【CA.ai #3】Google ADKを活用したAI Agent開発と運用知見

Transcript

1. Google ADKを活用した AI Agent開発と運用知見 2025/11/19 「CA.ai#3 〜事例から学ぶ実践 AIエージェント開発〜」 株式会社サイバーエージェント MIU AI戦略本部 原 和希
2. 1.導入の背景 2.Google ADKとは？ 3.品質向上テクニック 4.UI/UX 5.Observability 6.Deployment 7.おわりに
3. 原 和希 株式会社サイバーエージェント / MIU AI戦略本部 AIエンジニア • Google Developer Experts (Google Cloud: AI) • CyberAgent Developer Experts (Google Cloud/ ML) • X: @harappa80
4. AI Agentを開発している方 ✋
5. ADKを使って開発している方 ✋
6. 今日話すこと /話さないこと 【今日話すこと 󰢏】 • ADKでできることの紹介 • 自社での開発を通して得られた知見 【今日は話さないこと 󰢃】 • 作成しているAI Agentの具体的な仕様
7. 今日のゴール 【ADKにまだ詳しくない方】 • ADKがAgent Frameworkの 候補の1つになる • Agent開発のTipsを知り、活かせる 【既にADKを使っている方】 • ADKをより使いこなす • 情報共有・議論をしましょう！ （懇親会でぜひ🍻）
8. 導入の背景
9. 開発しているアプリケーション とあるメディアサイトの記事校正支援用 AI Agent 📝 • 業務効率化が目的 • 社内用のWebアプリケーションとして提供
10. 開発過程 n8nで開発をはじめた ◦ ローコードで早く開発・展開することが狙い ◦ Agent機能もあり、ツールも多く、初期段階はスムーズに進んだ
11. 開発過程 ワークフローが肥大化 • 管理コストの増大、属人化が加速 • メモリー不足が発生 柔軟性が乏しい • 結局コードノードにPythonコードを書いていた ◦ 使用できるPythonライブラリに制限
12. 開発過程 n8nからADKへと移行（ LangGraphも候補） ◦ Coding Agentの成長と普及もあり、エンジニアなら コードを書いた方が早く・高品質 ◦ ツール連携を活用しつつ、自由度高く開発ができる
13. ローコードツール or Agent Framework ローコードツール • 簡易的なAI機能の開発 • 素早く作れて便利 • 非エンジニアにも👍 Agent Framework • 中-高程度の規模/ サービスイン • Coding Agentを使って時短 • エンジニア向け
14. Google ADKとは？
15. ADKとは？ - https://github.com/google/adk-python - https://github.com/google/adk-java - https://github.com/google/adk-go - https://github.com/google/adk-js • Agent Development Kit • AIエージェント開発のフレームワーク • Googleが開発主導しているOSS • 2025年4月に公開 • Python, Java, Go, TypeScript版がある ◦ Pythonが一番開発・利用が盛ん
16. ADKを採用した理由 •使い慣れたGoogle Cloudとの連携 •Google Workspaceとの連携 •複数プロバイダーのモデルを利用できる •利用可能なToolが豊富
17. 基本的なAgent定義方法 ※ gemini-3-pro-previewも既に使えます！
18. ADK Web 開発用のWebUI イベントやトレース、Stateの確認・ 評価などが可能 •adk web コマンドで起動 •ノーコードでのAgent構築にも対応 ◦ Visual Agent Builder
20. Agent Type Agent Typeのコンポーネントが大きく3種類 • LLM Agent • Workflow Agent ◦ Sequential ◦ Parallel ◦ Loop • Custom Agent これらを組み合わせて Agentシステムを構築
21. 任意のLLMを使用可能 https://www.litellm.ai/ • モデルのロックインは避けたい ◦ LLMの性能向上は日進月歩 • LiteLLMにより、 Google以外のベンダー / 独自モデル を利用可能 ※ Geminiとの相性が一番よい (Google検索, Context Cashなど)
22. 豊富なツールを利用可能 • ADK組み込みのツール • LangChain, CrewAI のツール • MCP https://google.github.io/adk-docs/tools/
23. 品質向上テクニック
24. 専門家チームをつくる設計思想
25. 1つのLlmAgentに全てを任せると … • Tool選択の難易度が上昇 : ◦ 多数のツールを持つと、どれをいつ使うかの判断が困難 • Contextの肥大化: ◦ コンテキストを圧迫し、コスト増加と精度低下を招く • 品質改善・デバッグが困難 : ◦ 役割・依存関係が曖昧になる 例: 「旅行プラン作成もレビューも予約も全部やるLlmAgent」
26. マルチエージェントにする 役割ごとに SubAgentに分割し、専門タスクに集中させる • 役割： ◦ ”同じ情報・目的” を共有する単位 ◦ 業務効率化の場合、 1業務として切り出せるか • SubAgentをLlmAgentやWorkflow Agentなどでオーケストレーション 例: 「プラン作成Agent」「レビューAgent」「予約実行Agent」
27. マルチエージェントのメリット • 品質改善 ◦ SubAgentごとにプロンプトやロジックの改善が可能 • デバッグが容易に ◦ バグ発生時にどのAgentが原因かを特定しやすい • 再利用性の向上 ◦ 共通処理は他のAgentシステムでも使える
28. レビュープロセスを組み込む 一定の基準に達するまで「生成 →レビュー→再生成」を繰り返す • Reflectionパターン • 一度の生成で高品質を実現するのは困難 なため • LoopAgentで実装可能 Loop Agent LlmAgent 【校正内容生成】 LlmAgent 【レビュー】
29. チェックリストを作成 レールを敷いて、タスクの抜け漏れ・無駄な作業を省く • 実行タスクのチェックリストを作成 (例: Claude Code) • Plannerには強力な推論モデルをアサイン ◦ BuildinPlanner(Gemini), PlanReActPlanner(その他) • 指示が曖昧: フォローアップ or 指示拡張するLlmAgentを前段に配置 Sequential Agent LlmAgent(Planner使用) 【チェックリスト生成】 LlmAgent(Tool利用) 【タスク実行】
30. モデルを適材適所で使い分ける 生成品質・コスト・レイテンシの観点で決定 • 最先端モデル(Gemini-2.5-Proなど)： ◦ 実行計画を立てる時 ◦ 最終的な出力を生成する時 • 軽量モデル (Gemini-2.5-Flashなど)： ◦ Web検索など、ツールの実行タスク
31. 複数のモデルで並列生成 並列で生成を行い、結果を統合する • 同様のタスクでもLLMによって出力傾向が異なる • Parallel Agentで実装可能 LLM Agent (結果を統合) Sequential Agent 参考: https://google.github.io/adk-docs/agents/workflow-agents/parallel-agents/
32. 動的/固定ルーティングの使い分け 何でもかんでも LLMにルーティングをさせない • 現状はAgenticな動的ルーティングは完璧ではない • ハイブリッドに採用 ◦ 決定論的なタスク: Sequential Agent ◦ 柔軟性が必要なタスク: LlmAgent 業務プロセスを分解、性質を見極めて決定することが重要
33. CustomAgentの活用 https://google.github.io/adk-docs/agents/custom-agents/
34. CustomAgentの活用 任意のロジックを組み込みたいケース • LLM介さないロジック ◦ 例: Webから記事を取得, 外部APIを使用 • LLMAgentのツール実行でも関数を呼べるが、注意が必要 ◦ ツールを“必ず実行してくれる”とは限らない
35. CustomAgent ＋ Sequential Agent 「毎回実行したい」「決定論的に流したい」場合の解決策 • LlmAgentによるミスを低減 • 確実に処理を実行できるフローを構築できる Sequential Agent CustomAgent 【Web記事取得】 CustomAgent 【マークダウン変換】 LlmAgent 【記事要約】
36. CustomAgentの実装方法 • BaseAgentを継承してクラスを作成 • 実行ロジックを非同期メソッド内(_run_async_impl)に実装 • セッション状態(ctx.session.state)を使用して、データ受け渡し
38. output_schemaで出力形式を固定 フローの安定性・アプリケーション側での取扱いが向上 • 出力をJSON形式に固定 (内部で専用ツールを呼び出して固定) • PydanticのBaseModelで定義 • 後続のAgentが生成物を参照しやすく
39. リトライの実装 レートリミットやリソース不足でのエラーを低減 • LlmAgentにリトライを設定しておく ◦ Geminiではretry_options ◦ LiteLlmではretry_policy 参考：Gen AI SDK & ADK で実装する 429 エラーのリトライ＆フォールバック戦略
40. Contextを上手く管理しよう Contextに何が挿入されるのかを丁寧に設計・把握 不必要なものを与えない • トークン数が増加すると... ◦ Contextから情報を正確に参照するのが困難に ◦ レスポンスが悪化 ◦ コストも増加 Context Rot: How Increasing Input Tokens Impacts LLM Performance
41. Context管理のテクニック • LlmAgentのinclude_context ◦ 会話履歴を参照するか決める • Context Compression ◦ 会話履歴を要約 • Session State ◦ 必要なStateのみをプロンプトに含める • BuiltInPlanner ◦ ThinkingConfigのinclude_thoughtsを設定
42. UI/UX
43. どのような UIで提供するか 文章校正アプリケーションでは、 • フォーム形式の UI ◦ 柔軟な応答を必要としない機能なため • ユーザー応答は逐次、選択形式(ボタン/ チェックボックス )で取得
44. 「AI Agent = チャットアプリ」ではない 目的に合わせた UIで実装することが重要 チャット形式 : 想定する入力の柔軟性・機能のカバー範囲が広いケース
45. AI Agentの処理プロセスを見える化 • AI Agentはどうしてもレイテンシが高くなる • ユーザーの待ち時間に安心感を与える 【導入例】 • 実行しているSubAgentやToolの情報を表示 • タスク全体の何%が完了しているか → ADKのEventを取得して、フロントエンドで表示 (参考: https://google.github.io/adk-docs/events/ )
46. Human-in-the-Loopを組み込む 100%意図している出力を得ることは困難 → 人間を介入させることで、品質を担保する • 生成物の確認やステップ実行に人間が介入する ◦ 入力・編集、承認など • 承認/否認: require_confirmation • JSON形式の応答: tool_confirmation (参考: https://google.github.io/adk-docs/tools-custom/confirmation/ )
47. Human-in-the-Loopを組み込む 記事の校正アプリケーションでは、 反映する校正内容をユーザーが選択・編集可能にしている
48. Observability
49. Langfuseの活用 • ADK Webと併用して、開発時のデバッグに活用 ◦ レイテンシ・エラーの特定 • OpenTelemetry互換のサービスに対応 ◦ (一覧) • GoogleADKInstrumentorを使用して OpenTelemetryスパンを送信 https://langfuse.com/integrations/frameworks/google-adk
50. Deployment
51. デプロイ VertexAI Agent Engine/ CloudRun/ GKE と相性がよい • adk deploy cloud_run/ agent_engineコマンド 文章校正アプリケーションでは、 CloudRunにデプロイ • 社内アプリケーションであり、小規模利用 • Agent Engine固有の機能を利用しなかった (検討中)
52. デプロイ VertexAI Agent Engine: • Session Service(永続性)/Memory Bank(長期記憶)/Code Execution(コード 実行)など、固有の機能を利用したい • Gemini EnterpriseからのAgent使用を検討している GKE: • 大規模なサービスでAgentを提供する • Open Modelを同クラスタにデプロイ
53. おわりに
54. とはいえ、継続的に使われる AI Agentを作るのは大変 😿。
55. 最近思っていること • AI Agent開発の領域 (特にAgentic AI)はまだ発展途上 ◦ 我々も手探りで進めている状態 • スポット導入ではなく、根付かせるまでが重要 ◦ Agent導入が目的にならないように、業務改善を主眼に ◦ 業務を丁寧に分解・言語化していく • Agentロジックに加えて、 UI/UXを合わせた体験設計も重要 • 品質担保のためには、出力評価も重要
56. 一旦、なんでも好きな Frameworkを触ってみる • AI Agentに必要な機能や、出来る・出来ないことがわかる • ADKは頻繁に新機能がリリースされて楽しい󰞵!
57. まずはQuickstartからぜひ󰝊 https://google.github.io/adk-docs/get-started/python/
58. ご清聴ありがとうございました 🙏