Anthropic Claude Opus 4.5 et Gemini 3 sur Vertex AI avec le SDK Python via un point de terminaison Private Service Connect

1. Présentation

L'API Vertex AI est accessible sur Internet. Toutefois, dans votre entreprise, vous pouvez souhaiter accéder à l'API Vertex AI de manière privée, sans passer par Internet. Dans cet atelier, vous allez d'abord accéder à Anthropic Claude Opus 4.5 et Gemini 3 Pro sur Vertex via le SDK Python exécuté sur une instance de VM via l'Internet public.

Vous allez ensuite créer un point de terminaison Private Service Connect vers Googleapis et modifier le flux de trafic pour utiliser le point de terminaison privé afin de vous connecter à l'API Vertex.

L'exemple de code Python prendra les questions en entrée, les transmettra à Claude Opus pour générer une réponse, et cette sortie sera transmise à Gemini Pro 3 pour créer un résumé textuel et générer une image.

Dans cet atelier, vous allez créer le modèle suivant.

Figure 1.

2. Objectifs

Dans cet atelier, vous apprendrez à effectuer la tâche suivante :

• Configurer une instance de VM pour utiliser le SDK Python
• Activer la fiche de modèle Anthropic dans Vertex AI
• Se connecter à Anthropic Claude Opus 4.5 et Gemini 3 Pro via un script Python
• Configurer un point de terminaison PSC pour se connecter à Googleapis
• Configurer des entrées DNS manuelles
• Vérifier le chemin de connectivité vers Googleais
• Exécuter le script Python pour interroger les modèles

Mettre en place l'atelier

Configuration de l'environnement au rythme de chacun

1. Connectez-vous à la console Google Cloud, puis créez un projet ou réutilisez un projet existant. (Si vous ne possédez pas encore de compte Gmail ou Google Workspace, vous devez en créer un.)

• Le nom du projet est le nom à afficher pour les participants au projet. Il s'agit d'une chaîne de caractères non utilisée par les API Google. Vous pourrez toujours le modifier.
• L'ID du projet est unique parmi tous les projets Google Cloud et non modifiable une fois défini. La console Cloud génère automatiquement une chaîne unique (en général, vous n'y accordez d'importance particulière). Dans la plupart des ateliers de programmation, vous devrez indiquer l'ID de votre projet (généralement identifié par PROJECT_ID). Si l'ID généré ne vous convient pas, vous pouvez en générer un autre de manière aléatoire. Vous pouvez également en spécifier un et voir s'il est disponible. Après cette étape, l'ID n'est plus modifiable et restera donc le même pour toute la durée du projet.
• Pour information, il existe une troisième valeur (le numéro de projet) que certaines API utilisent. Pour en savoir plus sur ces trois valeurs, consultez la documentation.

Attention : Un ID de projet est unique. Une fois que vous l'avez choisi, personne d'autre ne peut l'employer. Vous en êtes le seul utilisateur. Même si un projet est supprimé, son ID ne peut pas être réutilisé.

Remarque : Si vous utilisez un compte Gmail, vous pouvez conserver l'emplacement par défaut défini sur Aucune organisation. Si vous utilisez un compte Google Workspace, choisissez un emplacement qui ait du sens pour votre organisation.

2. Vous devez ensuite activer la facturation dans la console Cloud pour utiliser les ressources/API Cloud. L'exécution de cet atelier de programmation est très peu coûteuse, voire sans frais. Pour désactiver les ressources et éviter ainsi que des frais ne vous soient facturés après ce tutoriel, vous pouvez supprimer le projet ou les ressources que vous avez créées. Les nouveaux utilisateurs de Google Cloud peuvent participer au programme d'essai sans frais pour bénéficier d'un crédit de 300 $.

Démarrer Cloud Shell

Bien que Google Cloud puisse être utilisé à distance depuis votre ordinateur portable, nous allons nous servir de Google Cloud Shell pour cet atelier de programmation, un environnement de ligne de commande exécuté dans le cloud.

Dans la console Google Cloud, cliquez sur l'icône Cloud Shell dans la barre d'outils supérieure :

Le provisionnement et la connexion à l'environnement prennent quelques instants seulement. Une fois l'opération terminée, le résultat devrait ressembler à ceci :

Cette machine virtuelle contient tous les outils de développement nécessaires. Elle comprend un répertoire d'accueil persistant de 5 Go et s'exécute sur Google Cloud, ce qui améliore nettement les performances du réseau et l'authentification. Vous pouvez effectuer toutes les tâches de cet atelier de programmation dans un navigateur. Vous n'avez rien à installer.

3. Configurer l'environnement

Veuillez noter que certaines ressources que vous activez entraîneront des frais. Assurez-vous d'en être conscient avant d'exécuter le code. Pour réduire les coûts, assurez-vous que les ressources sont détruites à la fin de l'atelier. Nous vous recommandons de vérifier la facturation et de vous assurer que cela vous convient.

Nous allons créer un VPC personnalisé avec des règles de pare-feu. Si vous disposez déjà d'un VPC et d'un projet, vous pouvez ignorer cette partie.

Ouvrez Cloud Shell en haut à droite de la console. Configurez-le comme suit :

1. Activer certaines des API que nous utiliserons dans cet atelier

gcloud services enable dns.googleapis.com
gcloud services enable aiplatform.googleapis.com
gcloud services enable servicedirectory.googleapis.com

2. Définissez des variables. Ces variables sont l'ID du projet et l'ID du réseau du VPC personnalisé (vous créerez le VPC à l'étape 4).

projectid=$(gcloud config get-value project)
networkid=anthropic-net 
echo $projectid
echo $networkid
clear

3. Créez maintenant un VPC personnalisé appelé "anthropic-net".

gcloud compute networks create $networkid \
--project=$projectid \
--subnet-mode=custom \
--mtu=1460 \
--bgp-routing-mode=global

4. Créez le sous-réseau vm1-subnet dans le nouveau VPC.

gcloud compute networks subnets create vm-subnet \
--project=$projectid --range=10.0.88.0/24 \
--stack-type=IPV4_ONLY --network=$networkid \
--region=us-east1

5. Ajouter des règles de pare-feu ICMP, SSH et HTTP à votre VPC

gcloud compute firewall-rules create $networkid-allow-icmp --project=$projectid \
--network=$networkid \
--description="Allows ICMP connections from any source to any instance on the network." \
--direction=INGRESS \
--priority=65534 \
--source-ranges=0.0.0.0/0 \
--action=ALLOW \
--rules=icmp

gcloud compute firewall-rules create $networkid-allow-ssh \
--project=$projectid \
--network=$networkid \
--description="Allows TCP connections from any source to any instance on the network using port 22." \
--direction=INGRESS --priority=65534 \
--source-ranges=0.0.0.0/0 --action=ALLOW \
--rules=tcp:22

gcloud compute firewall-rules create $networkid-allow-web \
--project=$projectid \
--network=$networkid \
--description="Allows TCP connections on port 8080." \
--direction=INGRESS --priority=1000 \
--source-ranges=0.0.0.0/0 --action=ALLOW \
--rules=tcp:8080

4. Activer Anthropic dans Vertex Model Garden

Nous devons accorder un accès externe sortant à Internet. Créons donc une passerelle Cloud NAT et associons-la.

1. Accédez au tableau de bord Vertex AI, puis sélectionnez Model Garden.
2. Recherchez Anthropic, puis sélectionnez Claude Opus 4.5.

 3. Sélectionnez Activer, puis remplissez les informations demandées. Remplissez le formulaire et sélectionnez Suivant. Sur la dernière page, sélectionnez Accepter pour activer Claude 4.5 Opus.

5. 

Remarque : Le processus doit être le même pour tous les modèles.

5. Créer une passerelle NAT et des VM

Nous devons accorder un accès externe sortant à Internet. Créons donc une passerelle Cloud NAT et associons-la.

Dans Cloud Shell, utilisez les commandes suivantes.

1. Créez Cloud NAT.

gcloud compute routers create anthro-out-nat \
    --network $networkid \
    --region us-east1 

2. Créez la passerelle Cloud NAT.

gcloud compute routers nats create anthro-out-nat-gw \
    --router-region us-east1 \
    --router anthro-out-nat \
    --nat-all-subnet-ip-ranges \
    --auto-allocate-nat-external-ips

Nous allons maintenant créer une VM pour accéder à Anthropic sur Vertex AI via le SDK Python.

Nous allons créer une VM pour effectuer des tests avec les packages suivants installés.

1. Dans la même session Cloud Shell, créez anthro-vm à l'aide de la commande suivante.

gcloud compute instances create anthro-vm \
--project=$projectid \
--zone=us-east1-b \
--network-interface=stack-type=IPV4_ONLY,subnet=vm-subnet,no-address,network=$networkid \
--metadata startup-script="#! /bin/bash    
      sudo apt-get update
      sudo apt-get install python3 python3-dev python3-venv -y
      sudo apt-get install tcpdump dnsutils -y
      sudo -i
      sudo mkdir -p ~/py-anthro-env
      cd ~/py-anthro-env
      python3 -m venv env
      source env/bin/activate
      pip install -U ipython google-genai 'anthropic[vertex]'"

Vous devriez voir une VM créée sans adresse IP publique. Maintenant, configurons les

6. Configurer la VM et effectuer un test

1. Dans Google Cloud Shell, connectez-vous en SSH à la nouvelle VM nommée anthro-vm.

gcloud compute ssh anthro-vm \
    --project=$projectid \
    --zone=us-east1-b \
    --tunnel-through-iap \
    -- -L 8080:localhost:8080

2. Une fois que vous vous êtes connecté en SSH à anthro-vm,activez votre environnement venv :

sudo -i -- bash -c 'cd py-anthro-env && source env/bin/activate && exec bash'

3. Authentifions-le maintenant pour effectuer des tests plus tard. Exécutez la commande suivante dans la VM, puis appuyez sur y lorsque vous y êtes invité.

gcloud auth application-default login

4. Copiez ensuite l'URL qui commence par https://, ouvrez un nouvel onglet dans la fenêtre du navigateur de l'atelier et collez l'URL. Acceptez les requêtes.
5. Lorsque le message suivant s'affiche, sélectionnez "Copier", revenez à la session anthro-vm de la VM, puis collez le code copié dans Enter authorization code: (Saisissez le code d'autorisation) et appuyez sur Entrée pour vous authentifier.

6. Nous allons maintenant effectuer un test rapide pour voir si nous pouvons nous connecter à l'API Vertex Gemini.

dig *-aiplatform.googleapis.com

7. Le résultat doit ressembler à ceci (les adresses seront différentes). Notez que le chemin d'accès se fait via des adresses IP publiques, car l'API est publique.

; <<>> DiG 9.18.39-0ubuntu0.24.04.2-Ubuntu <<>> *-aiplatform.googleapis.com
;; global options: +cmd
;; Got answer:
;; ->>HEADER<<- opcode: QUERY, status: NOERROR, id: 3728
;; flags: qr rd ra; QUERY: 1, ANSWER: 16, AUTHORITY: 0, ADDITIONAL: 1

;; OPT PSEUDOSECTION:
; EDNS: version: 0, flags:; udp: 512
;; QUESTION SECTION:
;*-aiplatform.googleapis.com.   IN      A

;; ANSWER SECTION:
*-aiplatform.googleapis.com. 300 IN     A       172.217.204.95
*-aiplatform.googleapis.com. 300 IN     A       172.217.203.95
*-aiplatform.googleapis.com. 300 IN     A       173.194.215.95
*-aiplatform.googleapis.com. 300 IN     A       142.250.98.95
*-aiplatform.googleapis.com. 300 IN     A       173.194.217.95
*-aiplatform.googleapis.com. 300 IN     A       142.251.107.95
*-aiplatform.googleapis.com. 300 IN     A       74.125.196.95

8. Utilisons maintenant Python. Saisissez ipython pour activer l'interface ipython.

ipython

9. Copiez et collez le texte suivant. Cette requête demande à Claude Opus 4.5 : Quelles sont les principales étapes de la création d'une IA agentive ? prend ensuite la sortie et la transmet à Gemini 3 Pro, qui crée un résumé, génère une image et l'enregistre sur la VM.

import os
import sys
import google.auth
from pathlib import Path
from google import genai
from google.genai import types
from anthropic import AnthropicVertex

# 1. Setup & Auth
print("--- Authenticating ---")
creds, project_id = google.auth.default()
LOCATION = "global"

# 2. Initialize Clients
print(f"--- Initializing Clients for Project: {project_id} ---")
google_client = genai.Client(vertexai=True, location=LOCATION, project=project_id)
claude_client = AnthropicVertex(region=LOCATION, project_id=project_id)

# 3. Define the Question
question = "What are the key steps to building Agentic AI?"
print(f"\n--- Asking Claude: {question} ---")

# 4. Get Claude's Research
msg = claude_client.messages.create(
    model="claude-opus-4-5@20251101",
    max_tokens=2048,
    messages=[{"role": "user", "content": question}]
)
claude_text = msg.content[0].text
print(f"✓ Claude Answered ({len(claude_text)} chars)")

# 5. Send to Gemini 3 for Image & Summary
print("\n--- Sending to Gemini 3 (Image + Text) ---")
gemini_prompt = f"""
I am providing you with a technical explanation generated by Claude Opus 4.5.
1. READ the text below.
2. GENERATE a concise, bulleted executive summary.
3. CREATE a high-quality, futuristic illustration for a tech blog header (16:9).

--- INPUT TEXT ---
{claude_text}
"""

response = google_client.models.generate_content(
    model="gemini-3-pro-image-preview",
    contents=gemini_prompt,
    config=types.GenerateContentConfig(
        response_modalities=['TEXT', 'IMAGE'],
        temperature=0.7
    )
)

# 6. Save and Display Results
print("\n--- Results ---")
for part in response.parts:
    if part.text:
        print(f"\n[SUMMARY]:\n{part.text.strip()[:500]}...\n(Summary truncated for brevity)")
    elif image := part.as_image():
        filename = "gemini_agentic_ai.png"
        image.save(filename)
        print(f"\n✓ IMAGE SAVED to: {os.path.abspath(filename)}")

10. Appuyez deux fois sur Entrée pour exécuter le code et afficher le résultat textuel.
11. Pour afficher l'image, nous devons activer un service Web en Python. Exécutez la commande suivante dans la session ipython

!python3 -m http.server 8080

12. Accédez à l'option d'aperçu Web dans Cloud Shell, puis sélectionnez "Prévisualiser sur le port 8080" .
13. Dans la session Web ouverte, sélectionnez gemini_agentic_ai.png pour afficher l'image générée. (Exemple d'image générée par l'IA ci-dessous)
    
14. Dans Cloud Shell, appuyez sur Ctrl+C pour quitter la session, puis saisissez "exit" et appuyez sur Entrée (répétez l'opération trois fois) pour revenir à l'accueil de Cloud Shell.
15. Continuons.

Remarque : Vous pouvez modifier la question de la requête.

7. Créer le point de terminaison PSC vers googleapis

Pour activer la connectivité privée à notre point de terminaison de l'API Vertex, nous allons créer un point de terminaison Private Service Connect pour googleapis. Cela nous permettra d'utiliser une adresse IP privée que nous attribuons pour acheminer le trafic vers les googleapis dont nous avons besoin, en l'occurrence Vertex Gemini.

1. Ouvrez Cloud Shell si ce n'est pas déjà fait. Créez une adresse IP pour le point de terminaison PSC. Dans ce cas, nous allons utiliser 192.168.255.230.

gcloud compute addresses create anthro-ip \
    --global \
    --purpose=PRIVATE_SERVICE_CONNECT \
    --addresses=192.168.255.230 \
    --network=$networkid

2. Vérifier que l'adresse IP a été créée

gcloud compute addresses list --filter="name=( 'anthro-ip' ...)"

3. Créez ensuite le point de terminaison PSC.

gcloud compute forwarding-rules create pscanthrovertex \
    --global \
    --network=$networkid \
    --address=anthro-ip \
    --target-google-apis-bundle=all-apis

4. Un point de terminaison et une entrée d'annuaire des services seront créés. Vérifier l'existence du point de terminaison

gcloud compute forwarding-rules describe pscanthrovertex --global

8. Vérifier la connectivité des points de terminaison via la zone automatique de l'annuaire des services

Connectons-nous à Gemini à l'aide du point de terminaison privé.

1. Accédez à l'instance de VM anthro-vm1. Sélectionnez SSH et connectez-vous en SSH à la VM
2. Vérifiez le chemin de connectivité vers aiplatform-pscanthrovertex.p.googleapis.com à l'aide de la commande dig. L'adresse IP du point de terminaison PSC 192.168.255.230 doit s'afficher.

dig aiplatform-pscanthrovertex.p.googleapis.com

3. Quittez toutes les sessions SSH.

9. Créer une entrée DNS manuelle pour googleapis

Vous pouvez créer une entrée DNS manuelle pour pointer vers le point de terminaison PSC à l'aide du DNS privé. Cela affecterait tous les réseaux que vous lui attribuez.

Exécutez les commandes suivantes dans Cloud Shell.

1. Créez une zone DNS privée pour googleapis.com et associez-la au réseau anthropic-net.

gcloud dns managed-zones create googleapis-private \
    --description="Private DNS zone for googleapis.com" \
    --dns-name="googleapis.com." \
    --visibility="private" \
    --networks="anthropic-net"

2. Créez un enregistrement A mappant le domaine racine à l'adresse IP du point de terminaison Private Service Connect (192.168.255.230).

gcloud dns record-sets create "googleapis.com." \
    --zone="googleapis-private" \
    --type="A" \
    --ttl="300" \
    --rrdatas="192.168.255.230"

3. Créez un enregistrement CNAME générique pour rediriger tous les sous-domaines (par exemple, aiplatform.googleapis.com) vers l'enregistrement A racine.

gcloud dns record-sets create "*.googleapis.com." \
    --zone="googleapis-private" \
    --type="CNAME" \
    --ttl="300" \
    --rrdatas="googleapis.com."

4. Listez les ensembles d'enregistrements dans la zone pour confirmer que l'enregistrement A et le CNAME ont été créés correctement.

gcloud dns record-sets list --zone="googleapis-private"

5. Dans la vue de la console, cela devrait se présenter comme suit. Vous devriez voir une configuration avec un enregistrement A et un CNAME comme ceci :
6. Nous vérifions ensuite la connectivité avec ces modifications sur anthro-vm.

10. Vérifier la connectivité du point de terminaison via l'adresse IP

Connectons-nous à Gemini à l'aide du point de terminaison privé.

Remarque : Aucune configuration manuelle n'est nécessaire sur la VM.

1. Dans Google Cloud Shell, connectez-vous en SSH à la nouvelle VM nommée anthro-vm.

gcloud compute ssh anthro-vm \
    --project=$projectid \
    --zone=us-east1-b \
    --tunnel-through-iap \
    -- -L 8080:localhost:8080

2. Une fois que vous vous êtes connecté en SSH à anthro-vm,activez votre environnement venv :

sudo -i -- bash -c 'cd py-anthro-env && source env/bin/activate && exec bash'

3. Effectuons maintenant un dig pour voir si nous pouvons nous connecter à l'API Vertex Gemini.

dig *-aiplatform.googleapis.com

4. Le résultat doit ressembler à ceci (l'adresse sera différente). Notez que le chemin d'accès passe par les adresses IP du point de terminaison PSC.

; <<>> DiG 9.18.41-1~deb12u1-Debian <<>> *-aiplatform.googleapis.com
;; global options: +cmd
;; Got answer:
;; ->>HEADER<<- opcode: QUERY, status: NOERROR, id: 33703
;; flags: qr rd ra; QUERY: 1, ANSWER: 2, AUTHORITY: 0, ADDITIONAL: 1

;; OPT PSEUDOSECTION:
; EDNS: version: 0, flags:; udp: 512
;; QUESTION SECTION:
;*-aiplatform.googleapis.com.   IN      A

;; ANSWER SECTION:
*-aiplatform.googleapis.com. 300 IN     CNAME   googleapis.com.
googleapis.com.         300     IN      A       192.168.255.230

;; Query time: 8 msec
;; SERVER: 169.254.169.254#53(169.254.169.254) (UDP)
;; WHEN: Sat Nov 29 15:19:15 UTC 2025
;; MSG SIZE  rcvd: 86

5. En exécutant la commande ping Nous pouvons effectuer un test rapide. Remarque : Cette adresse IP est un point de terminaison PSC. Vos pings échoueront.

ping -c 2 aiplatform.googleapis.com

6. Utilisons maintenant Python. Saisissez ipython pour activer l'interface ipython.

ipython

7. Copiez et collez le texte suivant. Claude Opus 4.5 répond à la question Donne-moi une recette détaillée pour préparer un roti pour un débutant. puis prend la sortie et la transmet à Gemini 3 Pro, qui crée un résumé, génère une image et l'enregistre sur la VM.

import os
import sys
import google.auth
from pathlib import Path
from google import genai
from google.genai import types
from anthropic import AnthropicVertex

# 1. Setup & Auth
print("--- Authenticating ---")
creds, project_id = google.auth.default()
LOCATION = "global"

# 2. Initialize Clients
print(f"--- Initializing Clients for Project: {project_id} ---")
google_client = genai.Client(vertexai=True, location=LOCATION, project=project_id)
claude_client = AnthropicVertex(region=LOCATION, project_id=project_id)

# 3. Define the Question
question = "Give me a step by step recipe to make a roti for a beginner?"
print(f"\n--- Asking Claude: {question} ---")

# 4. Get Claude's Research
msg = claude_client.messages.create(
    model="claude-opus-4-5@20251101",
    max_tokens=2048,
    messages=[{"role": "user", "content": question}]
)
claude_text = msg.content[0].text
print(f"✓ Claude Answered ({len(claude_text)} chars)")

# 5. Send to Gemini 3 for Image & Summary
print("\n--- Sending to Gemini 3 (Image + Text) ---")
gemini_prompt = f"""
I am providing you with a technical explanation generated by Claude Opus 4.5.
1. READ the text below.
2. GENERATE a concise, bulleted executive summary.
3. CREATE a high-quality, futuristic illustration for a tech blog header (16:9).

--- INPUT TEXT ---
{claude_text}
"""

response = google_client.models.generate_content(
    model="gemini-3-pro-image-preview",
    contents=gemini_prompt,
    config=types.GenerateContentConfig(
        response_modalities=['TEXT', 'IMAGE'],
        temperature=0.7
    )
)

# 6. Save and Display Results
print("\n--- Results ---")
for part in response.parts:
    if part.text:
        print(f"\n[SUMMARY]:\n{part.text.strip()[:500]}...\n(Summary truncated for brevity)")
    elif image := part.as_image():
        filename = "cookingroti.png"
        image.save(filename)
        print(f"\n✓ IMAGE SAVED to: {os.path.abspath(filename)}")

8. Appuyez deux fois sur Entrée pour exécuter le code et afficher le résultat textuel.
9. Pour afficher l'image, nous devons activer un service Web en Python. Exécutez donc la commande suivante dans la session IPython :

!python3 -m http.server 8080

10. Accédez à l'option d'aperçu Web dans Cloud Shell, puis sélectionnez "Prévisualiser sur le port 8080".
11. Sélectionnez cookingroti.png pour afficher l'image générée. (Exemple ci-dessous généré par l'IA)
12. Dans Cloud Shell, appuyez sur Ctrl+C pour quitter la session, puis saisissez "exit" et appuyez sur Entrée (répétez l'opération trois fois) pour revenir à l'accueil de Cloud Shell.

11. Félicitations

Félicitations ! Vous avez bien réussi à vous connecter à Anthropic Claude Opus 4.5 et Gemini 3 Pro sur Vertex en utilisant à la fois l'adresse de l'API publique et l'adresse privée du point de terminaison Private Service Connect pour Googleapis. Cette fonctionnalité peut étendre la connectivité des API privées à votre environnement sur site/autre cloud connecté via (Interconnect, Cross-Cloud Interconnect et VPC).

Effectuer un nettoyage

gcloud compute instances delete anthro-vm --zone=us-east1-b --quiet

gcloud compute routers nats delete anthro-out-nat-gw --router=anthro-out-nat --region=us-east1 --quiet

gcloud compute routers delete anthro-out-nat --region=us-east1 --quiet

gcloud compute firewall-rules delete anthropic-net-allow-icmp anthropic-net-allow-ssh anthropic-net-allow-web --quiet

gcloud compute forwarding-rules delete pscanthrovertex --global --quiet

gcloud dns record-sets delete googleapis.com. --zone googleapis-private --type A --quiet

gcloud dns record-sets delete *.googleapis.com --zone googleapis-private --type CNAME --quiet

gcloud dns managed-zones delete googleapis-private --quiet

gcloud compute addresses delete anthro-ip --global --quiet

gcloud compute networks subnets delete vm-subnet --region=us-east1 --quiet

gcloud compute networks delete anthropic-net --quiet

Étapes suivantes et informations supplémentaires

Pour en savoir plus sur la mise en réseau de Vertex AI

Codelab : Accéder au chat Gemini 3 Pro à l'aide du SDK Python via un point de terminaison Private Service Connect

Codelab : Créer des agents d'IA avec ADK : les bases

Atelier suivant

Continuez sur votre lancée avec Google Cloud et consultez ces autres ateliers Google Cloud Skills Boost :

• Principes de base de la mise en réseau dans Google Cloud
• Explorateur de l'IA générative – Vertex AI
• IA agentique sur Google Cloud