Agent Deployment Kit (ADK) によるAIエージェントの作成からデプロイと動作確認まで

はじめに

インフラチームのkuribo-です。

最近、Google Cloudが提供するAgent Deployment Kit（以下、ADK）を触り始めました。
Pythonで書いたAIエージェントをサクッとデプロイできるという触れ込みですが、
いざ試してみると「なぜデプロイやクエリにまでPythonスクリプトが必要なんだろう？」という点で少し戸惑いました。

この記事では、簡単な「時刻案内エージェント」を例に、ADKを使った開発からデプロイ、動作確認までの一連の流れをご紹介します。
本記事が、同じように感じた方や、これからADKを試してみようという方の第一歩を後押しできれば幸いです。

今回作成したファイル

今回作成したのは、以下の3つのPythonスクリプトです。

• agent.py: エージェント本体の定義
• deploy.py: 作成したエージェントをAgent Engineにデプロイするためのスクリプト
• query.py: デプロイしたエージェントに問い合わせするためのスクリプト

通常、Cloud Runのようなサービスでは gcloud コマンドでデプロイし、curl などで動作確認を行いますが、
Agent Engineではこれらの操作もPythonスクリプトで行うのが特徴です。

それぞれのスクリプトについて、順に説明していきます。

1. エージェントの定義 (agent.py)

まず、Agent Engineにデプロイするエージェント本体を定義します。

import datetime
from zoneinfo import ZoneInfo, ZoneInfoNotFoundError
from google.adk.agents import Agent

def get_current_time(city: str) -> dict:
    """指定された都市の現在時刻を返します。"""
    try:
        tz = ZoneInfo(city)
        now = datetime.datetime.now(tz)
        report = (
            f'The current time in {city} is {now.strftime("%Y-%m-%d %H:%M:%S %Z%z")}'
        )
        return {"status": "success", "report": report}

    except ZoneInfoNotFoundError:
        return {
            "status": "error",
            "error_message": (
                f"Sorry, I don't have timezone information for {city}."
            ),
        }

root_agent = Agent(
    name="city_time_agent",
    model="gemini-2.5-flash",
    description=(
        "問い合わせのあった都市のタイムゾーンを回答する。"
    ),
    instruction=(
        "あなたは日本語で書かれた都市の時間に関する質問に、日本語で回答する親切なエージェントです。"
        "ユーザーから日本語で都市名を受け取ったら、まず最初に対応するIANAタイムゾーン名を判断してください。"
        "IANAタイムゾーン名がわかったら、`get_current_time`ツールを使って現在時刻を取得してください。"
    ),
    tools=[get_current_time],
)

やっていることは非常にシンプルです。

1. ツールの定義: get_current_time という関数（ツール）を定義します。これは、IANAタイムゾーン名（例: Asia/Tokyo）を引数に受け取り、現在時刻を返します。
2. エージェントの定義: Agent クラスを使い、LLMモデル（Gemini）に指示（Instruction）と先ほどのツールを与え、エージェントを定義します。
3. 動作の仕組み:「イギリスの時刻は？」といった自然言語での質問をLLMが解釈し、適切なタイムゾーン名（Europe/London）を推測して get_current_time ツールを実行してくれる、という仕組みです。

2. デプロイ (deploy.py)

次に、作成したエージェントを deploy.py スクリプトを使ってAgent Engineにデプロイします。

import vertexai
from vertexai import agent_engines
from agent import root_agent


PROJECT_ID = "<your-project-id>"
LOCATION = "us-central1"
STAGING_BUCKET = "gs://<staging-bucket>"

vertexai.init(
    project=PROJECT_ID,
    location=LOCATION,
    staging_bucket=STAGING_BUCKET,
)

remote_app = agent_engines.create(
    display_name="city_time_agent",
    description="時刻案内エージェントを Agent Engine にデプロイします。",
    agent_engine=root_agent,
    requirements=[
        "google-cloud-aiplatform[adk,agent_engines]"
    ],
    extra_packages=["agent"]
)

デプロイすると以下のようなログが出ます。
(以下のログは適宜マスクしています)

$ python3 ./deploy.py
Deploying google.adk.agents.Agent as an application.
Identified the following requirements: {'google-cloud-aiplatform': '1.102.0', 'cloudpickle': '3.1.1', 'pydantic': '2.11.7'}
The following requirements are missing: {'cloudpickle', 'pydantic'}
The following requirements are appended: {'pydantic==2.11.7', 'cloudpickle==3.1.1'}
The final list of requirements: ['google-cloud-aiplatform[adk,agent_engines]', 'pydantic==2.11.7', 'cloudpickle==3.1.1']
Using bucket <staging-bucket>
Wrote to gs://<staging-bucket>/agent_engine/agent_engine.pkl
Writing to gs://<staging-bucket>/agent_engine/requirements.txt
Creating in-memory tarfile of extra_packages
Writing to gs://<staging-bucket>/agent_engine/dependencies.tar.gz
Creating AgentEngine
Create AgentEngine backing LRO: projects/<project_id>/locations/us-central1/reasoningEngines/**<resource_id>**/operations/xxxxx
View progress and logs at https://console.cloud.google.com/logs/query?project=<your-project-id>
AgentEngine created. Resource name: projects/<project_id>/locations/us-central1/reasoningEngines/**<resource_id>**
To use this AgentEngine in another session:
agent_engine = vertexai.agent_engines.get('projects/<project_id>/locations/us-central1/reasoningEngines/**<resource_id>**')

デプロイログの最後に出力される Resource name の末尾にあるID（resource_id）を、次の動作確認で使います。

3. 問い合わせ (query.py)

最後に、query.py スクリプトを使って、デプロイしたエージェントが正しく動作するか確認します。

import vertexai
from vertexai import agent_engines

PROJECT_ID = "<your-project-id>"
LOCATION = "us-central1"

vertexai.init(
    project=PROJECT_ID,
    location=LOCATION,
)

resource_id = "<resource_id>"
remote_agent = agent_engines.get(resource_id)

user_id = "kuribo-"

# 既存のセッションがないか確認するためにセッションを一覧表示
session_list = remote_agent.list_sessions(user_id=user_id).get("sessions", [])

if session_list:
    print("Found existing session, reusing it.")
    session = session_list[0]
else:
    print("No existing session found, creating a new one.")
    session = remote_agent.create_session(user_id=user_id)

for event in remote_agent.stream_query(
    user_id=user_id,
    session_id=session["id"],
    message="イギリスの現在時刻を教えて下さい",
):
    print(event)

# セッションを削除する場合に利用する
# session_list = remote_agent.list_sessions(user_id=user_id)
#
# for session in session_list["sessions"]:
#     remote_agent.delete_session(user_id=user_id, session_id=session["id"])

実行すると以下のように出力します。

{'content': {'parts': [{'text': 'イギリスのIANAタイムゾーン名はいくつかありますが、ロンドンを想定して回答します。\n\n'}, {'function_call': {'id': 'adk-8b9ed618-a997-4f0b-9e5f-f31282747c62', 'args': {'city': 'Europe/London'}, 'name': 'get_current_time'}}], 'role': 'model'}, ...}
{'content': {'parts': [{'function_response': {'id': 'adk-8b9ed618-a997-4f0b-9e5f-f31282747c62', 'name': 'get_current_time', 'response': {'status': 'success', 'report': 'The current time in Europe/London is 2025-07-22 07:52:29 BST+0100'}}}], 'role': 'user'}, ...}
{'content': {'parts': [{'text': 'ロンドンの現在時刻は、2025年7月22日 午前7時52分29秒です。\n'}], 'role': 'model'}, ...}

無事に動作しました。
実行結果から、以下のような流れで処理が行われていることがわかります。

1. エージェントがユーザーの質問「イギリスの現在時刻を教えて下さい」を解釈し、「イギリス」のタイムゾーンとして Europe/London を推測。
2. get_current_time ツールを city='Europe/London' という引数で呼び出す。
3. ツールが成功し、ロンドンの現在時刻を取得。
4. 取得した結果を基に、人間にとって分かりやすい文章で最終的な回答を生成する。

まとめ

今回は、ADKを使って自作エージェントをデプロイして動作確認するところまで解説しました。

• ADKを使えば、Pythonコードから直接AIエージェントをデプロイできる。 Cloud Runのようにサーバレスなのでとても手軽です。
• LLMが賢いので、ツールの呼び出しがいい感じ。 自然言語の指示を良しなに解釈してツールを実行してくれるため、エージェント開発が直感的になります。

情報がまだ少ない部分もありますが、ADKは、AIを活用したアプリケーション開発のハードルを大きく下げてくれる強力なツールだと感じました。
ただ、デプロイやクエリを投げるのにPythonスクリプトが必要な点は、もう少し手軽になると嬉しいなと感じました。

次は、今回デプロイしたAgent Engineを、Agentspaceから呼び出す手順についてもご紹介します。
（実はAgentspaceに繋ぐ部分を説明するための前段でした。）

参考

https://google.github.io/adk-docs/get-started/quickstart/#venv-install
https://blog.g-gen.co.jp/entry/how-to-deploy-adk-agent-to-agent-engine