このページは Cloud Translation API によって翻訳されました。

Agent2Agent エージェントを使用して Google Chat アプリを構築する

このページでは、Google Chat で動作し、Agent2Agent（A2A）プロトコルを使用する AI エージェントと連携する Google Workspace アドオンを構築する方法について説明します。Agent Development Kit（ADK）を使用してエージェントを開発し、Vertex AI Agent Engine でホストします。

AI エージェントは、環境を自律的に認識し、推論を行い、定義された目標を達成するために複数のステップで構成される複雑なアクションを実行します。このチュートリアルでは、Gemini と Google 検索のグラウンディングを使用して事実を批判し、修正する LLM Auditor マルチエージェントサンプルをデプロイします。

Chat 用アプリとしての LLM Auditor マルチエージェントサンプル。

次の図は、アーキテクチャとメッセージングパターンを示しています。

A2A AI エージェントで実装された Chat 用アプリのアーキテクチャ。

この図では、A2A エージェントで実装された Chat 用アプリを操作するユーザーの情報フローは次のようになります。

ユーザーが、ダイレクトメッセージまたは Chat スペースで Chat 用アプリにメッセージを送信します。
Apps Script または HTTP エンドポイントを持つウェブサーバーとして実装された Chat 用アプリのロジックが、メッセージを受信して処理します。
Vertex AI Agent Engine でホストされている A2A エージェントが、インタラクションを受信して処理します。
必要に応じて、Chat 用アプリまたは AI エージェントを Google Workspace サービス（カレンダー、スプレッドシートなど）や、Google サービス（Google マップ、YouTube など）と統合できます。
Chat 用アプリは、Google Chat API を使用して AI エージェントの進行状況を伝達し、非同期でレスポンスを送信します。
回答がユーザーに配信されます。

目標

環境をセットアップする。
A2A エージェントをデプロイします。
Chat 用アプリをデプロイします。
Chat 用アプリを構成します。
Chat 用アプリをテストします。

前提条件

Google Chat へのアクセス権を持つ Business または Enterprise の Google Workspace アカウント。
課金を有効にした Google Cloud プロジェクト。既存のプロジェクトで課金が有効になっていることを確認するには、プロジェクトの課金ステータスを確認するをご覧ください。プロジェクトを作成して課金管理を設定するには、Google Cloud プロジェクトを作成するをご覧ください。
LLM Auditor ADK エージェントの前提条件
- Python 3.11 以降: インストールについては、公式の Python ウェブサイトの手順に沿って操作してください。
- Python Poetry: インストールについては、Poetry の公式ウェブサイトの手順に沿って操作してください。
- Google Cloud CLI: インストールについては、Google Cloud の公式ウェブサイトの手順に沿って操作してください。

環境の設定

Google Cloud APIs を有効にする

Google API を使用する前に、Google Cloud プロジェクトで API を有効にする必要があります。1 つの Google Cloud プロジェクトで 1 つ以上の API を有効にできます。

Google Cloud コンソールで、Google Chat、Vertex AI、Cloud Resource Manager の各 API を有効にします。

API を有効にする

OAuth 同意画面を構成する

OAuth 2.0 を使用するすべてのアプリで、同意画面の構成が必要です。アプリの OAuth 同意画面を構成することで、ユーザーとアプリの審査担当者に表示されるものを定義し、後でアプリを公開できるようにアプリを登録します。

Google Cloud コンソールで、メニュー > Google Auth platform > [ブランディング] に移動します。
[ブランディング] に移動
Google Auth platformをすでに構成している場合は、[ブランディング]、[対象]、[データアクセス] で次の OAuth 同意画面の設定を構成できます。[Google Auth platform まだ設定されていません] というメッセージが表示された場合は、[使ってみる] をクリックします。

[アプリ情報] の [アプリ名] に、アプリの名前を入力します。
[ユーザーサポートメール] で、ユーザーが同意について問い合わせる際に使用するサポートのメールアドレスを選択します。
[続行] をクリックします。
[対象] で [内部] を選択します。
[続行] をクリックします。
[連絡先情報] で、プロジェクトに対する変更の通知を受け取るメールアドレスを入力します。
[続行] をクリックします。
[完了] で、Google API サービスのユーザーデータに関するポリシーを確認し、同意する場合は [Google API サービス: ユーザーデータに関するポリシーに同意します] を選択します。
[続行] をクリックします。
[作成] をクリックします。

現時点では、スコープの追加はスキップできます。今後、Google Workspace 組織外で使用するアプリを作成する場合は、[ユーザータイプ] を [外部] に変更する必要があります。次に、アプリに必要な認可スコープを追加します。詳細については、OAuth 同意画面を構成するの完全なガイドをご覧ください。

Google Cloud コンソールでサービスアカウントを作成する

次の手順に沿って、ロール Vertex AI User を持つ新しいサービスアカウントを作成します。

Google Cloud コンソール

Google Cloud コンソールで、メニュー > [IAM と管理] > [サービスアカウント] に移動します。
[サービスアカウント] に移動
[サービスアカウントを作成] をクリックします。
サービスアカウントの詳細を入力し、[作成して続行] をクリックします。
注: デフォルトでは、Google は一意のサービスアカウント ID を作成します。ID を変更する場合は、サービスアカウント ID フィールドで ID を変更します。
省略可: サービスアカウントにロールを割り当て、Google Cloud プロジェクトのリソースへのアクセス権を付与します。詳細については、リソースへのアクセス権の付与、変更、取り消しをご覧ください。
[続行] をクリックします。
省略可: このサービスアカウントを管理してアクションを実行できるユーザーまたはグループを入力します。詳細については、サービスアカウントの権限借用を管理するをご覧ください。
[完了] をクリックします。サービスアカウントのメールアドレスをメモします。

gcloud CLI

サービスアカウントを作成します。

gcloud iam service-accounts create SERVICE_ACCOUNT_NAME \
  --display-name="SERVICE_ACCOUNT_NAME"

省略可: サービスアカウントにロールを割り当て、Google Cloud プロジェクトのリソースへのアクセス権を付与します。詳細については、リソースへのアクセス権の付与、変更、取り消しをご覧ください。

サービスアカウントが [サービスアカウント] ページに表示されます。

秘密鍵を作成する

サービスアカウントの秘密鍵を作成してダウンロードする手順は次のとおりです。

Google Cloud コンソールで、メニュー > [IAM と管理] > [サービスアカウント] に移動します。
[サービスアカウント] に移動
サービスアカウントを選択します。
[鍵] > [鍵を追加] > [新しい鍵を作成] をクリックします。
[JSON] を選択し、[作成] をクリックします。
新しい公開鍵と秘密鍵のペアが生成され、新しいファイルとしてパソコンにダウンロードされます。ダウンロードした JSON ファイルを作業ディレクトリに credentials.json として保存します。このファイルはこの鍵の唯一のコピーです。キーを安全に保存する方法については、サービスアカウントキーの管理をご覧ください。
[閉じる] をクリックします。

サービスアカウントの詳細については、Google Cloud IAM ドキュメントのサービスアカウントをご覧ください。

A2A エージェントをデプロイする

まだ行っていない場合は、Google Cloud アカウントで認証し、Google Cloud プロジェクトを使用するように Google Cloud CLI を構成します。
```
gcloud auth application-default login
gcloud config set project PROJECT_ID
gcloud auth application-default set-quota-project PROJECT_ID
```
PROJECT_ID は実際の Cloud プロジェクトの ID に置き換えます。
次のボタンを使用して、ADK サンプル GitHub リポジトリをダウンロードします。

adk-samples をダウンロードする
任意のローカル開発環境で、ダウンロードしたアーカイブファイルを抽出し、adk-samples/python/agents/llm-auditor ディレクトリを開きます。
```
unzip adk-samples-main.zip
cd adk-samples-main/python/agents/llm-auditor
```

実装を更新して、ADK エージェントを A2A リモートエージェントとしてデプロイします。

pyproject.toml: デプロイグループに ADK と A2A SDK の依存関係を追加します。

apps-script/chat/a2a-ai-agent/llm-auditor/pyproject.toml

GitHub で表示

[project]
name = "llm-auditor"
version = "0.1.0"
description = "The LLM Auditor evaluates LLM-generated answers, verifies actual accuracy using the web, and refines the response to ensure alignment with real-world knowledge."
authors = [
    { name = "Chun-Sung Ferng", email = "csferng@google.com" },
    { name = "Cyrus Rashtchian", email = "cyroid@google.com" },
    { name = "Da-Cheng Juan", email = "dacheng@google.com" },
    { name = "Ivan Kuznetsov", email = "ivanku@google.com" },
]
license = "Apache License 2.0"
readme = "README.md"

[tool.poetry.dependencies]
python = "^3.10"
google-adk = "^1.0.0"
google-cloud-aiplatform = { extras = [
    "adk",
    "agent-engines",
], version = "^1.93.0" }
google-genai = "^1.9.0"
pydantic = "^2.10.6"
python-dotenv = "^1.0.1"

[tool.poetry.group.dev]
optional = true

[tool.poetry.group.dev.dependencies]
google-adk = { version = "^1.0.0", extras = ["eval"] }
pytest = "^8.3.5"
pytest-asyncio = "^0.26.0"

[tool.poetry.group.deployment]
optional = true

[tool.poetry.group.deployment.dependencies]
absl-py = "^2.2.1"
google-adk = "^1.0.0"
a2a-sdk = "^0.3.0"

[build-system]
requires = ["poetry-core>=2.0.0,<3.0.0"]
build-backend = "poetry.core.masonry.api"

deployment/deploy.py: ADK アプリのデプロイを A2A エージェントとカードに置き換えます。

apps-script/chat/a2a-ai-agent/llm-auditor/deployment/deploy.py

GitHub で表示

# Copyright 2025 Google LLC
#
# Licensed under the Apache License, Version 2.0 (the "License");
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#
#     http://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an "AS IS" BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.

"""Deployment script for LLM Auditor."""

import os

from absl import app
from absl import flags
from dotenv import load_dotenv
from llm_auditor.agent import root_agent
import vertexai
from vertexai import agent_engines

# A2A wrapping
from a2a.types import AgentSkill
from google.adk.a2a.executor.a2a_agent_executor import A2aAgentExecutor
from google.adk.runners import InMemoryRunner
from vertexai.preview.reasoning_engines.templates.a2a import create_agent_card
from vertexai.preview.reasoning_engines import A2aAgent

FLAGS = flags.FLAGS
flags.DEFINE_string("project_id", None, "GCP project ID.")
flags.DEFINE_string("location", None, "GCP location.")
flags.DEFINE_string("bucket", None, "GCP bucket.")
flags.DEFINE_string("resource_id", None, "ReasoningEngine resource ID.")

flags.DEFINE_bool("list", False, "List all agents.")
flags.DEFINE_bool("create", False, "Creates a new agent.")
flags.DEFINE_bool("delete", False, "Deletes an existing agent.")
flags.mark_bool_flags_as_mutual_exclusive(["create", "delete"])


def create() -> None:
    """Creates an agent engine for LLM Auditor."""
    agent_card = create_agent_card(
        agent_name=root_agent.name,
        description=root_agent.description,
        skills=[AgentSkill(
            id='audit_llm_output',
            name='Audit LLM Output',
            description='Critiques and revises outputs from large language models.',
            tags=['LLM', 'Audit', 'Revision'],
            examples=[
                'The earth is flat.',
                'The capital of France is Berlin.',
                'The last winner of the Super Bowl was the New England Patriots in 2020.',
            ],
        )]
    )
    a2a_agent = A2aAgent(
        agent_card=agent_card,
        agent_executor_builder=lambda: A2aAgentExecutor(
            runner=InMemoryRunner(
                app_name=root_agent.name,
                agent=root_agent,
            )
        )
    )
    a2a_agent.set_up()

    remote_agent = agent_engines.create(
        a2a_agent,
        display_name=root_agent.name,
        requirements=[
                "google-adk (>=0.0.2)",
                "google-cloud-aiplatform[agent_engines] (>=1.88.0,<2.0.0)",
                "google-genai (>=1.5.0,<2.0.0)",
                "pydantic (>=2.10.6,<3.0.0)",
                "absl-py (>=2.2.1,<3.0.0)",
                "a2a-sdk>=0.3.22",
                "uvicorn",
        ],
        # In-memory runner
        max_instances=1,
        env_vars ={
            "NUM_WORKERS": "1"
        },
        extra_packages=["./llm_auditor"],
    )
    print(f"Created remote agent: {remote_agent.resource_name}")


def delete(resource_id: str) -> None:
    remote_agent = agent_engines.get(resource_id)
    remote_agent.delete(force=True)
    print(f"Deleted remote agent: {resource_id}")


def list_agents() -> None:
    remote_agents = agent_engines.list()
    TEMPLATE = '''
{agent.name} ("{agent.display_name}")
- Create time: {agent.create_time}
- Update time: {agent.update_time}
'''
    remote_agents_string = '\n'.join(TEMPLATE.format(agent=agent) for agent in remote_agents)
    print(f"All remote agents:\n{remote_agents_string}")

def main(argv: list[str]) -> None:
    del argv  # unused
    load_dotenv()

    project_id = (
        FLAGS.project_id
        if FLAGS.project_id
        else os.getenv("GOOGLE_CLOUD_PROJECT")
    )
    location = (
        FLAGS.location if FLAGS.location else os.getenv("GOOGLE_CLOUD_LOCATION")
    )
    bucket = (
        FLAGS.bucket if FLAGS.bucket
        else os.getenv("GOOGLE_CLOUD_STORAGE_BUCKET")
    )

    print(f"PROJECT: {project_id}")
    print(f"LOCATION: {location}")
    print(f"BUCKET: {bucket}")

    if not project_id:
        print("Missing required environment variable: GOOGLE_CLOUD_PROJECT")
        return
    elif not location:
        print("Missing required environment variable: GOOGLE_CLOUD_LOCATION")
        return
    elif not bucket:
        print(
            "Missing required environment variable: GOOGLE_CLOUD_STORAGE_BUCKET"
        )
        return

    vertexai.init(
        project=project_id,
        location=location,
        staging_bucket=f"gs://{bucket}",
    )

    if FLAGS.list:
        list_agents()
    elif FLAGS.create:
        create()
    elif FLAGS.delete:
        if not FLAGS.resource_id:
            print("resource_id is required for delete")
            return
        delete(FLAGS.resource_id)
    else:
        print("Unknown command")


if __name__ == "__main__":
    app.run(main)

ADK エージェント専用の新しい Cloud Storage バケットを作成します。
```
gcloud storage buckets create gs://CLOUD_STORAGE_BUCKET_NAME --project=PROJECT_ID --location=PROJECT_LOCATION
```
次のように置き換えます。
1. CLOUD_STORAGE_BUCKET_NAME は、使用する一意のバケット名に置き換えます。
2. PROJECT_ID は実際の Cloud プロジェクトの ID に置き換えます。
3. PROJECT_LOCATION は、Cloud プロジェクトのロケーションに置き換えます。
次の環境変数を設定します。
```
export GOOGLE_GENAI_USE_VERTEXAI=true
export GOOGLE_CLOUD_PROJECT=PROJECT_ID
export GOOGLE_CLOUD_LOCATION=PROJECT_LOCATION
export GOOGLE_CLOUD_STORAGE_BUCKET=CLOUD_STORAGE_BUCKET_NAME
```
次のように置き換えます。
1. CLOUD_STORAGE_BUCKET_NAME は、作成したバケットの名前に置き換えます。
2. PROJECT_ID は実際の Cloud プロジェクトの ID に置き換えます。
3. PROJECT_LOCATION は、Cloud プロジェクトのロケーションに置き換えます。

仮想環境から ADK エージェントをインストールしてデプロイします。

python3 -m venv myenv
source myenv/bin/activate
poetry install --with deployment
python3 deployment/deploy.py --create

エージェント ID を取得します。この情報は、後で Chat 用アプリを構成するときに必要になります。
```
python3 deployment/deploy.py --list
```

Chat 用アプリのプロジェクトを作成して構成する

次のボタンをクリックして、A2A AI エージェントのクイックスタート Apps Script プロジェクトを開きます。

プロジェクトを開く
[概要] > [コピーを作成] をクリックします。
Apps Script プロジェクトで、 [プロジェクトの設定] > [スクリプトのプロパティを編集] > [スクリプトのプロパティを追加] をクリックして、次のスクリプトのプロパティを追加します。
1. REASONING_ENGINE_RESOURCE_NAME は、前の手順でコピーした Vertex AI エージェントのリソース名に置き換えます。
2. SERVICE_ACCOUNT_KEY は、前の手順でダウンロードしたサービスアカウントの JSON キー（{ ... } など）に置き換えます。
[スクリプトプロパティを保存] をクリックします。
Google Cloud コンソールで、メニューアイコン > [IAM と管理] > [設定] に移動します。

[IAM と管理] の [設定] に移動
[プロジェクト番号] フィールドで、値をコピーします。
Apps Script プロジェクトで、 [プロジェクトの設定] をクリックします。
[Google Cloud Platform（GCP）プロジェクト] で、[プロジェクトを変更] をクリックします。
[GCP プロジェクト番号] に、前の手順でコピーした Google Cloud プロジェクト番号を貼り付けます。
[プロジェクトを設定] をクリックします。これで、Cloud プロジェクトと Apps Script プロジェクトが接続されました。

テストデプロイを作成する

次のステップで使用できるように、この Apps Script プロジェクトのデプロイ ID が必要です。

ヘッドデプロイ ID を取得するには、次の操作を行います。

Chat 用アプリの Apps Script プロジェクトで、[デプロイ] > [デプロイをテスト] をクリックします。
[ヘッドデプロイ ID] で、 [コピー] をクリックします。
[完了] をクリックします。

Chat 用アプリを構成する

Apps Script のデプロイを使用して、次の手順でテスト用の Google Chat アプリをデプロイします。

コンソールで Google Chat API を検索し、[Google Chat API] をクリックします。
[管理] をクリックします。
[構成] をクリックして、Chat 用アプリを設定します。
1. [アプリ名] フィールドに「A2A Quickstart」と入力します。
2. [アバターの URL] フィールドに「https://developers.google.com/workspace/add-ons/images/quickstart-app-avatar.png」と入力します。
3. [説明] フィールドに「A2A Quickstart」と入力します。
4. [機能] で、[スペースとグループの会話に参加する] を選択します。
5. [接続設定] で [Apps Script プロジェクト] を選択します。
6. [Deployment ID] フィールドに、先ほどコピーした Head デプロイ ID を貼り付けます。
7. [公開設定] で、[ドメイン内の特定のユーザーとグループ] を選択し、メールアドレスを入力します。
[保存] をクリックします。

Chat アプリでメッセージに返信できるようになりました。

Chat アプリをテストする

Chat 用アプリをテストするには、Chat 用アプリとのダイレクトメッセージスペースを開いてメッセージを送信します。

信頼できるテスターとして登録した際に指定した Google Workspace アカウントを使用して、Google Chat を開きます。

Google Chat に移動
[ チャットを新規作成] をクリックします。
[ユーザーを 1 人以上追加] フィールドに、Chat 用アプリの名前を入力します。
検索結果から Chat 用アプリを選択します。ダイレクトメッセージが開きます。

注: 結果のリストに Chat 用アプリが表示されない場合は、Google Cloud コンソールの Chat API 構成ページの [公開設定] に Google Workspace アカウントが含まれていることを確認してください。
そのアプリの新しいダイレクトメッセージに、「The Eiffel Tower was completed in 1900」と入力して enter を押します。

Chat 用アプリは、批評家と校正者のサブエージェントのレスポンスで返信します。

信頼できるテスターを追加してインタラクティブ機能のテストについて詳しくは、Google Chat 用アプリのインタラクティブ機能をテストするをご覧ください。

トラブルシューティング

Google Chat 用アプリまたはカードがエラーを返すと、Chat インターフェースに「エラーが発生しました」というメッセージが表示されます。または「リクエストを処理できません。」と表示されます。Chat UI にエラーメッセージが表示されない場合でも、Chat 用アプリやカードで予期しない結果が生じることがあります。たとえば、カードメッセージが表示されないことがあります。

Chat UI にエラーメッセージが表示されない場合でも、Chat 用アプリのエラーロギングが有効になっている場合は、エラーの修正に役立つ説明的なエラーメッセージとログデータを利用できます。エラーの表示、デバッグ、修正については、Google Chat のエラーのトラブルシューティングと修正をご覧ください。

クリーンアップ

このチュートリアルで使用したリソースについて、Google Cloud アカウントに課金されないようにするには、Cloud プロジェクトを削除することをおすすめします。

注意: プロジェクトを削除すると、次のような影響があります。

プロジェクト内のすべてのものが削除されます。このチュートリアルで既存のプロジェクトを使用した場合、それを削除すると、そのプロジェクトで行った他の作業もすべて削除されます。
カスタムプロジェクト ID が失われます。このプロジェクトを作成したときに、将来使用するカスタムプロジェクト ID を作成した可能性があります。appspot.com の URL など、プロジェクト ID を使用する URL を保持するには、プロジェクト全体ではなく、プロジェクト内の選択したリソースを削除します。

複数のチュートリアルとクイックスタートを実施する予定がある場合は、プロジェクトを再利用すると、プロジェクトの割り当て上限を超えないようにできます。

Google Cloud コンソールで、[リソースの管理] ページに移動します。メニュー アイコン > [IAM と管理] > [リソースの管理] をクリックします。
Resource Manager に移動します。
プロジェクトリストで、削除するプロジェクトを選択し、[削除] をクリックします。
ダイアログでプロジェクト ID を入力し、[シャットダウン] をクリックしてプロジェクトを削除します。