Vertex AI Agent Builder

解決する課題

• 基盤モデルだけでは社内ドキュメントや最新情報を知らず、自社データに基づいた回答を返せない
• RAG（検索拡張生成）の仕組みを、検索基盤・埋め込み・取り込みパイプラインまでゼロから自作するのは負担が大きい
• 公開サイトや社内ナレッジに、Google 品質の高精度なエンタープライズ検索を組み込みたい
• 問い合わせや業務手続きを、ツール呼び出しや外部 API 連携を伴うAI エージェントに任せたい
• 生成 AI の回答に出典（引用）や根拠付けを付けて、利用者が検証できる形で提供したい

主要概念と用語

• Vertex AI Agent Builder: 検索・推薦・会話エージェントなど、自社データに根拠付けした生成 AI アプリをコード中心でもノーコードでも構築できるプラットフォーム
• データストア（Data Store）: ウェブサイト・非構造化ドキュメント・構造化データなどを取り込む受け皿。検索やエージェントの根拠（グラウンディング）元になる
• アプリ / エンジン（App / Engine）: データストアを束ねて公開する単位。検索アプリ・チャットアプリ・推薦アプリなど用途別に作る
• グラウンディング（Grounding）: 生成結果をデータストアや Google 検索に根拠付けし、出典を添えてハルシネーションを抑える仕組み
• エージェント（Agent）: ユーザーの指示を理解し、ツールや外部 API、データストアを使って多段の処理を実行する自律的な仕組み
• ツール（Tool）: エージェントが呼び出せる機能。データストア検索、外部 API（OpenAPI 定義）、関数などを登録して使わせる
• コネクタ（Connector）: サードパーティのデータソースから定期的にデータを同期して取り込む仕組み
• RAG（検索拡張生成）: 質問に関連する文書を検索し、その内容を文脈として与えて回答を生成する手法。Agent Builder の核となる考え方

仕様・制限・クォータ

• データソースはウェブサイト・非構造化ドキュメント・構造化データなど複数種類を扱える。取り込み後はインデックス化され、検索やエージェントから参照できる
• 取り込み対象のファイル形式・サイズ・ドキュメント件数には上限があり、形式により扱いが異なる。具体的な数値は変動するため公式ドキュメントで都度確認する
• 検索・エージェントのリクエストには、プロジェクト単位のクエリ毎秒（QPS）などのレート制限がある。これらは定性的に「上限がある」と捉え、コンソールのクォータ画面で確認する
• 生成 AI による要約・回答には、基盤モデル側の入力・出力トークン上限が影響する
• リージョン単位の設定があり、**データの所在地（マルチリージョンの選択）**を取り込み前に決める必要がある
• 利用できる機能・モデルは更新が頻繁なため、対応形式や上限値は断定せず公式情報で確認する

内部の仕組み

Agent Builder の基本は RAG（検索拡張生成） です。まず**取り込み（インジェスト）**フェーズで、ウェブやドキュメントの内容を解析し、チャンク（断片）に分割して埋め込みベクトルを生成し、検索インデックスを構築します。これがデータストアの実体です。

問い合わせ時には、ユーザーの質問から関連する文書を検索（リトリーバル）で取り出し、その内容を文脈として基盤モデルに渡して回答を生成します。生成結果には参照した文書への**出典（引用）**が添えられ、根拠を辿れます。検索には Google のエンタープライズ検索技術が使われ、キーワードと意味（セマンティック）の双方を考慮します。

エージェントでは、ここにツール呼び出しの制御が加わります。モデルがユーザーの意図を解釈し、必要に応じてデータストア検索や外部 API（ツール）を選んで呼び出し、結果を踏まえて次の行動を決める、という多段の推論ループを回します。

設計パターン / ベストプラクティス

• 検索かエージェントかを切り分ける: ナレッジ検索や FAQ 回答なら検索アプリ、多段の手続きや外部 API 連携が要るならエージェントを選ぶ
• 根拠付けを前提にする: 業務利用では必ずデータストアにグラウンディングし、出典を表示して回答を検証可能にする
• 取り込み品質を整える: 重複・古い文書を除き、構造の整ったドキュメントを取り込むほど検索精度が上がる。コネクタで定期同期し鮮度を保つ
• ツールは最小限かつ明確に: エージェントに渡すツールは説明を具体的に書き、用途を絞ると誤った呼び出しが減る
• 回答の評価を回す: 想定質問のテストセットで回答品質と出典の妥当性を継続評価し、取り込みやプロンプトを改善する
• フォールバックを用意する: 根拠が見つからない質問には推測で答えさせず、「該当情報なし」と返す設計にする

運用・監視

• Cloud Logging / Cloud Monitoring で検索・エージェントのリクエスト数・レイテンシ・エラー率を監視し、健全性を把握する
• 取り込みジョブ（インジェスト）の成功・失敗とドキュメント件数を確認し、同期エラーや取りこぼしを早期に検知する
• 実際のクエリログを分析し、ヒットしない質問やフォールバック多発の傾向から取り込み内容やプロンプトを改善する
• データソースを更新したら**再取り込み（再インデックス）**のタイミングを管理し、回答の鮮度を保つ
• 生成 AI ではトークン消費量とレート制限の到達状況を監視し、必要に応じてクォータ増枠やリトライ設計を行う

コスト

セキュリティ

• IAM でアプリ・データストア・エージェントへのアクセスを最小権限に分離する（編集者と利用者のロールを分ける）
• 取り込むデータには機微情報が含まれやすいため、**アクセス制御（ドキュメント単位の権限）**を設計し、見せてよい範囲だけを検索対象にする
• 保存データは既定で暗号化され、要件に応じて CMEK（顧客管理鍵、Cloud KMS） を適用できる
• 機微なデータ境界が必要なら VPC Service Controls で外部への持ち出し経路を制限する
• エージェントに外部 API ツールを与える場合は、呼び出し先の認証と入力検証を行い、プロンプトインジェクションによる意図しないツール実行に備える

関連サービス・比較

ナレッジ根拠の会話ボットを作る用途では Dialogflow CX（Conversational Agents）と機能が重なります。会話フローの細かな状態遷移設計が中心なら Dialogflow、自社データへの根拠付き検索・回答が中心なら Agent Builder が向きます。

ハンズオン / CLI例

# 1) Discovery Engine API を有効化（Agent Builder の基盤 API）
gcloud services enable discoveryengine.googleapis.com \
  --project=MY_PROJECT

# 2) ウェブサイトを取り込むデータストアを作成
gcloud alpha discovery-engine data-stores create my-data-store \
  --project=MY_PROJECT \
  --location=global \
  --display-name="docs-store" \
  --industry-vertical=GENERIC \
  --content-config=PUBLIC_WEBSITE \
  --solution-types=SOLUTION_TYPE_SEARCH

# 3) 作成したデータストア一覧を確認
gcloud alpha discovery-engine data-stores list \
  --project=MY_PROJECT \
  --location=global

# 4) 検索エンジン（アプリ）を作成し、データストアを紐づける
gcloud alpha discovery-engine engines create my-search-engine \
  --project=MY_PROJECT \
  --location=global \
  --display-name="docs-search" \
  --data-store-ids=my-data-store \
  --solution-type=SOLUTION_TYPE_SEARCH