דף זה תורגם על ידי Cloud Translation API.

‫Anthropic Claude Opus 4.5 ו-Gemini 3 ב-Vertex AI עם Python SDK דרך נקודת קצה של Private Service Connect

1. סקירה כללית

אפשר לגשת ל-Vertex AI API דרך האינטרנט, אבל יכול להיות שתרצו לגשת ל-Vertex AI API באופן פרטי בארגון שלכם, בלי לעבור דרך האינטרנט. במעבדה הזו תהיה לכם גישה ל-Anthropic Claude Opus 4.5 ול-Gemini 3 Pro ב-Vertex באמצעות Python SDK שפועל במכונה וירטואלית דרך האינטרנט הציבורי.

לאחר מכן תיצרו נקודת קצה של Private Service Connect ל-Googleapis, ותשנו את זרימת התנועה כך שתשתמש בנקודת הקצה הפרטית כדי להתחבר ל-Vertex API.

דוגמת קוד Python תקבל את שאלות הקלט, תעביר אותן אל Claude Opus כדי ליצור תשובה, והפלט הזה יועבר אל Gemini Pro 3 כדי ליצור סיכום טקסט וליצור תמונה.

בשיעור ה-Lab הזה תיצרו את התבנית הבאה.

איור 1.

2. מטרות

בשיעור ה-Lab הזה תלמדו איך לבצע את המשימה הבאה:

הגדרת מכונה וירטואלית לשימוש ב-Python SDK
הפעלת כרטיס מודל של Anthropic ב-Vertex AI
התחברות אל Anthropic Claude Opus 4.5 ו-Gemini 3 Pro באמצעות סקריפט Python
הגדרת נקודת קצה של PSC להתחברות ל-Googleapis
הגדרת רשומות DNS ידניות
אימות נתיב הקישוריות אל Googleais
הפעלת סקריפט Python כדי לשלוח שאילתה למודלים

הגדרת מעבדה

הגדרת סביבה בקצב אישי

נכנסים ל-Google Cloud Console ויוצרים פרויקט חדש או משתמשים בפרויקט קיים. אם עדיין אין לכם חשבון Gmail או חשבון Google Workspace, אתם צריכים ליצור חשבון.

שם הפרויקט הוא השם המוצג של המשתתפים בפרויקט הזה. זו מחרוזת תווים שלא נמצאת בשימוש ב-Google APIs. תמיד אפשר לעדכן את המיקום.
מזהה הפרויקט הוא ייחודי לכל הפרויקטים ב-Google Cloud ואי אפשר לשנות אותו אחרי שהוא מוגדר. מסוף Cloud יוצר באופן אוטומטי מחרוזת ייחודית. בדרך כלל לא צריך לדעת מה היא. ברוב ה-Codelabs, תצטרכו להפנות למזהה הפרויקט (בדרך כלל מסומן כ-PROJECT_ID). אם אתם לא אוהבים את המזהה שנוצר, אתם יכולים ליצור מזהה אקראי אחר. אפשר גם לנסות שם משתמש משלכם ולבדוק אם הוא זמין. אי אפשר לשנות את ההגדרה הזו אחרי השלב הזה, והיא נשארת לאורך הפרויקט.
לידיעתכם, יש ערך שלישי, מספר פרויקט, שחלק מממשקי ה-API משתמשים בו. מידע נוסף על שלושת הערכים האלה מופיע במאמרי העזרה.

בשלב הבא, תצטרכו להפעיל את החיוב במסוף Cloud כדי להשתמש במשאבי Cloud או בממשקי API של Cloud. השלמת ה-codelab הזה לא תעלה לכם הרבה, אם בכלל. כדי להשבית את המשאבים ולוודא שלא תחויבו על שימוש בהם אחרי שתסיימו את המדריך הזה, תוכלו למחוק את המשאבים שיצרתם או למחוק את הפרויקט. משתמשים חדשים ב-Google Cloud זכאים לתוכנית תקופת ניסיון בחינם בשווי 300$.

הפעלת Cloud Shell

אפשר להפעיל את Google Cloud מרחוק מהמחשב הנייד, אבל ב-codelab הזה תשתמשו ב-Google Cloud Shell, סביבת שורת פקודה שפועלת ב-Cloud.

ב-Google Cloud Console, לוחצים על סמל Cloud Shell בסרגל הכלים שבפינה הימנית העליונה:

הפעלת Cloud Shell

הקצאת המשאבים והחיבור לסביבה יימשכו רק כמה רגעים. בסיום התהליך, אמור להופיע משהו כזה:

צילום מסך של טרמינל Google Cloud Shell שבו מוצג שהסביבה מחוברת

המכונה הווירטואלית הזו כוללת את כל הכלים הדרושים למפתחים. יש בה ספריית בית בנפח מתמיד של 5GB והיא פועלת ב-Google Cloud, מה שמשפר מאוד את הביצועים והאימות ברשת. אפשר לבצע את כל העבודה ב-codelab הזה בדפדפן. לא צריך להתקין שום דבר.

3. הגדרת הסביבה

ניצור VPC בהתאמה אישית עם כללים של חומת אש. אם כבר יש לכם VPC ופרויקט, אתם יכולים לדלג על החלק הזה.

פותחים את Cloud Shell בפינה השמאלית העליונה של המסוף. מגדירים את ההגדרות הבאות:

הפעלה של חלק מה-API שנשתמש בהם בשיעור ה-Lab הזה

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

מגדירים כמה משתנים. המשתנים האלה הם מזהה הפרויקט ומזהה הרשת של ה-VPC המותאם אישית (תיצרו את ה-VPC בשלב 4).

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

עכשיו יוצרים רשת VPC בהתאמה אישית בשם anthropic-net.

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

יוצרים את תת-הרשת vm1-subnet ב-VPC החדש

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

הוספת כללים של חומת אש מסוג ICMP, ‏ SSH ו-HTTP ל-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. הפעלת Anthropic ב-Vertex Model Garden

אנחנו צריכים להעניק גישה חיצונית לאינטרנט, אז ניצור שער Cloud NAT ונקשר אותו.

עוברים אל מרכז הבקרה של Vertex AI ובוחרים באפשרות Model Garden.
מחפשים את Anthropic ובוחרים באפשרות Claude Opus 4.5.

3. בוחרים באפשרות הפעלה וממלאים את הפרטים הנדרשים בטופס. לאחר מכן בוחרים באפשרות הבא. בדף האחרון, בוחרים באפשרות מסכים/ה כדי להפעיל את Claude 4.5 Opus.

5. יצירת שער NAT ומכונות וירטואליות

אנחנו צריכים להעניק גישה חיצונית לאינטרנט, אז ניצור שער Cloud NAT ונקשר אותו.

ב-Cloud Shell משתמשים בפקודות הבאות

יוצרים Cloud NAT.

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

יוצרים את שער 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

עכשיו ניצור מכונה וירטואלית אחת כדי לגשת אל Anthropic ב-Vertex AI באמצעות Python SDK.

אנחנו ניצור מכונה וירטואלית כדי לבדוק את החבילות הבאות שהותקנו

באותו סשן של Cloud Shell, יוצרים את anthro-vm באמצעות הפקודה הבאה.

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]'"

אמורה להופיע מכונה וירטואלית שנוצרה ללא כתובות IP ציבוריות. עכשיו נגדיר את המכונה הווירטואלית

6. הגדרת מכונה וירטואלית ובדיקה

ב-Google Cloud Shell, מתחברים ב-SSH למכונה הווירטואלית החדשה שנקראת anthro-vm.

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

אחרי שמתחברים ב-SSH אל anthro-vm, מפעילים את סביבת ה-venv:

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

עכשיו נאמת את זה כדי שנוכל לבצע בדיקות בהמשך. מריצים את הפקודה הבאה במכונת ה-VM ומקישים על y כשמופיעה בקשה.

gcloud auth application-default login

לאחר מכן מעתיקים את כתובת ה-URL שמתחילה ב-https://, פותחים כרטיסייה חדשה בחלון הדפדפן של המעבדה ומדביקים את כתובת ה-URL. פועלים לפי ההנחיות.
כשמופיעה ההודעה הבאה, מעתיקים אותה, חוזרים לסשן של מכונת ה-VM‏ anthro-vm, ובשורה Enter authorization code:‎ מדביקים את הקוד שהעתקתם ולוחצים על Enter כדי לבצע אימות.

עכשיו נבצע בדיקה מהירה כדי לראות אם אפשר להתחבר ל-Vertex Gemini API.

dig *-aiplatform.googleapis.com

התוצאה אמורה להיות דומה (הכתובות יהיו שונות). שימו לב שהנתיב הוא דרך כתובות IP ציבוריות, כי ה-API הוא API ציבורי.

; <<>> 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

עכשיו נשתמש ב-Python. מקלידים ipython כדי להפעיל את הממשק של ipython.

ipython

מעתיקים ומדביקים את הטקסט הבא. השאלה הזו מופנית אל Claude Opus 4.5:‏ "What are the key steps to building Agentic AI?" (מהם השלבים העיקריים ליצירת AI עם יכולות של סוכן?). אחר כך הוא לוקח את הפלט ומעביר אותו ל-Gemini 3 Pro, שיוצר סיכום ומפיק תמונה שנשמרת במכונה הווירטואלית.

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)}")

מקישים על Enter פעמיים כדי להריץ את הפקודה ולראות את תוצאת הטקסט.
כדי לראות את התמונה, צריך להפעיל שירות אינטרנט ב-Python. מריצים את הפקודה הבאה בסשן ipython

!python3 -m http.server 8080

עכשיו עוברים לאפשרות התצוגה המקדימה באינטרנט ב-Cloud Shell, בוחרים באפשרות התצוגה המקדימה ביציאה 8080
בסשן האינטרנט הפתוח, בוחרים באפשרות gemini_agentic_ai.png כדי לראות את התמונה שנוצרה. (תמונה לדוגמה שנוצרה על ידי AI מוצגת בהמשך)
ב-Cloud Shell, כדי לצאת מהסשן, מקישים על Ctrl C, ואז מקלידים exit ומקישים על Enter (חוזרים על הפעולה שלוש פעמים) כדי לחזור לדף הבית של Cloud Shell.
בואו נמשיך.

7. יצירת נקודת קצה של PSC ל-googleapis

כדי להפעיל קישוריות פרטית לנקודת הקצה של Vertex API, ניצור נקודת קצה של Private Service Connect עבור googleapis. כך נוכל להשתמש בכתובת IP פרטית שהקצנו כדי לנתב את התעבורה אל googleapis שאנחנו צריכים, במקרה הזה Vertex Gemini.

פותחים את Cloud Shell אם הוא לא פתוח. יוצרים כתובת IP לנקודת הקצה של PSC. במקרה הזה נשתמש בכתובת 192.168.255.230.

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

אימות כתובת ה-IP שנוצרה

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

בשלב הבא יוצרים את נקודת הקצה של PSC

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

כך תיצרו נקודת קצה ורשומה בספריית השירותים. אימות קיום של נקודת קצה

gcloud compute forwarding-rules describe pscanthrovertex --global

8. אימות הקישוריות של נקודת הקצה באמצעות אזור אוטומטי של ספריית שירותים

נשתמש בנקודת הקצה הפרטית כדי להתחבר ל-Gemini.

עוברים למופע של מכונת VM‏ anthro-vm1. בוחרים באפשרות SSH ומתחברים למכונה הווירטואלית באמצעות SSH
בודקים את נתיב הקישוריות אל aiplatform-pscanthrovertex.p.googleapis.com באמצעות הפקודה dig. כתובת ה-IP של נקודת הקצה של PSC אמורה להופיע 192.168.255.230

dig aiplatform-pscanthrovertex.p.googleapis.com

יציאה מכל סשני SSH

9. יצירת רשומת DNS ידנית ל-googleapis

אפשר ליצור רשומת DNS ידנית כדי להפנות לנקודת הקצה של PSC באמצעות DNS פרטי. השינוי ישפיע על כל הרשתות שהוקצו לה.

מריצים את הפקודות הבאות ב-Cloud Shell.

יוצרים אזור DNS פרטי עבור googleapis.com ומצרפים אותו לרשת 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"

יוצרים רשומת A שממפה את דומיין הבסיס לכתובת ה-IP של נקודת הקצה של 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"

יוצרים רשומת CNAME עם תו כללי כדי להפנות את כל תת-הדומיינים (למשל, aiplatform.googleapis.com) לרשומת A של דומיין הבסיס

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

מציגים את רשימת סטים של רשומות באזור כדי לוודא שרשומת A ורשומת CNAME נוצרו בצורה תקינה.

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

בתצוגת המסוף, זה אמור להיראות כך. אמורה להופיע הגדרה עם רשומת A ורשומת CNAME, כמו בדוגמה הבאה:
לאחר מכן, אנחנו מאמתים את הקישוריות עם השינויים האלה ב-anthro-vm

10. אימות הקישוריות של נקודת הקצה באמצעות כתובת IP

נשתמש בנקודת הקצה הפרטית כדי להתחבר ל-Gemini.

ב-Google Cloud Shell, מתחברים ב-SSH למכונה הווירטואלית החדשה שנקראת anthro-vm.

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

אחרי שמתחברים ב-SSH אל anthro-vm, מפעילים את סביבת ה-venv:

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

עכשיו נריץ dig כדי לבדוק אם אפשר להתחבר ל-Vertex Gemini API.

dig *-aiplatform.googleapis.com

אמורה להופיע כתובת דומה (אבל לא זהה). שימו לב שהנתיב הוא דרך כתובות ה-IP של נקודת הקצה של 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

משתמשים בפקודה ping. אפשר לעשות בדיקה מהירה. הערה: כתובת ה-IP הזו היא נקודת קצה של PSC, והפינגים שלכם לא יצליחו.

ping -c 2 aiplatform.googleapis.com

עכשיו נשתמש ב-Python. מקלידים ipython כדי להפעיל את הממשק של ipython.

ipython

מעתיקים ומדביקים את הטקסט הבא. השאלה שנשאלת את Claude Opus 4.5 היא: "Give me a step by step recipe to make a roti for a beginner?" לאחר מכן, הוא לוקח את הפלט ומעביר אותו ל-Gemini 3 Pro, שיוצר סיכום ומפיק תמונה, שאותה הוא שומר במכונה הווירטואלית.

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)}")

מקישים על Enter פעמיים כדי להריץ את הפקודה ולראות את תוצאת הטקסט.
כדי לראות את התמונה, צריך להפעיל שירות אינטרנט ב-Python. לכן, מריצים את הפקודה הבאה בסשן של IPython

!python3 -m http.server 8080

עכשיו עוברים לאפשרות של תצוגה מקדימה באינטרנט ב-Cloud Shell, בוחרים באפשרות של תצוגה מקדימה ביציאה 8080
בוחרים באפשרות cookingroti.png כדי לראות את התמונה שנוצרה. (דוגמה שנוצרה על ידי AI מוצגת בהמשך)
ב-Cloud Shell, כדי לצאת מהסשן, מקישים על Ctrl C, ואז מקלידים exit ומקישים על Enter (חוזרים על הפעולה שלוש פעמים) כדי לחזור לדף הבית של Cloud Shell.

11. מזל טוב

כל הכבוד, נהניתם והצלחתם להתחבר אל Anthropic Claude Opus 4.5 ו-Gemini 3 Pro ב-Vertex באמצעות כתובת API ציבורית ובאופן פרטי באמצעות נקודת קצה של Private Service Connect ל-Googleapis. הפונקציונליות הזו יכולה להרחיב את הקישוריות הפרטית של ה-API לסביבה המקומית או לסביבת ענן אחרת שמחוברת באמצעות (Interconnect, ‏ Cross-Cloud Interconnect ו-VPC).

הסרת המשאבים

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

השלבים הבאים / מידע נוסף

מידע נוסף על רשתות ב-Vertex AI

‫Codelab: גישה לצ'אט עם Gemini 3 Pro באמצעות Python SDK דרך נקודת קצה של Private Service Connect

‫Codelab: Building AI Agents with ADK:The Foundation

אל שיעור ה-Lab הבא

אתם יכולים להמשיך את יחידת ה-Quest ב-Google Cloud או לנסות את שיעורי ה-Lab הבאים של Google Cloud Skills Boost:

‫Anthropic Claude Opus 4.5 ו-Gemini 3 ב-Vertex AI עם Python SDK דרך נקודת קצה של Private Service Connect קל לארגן דפים בעזרת אוספים אפשר לשמור ולסווג תוכן על סמך ההעדפות שלך.

1. סקירה כללית

2. מטרות

הגדרת סביבה בקצב אישי

הפעלת Cloud Shell

3. הגדרת הסביבה

4. הפעלת Anthropic ב-Vertex Model Garden

5. יצירת שער NAT ומכונות וירטואליות

6. הגדרת מכונה וירטואלית ובדיקה

7. יצירת נקודת קצה של PSC ל-googleapis

8. אימות הקישוריות של נקודת הקצה באמצעות אזור אוטומטי של ספריית שירותים

9. יצירת רשומת DNS ידנית ל-googleapis

10. אימות הקישוריות של נקודת הקצה באמצעות כתובת IP

11. מזל טוב

הסרת המשאבים

השלבים הבאים / מידע נוסף

אל שיעור ה-Lab הבא

‫Anthropic Claude Opus 4.5 ו-Gemini 3 ב-Vertex AI עם Python SDK דרך נקודת קצה של Private Service Connect