選択指針：単純な REST API として利用したい場合は Cloud Run、推論スループットとリソース最適化を重視するなら Vertex AI を選びます。

運用・監視・セキュリティのベストプラクティス

本番環境で安定稼働させるために、可観測性確保と最低限の権限設定・ネットワーク防御を徹底します。以下では具体的な手順と推奨設定例を示します。

ログ・メトリクスの取得とアラート設定

Agent Runtime が自動で出力する Cloud Logging と、独自に定義したカスタム指標は Cloud Monitoring で可視化できます。代表的な指標と推奨アラート閾値は次の通りです。

メトリクス	説明	推奨アラート条件
`agent/request_count`	1 分間あたりのリクエスト総数	-
`agent/latency_ms`	平均応答時間（ms）	500 ms 超過時に警告
`agent/error_rate`	5xx エラー率 (%)	2 % 超過時に重大度 HIGH

設定手順

Cloud Console → Monitoring → 「指標」画面で上記メトリクスを検索。
「アラートポリシー」→「作成」→「条件追加」で閾値と通知チャネル（メール、Slack 等）を設定。

IAM の最小権限設計

実行時に使用するサービスアカウント agent-runtime-sa には以下のロールだけを付与します。

ロール	用途
`roles/run.invoker`	Cloud Run 呼び出し（外部トリガー）
`roles/aiplatform.user`	Vertex AI のモデル利用
`roles/logging.logWriter`	ログ送信
`roles/monitoring.metricWriter`	カスタム指標送信

ロール付与は次のコマンドで行い、定期的に不要権限が残っていないかレビューします。

gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member=&quot;serviceAccount:agent-runtime-sa@$PROJECT_ID.iam.gserviceaccount.com&quot; \
  --role=&quot;roles/run.invoker&quot;
# 同様に他ロールも追加

gcloud projects add-iam-policy-binding $PROJECT_ID \

--member="serviceAccount:agent-runtime-sa@$PROJECT_ID.iam.gserviceaccount.com" \

--role="roles/run.invoker"

# 同様に他ロールも追加

VPC Service Controls と CMEK の活用

機密データを扱う場合は VPC Service Controls によるサービス境界の設定と、Customer‑Managed Encryption Keys (CMEK) を併用して暗号化レイヤーを強化します。

Cloud Console → 「VPC Service Controls」→「サービス周辺境界」作成。対象に Cloud Run と Vertex AI を追加。
Cloud KMS でキーリングと鍵を作成し、コンテナイメージや永続ディスク・データベースの暗号化オプションに --kms-key=projects/$PROJECT_ID/locations/global/keyRings/my-ring/cryptoKeys/my-key を指定。

これにより、データは顧客管理鍵で暗号化され、外部からの不正取得リスクが低減します。

ユースケース例と導入支援の考え方

実際の企業導入事例を通じて、エージェント活用の効果と導入時に注意すべきポイントを整理します。

業務プロセス自動化例

シナリオ	目的	主な成果
社内ヘルプデスクボット	IT 問い合わせの一次対応	平均応答時間 3 秒、サポート工数 30 % 削減
請求書情報抽出エージェント	PDF→構造化データ変換	手作業ミス率 0.2 % 未満、処理速度 5 倍向上
営業支援チャットボット (Salesforce)	案件情報の自動取得・更新	顧客満足度 CSAT +12 ポイント

導入フェーズ別のチェックリスト

要件定義
ビジネスゴールと評価指標(KPI)を明確化。
必要な外部システム(API)とデータフローを図示。
PoC 開発
Agent Builder と ADK のサンプルコードで最小機能を実装。
ロギング・モニタリングの設定を同時に行い、障害検知手順を確立。
本番移行
IAM 最小権限と VPC SC を適用し、CMEK でデータ暗号化。
CI/CD パイプライン (Cloud Build → Cloud Deploy) による自動デプロイを構築。
運用・改善
メトリクスに基づく定期的なパフォーマンスレビュー。
新モデルやプロンプト改良の A/B テストを継続実施。

具体的なコンサルティングやカスタム開発が必要な場合は、Google Cloud パートナーや社内 SRE チームと連携するとスムーズです。

まとめ

Gemini Enterprise Agent Platform はエージェント開発から運用までを統合的に支援するプラットフォームであり、Agent Builder・ADK・評価機能が主要コンポーネントです。
GCP プロジェクトの作成・課金有効化・必須 API の有効化と、最小権限の IAM 設定はデプロイ前提条件です。
Agent Builder のインストール手順とサンプルコードを元にローカルで動作確認し、Docker 化して Cloud Run または Vertex AI にデプロイします。
本番運用では Cloud Logging/Monitoring による可観測性確保、IAM 最小権限・VPC Service Controls・CMEK を活用したセキュリティ強化が不可欠です。
実務ユースケース（ヘルプデスク自動応答、請求書処理、CRM 連携等）を参考に、自社課題解決のためのエージェント設計・導入プロセスを計画してください。

上記手順とベストプラクティスに沿って実装すれば、Google Cloud 上で 信頼性・拡張性・セキュリティ を兼ね備えた AI エージェントを迅速に本番環境へ移行できるはずです。

スポンサードリンク

もっとスキルを活かしたいエンジニアへ

スポンサードリンク

働き方から選べる

無料で使えて良質な案件の情報収集ができるサービス

フルリモート・週3日・高単価、どんな条件も妥協したくないなら

フリーランスボードに無料会員登録する

利用者10万人以上。業界最大規模45万件の案件。AIマッチ機能や無料の相場情報が人気。

年収800万円以上のキャリアアップ・ハイクラス正社員を視野に入れているなら

Beyond Careerに無料相談する

内定獲得率90%以上。紹介先企業とは役員クラスのコネクションがある安心と信頼できるエージェント。

-GCP

comment コメントをキャンセル

: GCP

エッジコンピューティングとGCPの全体像：Anthos・Distributed Cloud Edge・Zero‑Trust解説

エッジコンピューティングはデータ生成源に近い場所で処理を行い、遅延や帯域コストを削減するアーキテクチャです。

: GCP

2026年までのGCP料金改定に完全対応！現場ですぐ使える4つのコスト最適化柱

GCP の料金改定に合わせて未使用リソース削減、割引活用、AI 推薦、可視化・予算管理の5本柱でコストを最適化し、20%以上削減できる実践手順を紹介します。

: GCP

BigQuery の GEOGRAPHY 型と GIS 関数入門 – WGS84 とデータインポート

BigQuery の GEOGRAPHY 型は WGS84 測地系のみを使用し、ST_GEOGPOINT や ST_DISTANCE などの GIS 関数で空間分析が可能です。インポート方法やパフォーマンス最適化も解説します。

: GCP

BigQueryの料金構造とコスト削減完全ガイド（2026年版）

BigQuery のコストは「ストレージ」「オンデマンドクエリ（スキャン量）」「コンピュート（予約スロット／Flex スロット）」の3要素で決まり、最適化すれば無駄な支出を抑えられます。

: GCP

2024〜2026年のGCP料金改定とコスト最適化完全ガイド

本記事では、2024〜2026年のGCP料金改定ポイントと新割引制度、RecommenderやAI自動最適化ツール、未使用リソース削除フロー、Compute・ストレージコスト削減手法を網羅的に解説します。

GeminiとGoogle Cloud最新機能概観と活用事例（2026年アップデート）

MCP（Model Context Protocol）で実現するAIエージェント連携と業務自動化