11月20日、Daniela Petruzalekが「AI Agents from Scratch with Google ADK」と題した記事を公開した。AIエージェントの構築はわずか7行のPythonから始まる——Google ADKを使えば、それが誇張でないことをこのハンズオンは証明している。複数の専門エージェントが並列推論するマルチエージェントシステムの実装から、DockerfileなしのCloud Runデプロイ、Model Armorによるセキュリティ強化まで、エージェント開発の全工程を一貫して解説する内容だ。
7行から始まるエージェント構築
Google ADK(Agent Development Kit)は、Python・TypeScript/JavaScript・Java・Kotlinに対応したオープンソースのエージェント開発ツールキットだ。Gemini APIまたはVertex AI経由でGeminiとネイティブに連携し、他プロバイダのモデルもサポートする。
セットアップはPython 3.13以上と高速パッケージマネージャのuvがあれば4コマンドで完了する:
mkdir demo && cd demo
uv init
uv add "google-adk[gcp]"
uv run adk create my_agent
adk createウィザードがモデルバックエンド(Gemini APIキーまたはVertex AI)を尋ね、スターターパッケージを生成する。生成されるmy_agent/agent.pyはわずか7行だ:
from google.adk.agents.llm_agent import Agent
root_agent = Agent(
model="gemini-2.5-pro",
name="root_agent",
description="A helpful assistant for user questions.",
instruction="Answer user questions to the best of your knowledge",
)
model・name・description・instructionの4要素がADKエージェントの基本構成だ。descriptionは他のエージェントから委任先を判断する際に参照され、マルチエージェント構成になると重要度が増す。
フロントエンドを書かなくてもuv run adk webでブラウザUIが起動し、各ツール呼び出しのイベントやOpenTelemetryトレースをその場で確認できる。
マルチエージェント構成「古代の評議会」
記事の核心は、複数の専門エージェントが並列推論するマルチエージェントシステムの実装例だ。従来のシングルエージェント構成では、一つのLLMがあらゆる問いに単独で回答する。これに対してマルチエージェント構成では、それぞれ異なる専門性・指示を持つエージェントが独立して推論し、その結果を統括エージェントが統合する。観点の多様性が確保でき、単一モデルの偏りやブラインドスポットを補えるという利点がある。
記事の実装例「The Council of Ancients(古代の評議会)」では、プラトン(倫理・徳)、デカルト(方法論的懐疑)、マキャベリ(権力・実利)という3つの哲学者エージェントと、それらを統括するファシリテーターエージェントで構成される。全コードはdanicat/councilで公開されている。
並列実行を制御するmode="single_turn"
各哲学者エージェントにはmode="single_turn"を設定する。これにより、各エージェントが独立したブランチで動作し、ファシリテーターからの問いに対して3人が互いに干渉せず並列に思考できる:
from google.adk import Agent
plato = Agent(
name="plato",
model="gemini-2.5-pro",
mode="single_turn",
description="Plato of Athens: classical idealist reasoning from The Republic, Gorgias, and Phaedrus.",
static_instruction=PLATO_INSTRUCTION,
)
instructionではなくstatic_instructionを使っている点も押さえておきたい。通常のinstructionはセッション状態の変数を{variable}形式で展開するテンプレートとして動作するが、static_instructionはプレースホルダ展開を行わずテキストをそのまま渡す。
ファシリテーターへのサブエージェント登録
3人の哲学者をファシリテーターのsub_agentsに渡すだけで、ADKが各エージェントを「委任可能なツール」として自動登録する。カスタムのルーティングロジックは不要だ:
facilitator = Agent(
name="facilitator",
model="gemini-2.5-pro",
description="Impartial chair of the Council of Ancients ...",
static_instruction=FACILITATOR_INSTRUCTION,
sub_agents=[plato, descartes, machiavelli],
)
ファシリテーターの指示(FACILITATOR_INSTRUCTION)は英語の自然言語で記述する。「挨拶には直接返答し、実質的な質問には3人を並列で呼び出して冒頭論述をさせ、次にそれぞれが他の2人の論述を批評し、最後にファシリテーターが最終評決を書く」という2ラウンド構成がプレーンテキストで指示されている。
AIコーディングアシスタントとの連携
ADKは進化が速いフレームワークであり、コーディングアシスタントが古いAPI仕様でコードを生成してしまうリスクがある。記事では、ClaudeやAntigravity(GoogleのAIコーディングアシスタント)で開発する場合の対策として、google/skillsやGoogle Developer Knowledge MCPをアシスタントに接続する方法を紹介している。これにより最新のADKドキュメントをコンテキストとして与えられ、陳腐化した補完を防げる。コーディングアシスタントをADK開発に使う予定があれば、環境構築と合わせて設定しておくと良いだろう。
Cloud Runへのデプロイ
ローカルで動作確認が済んだら、DockerfileなしでGoogle Cloud Runにデプロイできる。Google Cloud BuildpacksがPythonを検出し、依存関係のインストールとコンテナイメージ化を自動で行う:
gcloud run deploy council-of-ancients \
--source . \
--region us-central1 \
--no-allow-unauthenticated \
--session-affinity \
--min-instances=0
各フラグの意図は明確だ。--no-allow-unauthenticatedでエンドポイントをIAM認証の背後に置きAPIクォータの無断消費を防ぐ。--session-affinityでインメモリセッション利用中の同一ブラウザからのリクエストを同一コンテナに誘導する。--min-instances=0でアイドル時はゼロスケールする。
サービスは非公開のため、ブラウザから直接アクセスすると403 Forbiddenになる。ローカルのIAM認証情報でトンネルを張る:
gcloud run services proxy council-of-ancients \
--region us-central1 \
--port 8080
注意点として、--session-affinity使用時のインメモリセッションはコンテナ再起動やスケールアウトで消える。本番投入前にCloud SQLやMongoDBなど永続バックエンドへの移行が必要だ。
Model Armorによるセキュリティ強化
フリーテキストを受け取るエージェントは、プロンプトインジェクション(悪意ある指示を通常のメッセージに埋め込む攻撃)やジェイルブレイク(システムプロンプトの制約を無効化する操作)のリスクにさらされる。モデルの返答からPII(個人識別情報)が漏洩する問題もある。
Google Cloud Model Armorはプロンプトがモデルに届く前に検査し、返答がユーザーに届く前にスクリーニングする。google-adk[gcp]にプラグインが同梱されており、ルートエージェントに一度アタッチするだけで、全サブエージェントの入出力が自動的に保護される:
from google.adk.apps import App
from google.adk.integrations.model_armor import ModelArmorConfig, ModelArmorPlugin
app = App(
name="council_of_ancients",
root_agent=facilitator,
plugins=[
ModelArmorPlugin(
config=ModelArmorConfig(
prompt_template_name=config.model_armor_prompt_template,
response_template_name=config.model_armor_response_template,
block_on_screening_failure=True,
)
)
],
)
block_on_screening_failure=Trueはフェイルクローズ(fail closed)の設定だ。Model Armorに到達できない・設定ミスがある場合、リクエストをスクリーニングなしで通過させるのではなくブロックする。
ポリシーはPythonコードではなくGoogle Cloud上のテンプレートJSONで管理するため、エージェントを再デプロイせずにフィルタ閾値の調整や新しい分類器の採用が可能だ。
詳細はAI Agents from Scratch with Google ADKを参照していただきたい。