このページは Cloud Translation API によって翻訳されました。

ドキュメントと API 呼び出しの QA 用の生成 AI エージェント

1. 概要

このラボでは、GenAI エージェントを作成し、Cloud Run アプリケーションに接続して、エージェントを Slack ワークスペースに統合します。

学習内容

このラボは主に次の部分で構成されています。

Cloud Run アプリケーションをデプロイして Gemini API と統合する
Vertex AI エージェントを作成してデプロイする
エージェントを Slack に統合する
PDF ドキュメントを介した Q&A 用のデータストアを構成する

前提条件

このラボは、Cloud コンソールと Cloud Shell 環境に精通していることを前提としています。

2. 設定と要件

Cloud プロジェクトの設定

Google Cloud Console にログインして、プロジェクトを新規作成するか、既存のプロジェクトを再利用します。Gmail アカウントも Google Workspace アカウントもまだお持ちでない場合は、アカウントを作成してください。

プロジェクト名は、このプロジェクトの参加者に表示される名称です。Google API では使用されない文字列です。いつでも更新できます。
プロジェクト ID は、すべての Google Cloud プロジェクトにおいて一意でなければならず、不変です（設定後は変更できません）。Cloud コンソールでは一意の文字列が自動生成されます。通常は、この内容を意識する必要はありません。ほとんどの Codelab では、プロジェクト ID（通常は PROJECT_ID と識別されます）を参照する必要があります。生成された ID が好みではない場合は、ランダムに別の ID を生成できます。または、ご自身で試して、利用可能かどうかを確認することもできます。このステップ以降は変更できず、プロジェクトを通して同じ ID になります。
なお、3 つ目の値として、一部の API が使用するプロジェクト番号があります。これら 3 つの値について詳しくは、こちらのドキュメントをご覧ください。

次に、Cloud のリソースや API を使用するために、Cloud コンソールで課金を有効にする必要があります。この Codelab の操作をすべて行って、費用が生じたとしても、少額です。このチュートリアルの終了後に請求が発生しないようにリソースをシャットダウンするには、作成したリソースを削除するか、プロジェクトを削除します。Google Cloud の新規ユーザーは、300 米ドル分の無料トライアルプログラムをご利用いただけます。

環境設定

Gemini チャットを開きます。

Cloud AI Companion API を有効にします。

[Start chatting] をクリックして、サンプルの質問のいずれかを使用するか、独自のプロンプトを入力して試します。

プロンプトの例:

Cloud Run の 5 つの主なポイントについて説明します。
Google Cloud Run プロダクトマネージャーとして、Cloud Run を 5 つの重要なポイントにまとめ、学生に説明します。
Google Cloud Run プロダクトマネージャーとして、認定 Kubernetes デベロッパーに Cloud Run を 5 つの重要なポイントで説明します。
Google Cloud Run プロダクトマネージャーとして、Cloud Run と GKE のどちらを使用するかを、シニアデベロッパーに 5 つの重要なポイントで説明します。

より良いプロンプトの作成方法については、プロンプトガイドをご覧ください。

Gemini for Google Cloud がデータを使用する方法

Google のプライバシーに関する取り組み

Google は、AI/ML プライバシーコミットメントを業界で最初に発表した企業の 1 つです。これは、お客様がクラウドに保存されている自社のデータについて最高レベルのセキュリティとコントロールを得るべきだという、Google の信念を概説したものです。

送信および受信するデータ

Gemini に尋ねる質問（Gemini に送信して分析または完成される入力情報やコードなど）は、プロンプトと呼ばれます。Gemini から受け取る回答やコード補完は、レスポンスと呼ばれます。Gemini がプロンプトやそのレスポンスをデータとして使用してモデルをトレーニングすることはありせん。

プロンプトの暗号化

Gemini にプロンプトを送信すると、Gemini の基盤モデルへの入力としてデータが転送中に暗号化されます。

Gemini によって生成されたプログラムデータ

Gemini は、ファーストパーティの Google Cloud コードと、選択したサードパーティコードでトレーニングされます。コードのセキュリティ、テスト、有効性（Gemini によるコード補完、生成、分析など）については、ユーザーが責任を負います。

Google がメッセージを取り扱う方法について詳しくは、こちらをご覧ください。

3. プロンプトをテストするオプション

プロンプトをテストする方法はいくつかあります。

Vertex AI Studio

Vertex AI Studio は Google Cloud の Vertex AI プラットフォームの一部であり、生成 AI モデルの開発と使用を簡素化、高速化するために特別に設計されています。

Google AI Studio

Google AI Studio は、プロンプトエンジニアリングと Gemini API のプロトタイピングとテストを行うためのウェブベースのツールです。

Gemini ウェブアプリ（gemini.google.com）

Google Gemini ウェブアプリ（gemini.google.com）は、Google の Gemini AI モデルの機能を探索して活用できるように設計されたウェブベースのツールです。

Android 版 Google Gemini モバイルアプリと iOS 版 Google アプリ

4. リポジトリのクローンを作成する

Google Cloud コンソールに移動し、検索バーの右側にあるアイコンをクリックして Cloud Shell を有効にします。

開いたターミナルで、次のコマンドを実行します。

git clone https://github.com/GoogleCloudPlatform/genai-for-developers.git

cd genai-for-developers

git checkout slack-agent-jira-lab

[エディタを開く] をクリックします。

[File / Open Folder] メニュー項目を使用して [genai-for-developers] を開きます。

新しいターミナルを開く

5. サービスアカウントを作成する

新しいサービスアカウントとキーを作成する。

このサービスアカウントを使用して、Cloud Run アプリケーションから Vertex AI Gemini API への API 呼び出しを行います。

Qwiklabs のプロジェクトの詳細を使用して、プロジェクトの詳細を構成します。

例: qwiklabs-gcp-00-2c10937585bb

gcloud config set project YOUR_QWIKLABS_PROJECT_ID

サービスアカウントを作成し、ロールを付与します。

export LOCATION=us-central1
export PROJECT_ID=$(gcloud config get-value project)
export SERVICE_ACCOUNT_NAME='vertex-client'
export DISPLAY_NAME='Vertex Client'
export KEY_FILE_NAME='vertex-client-key'

gcloud iam service-accounts create $SERVICE_ACCOUNT_NAME --project $PROJECT_ID --display-name "$DISPLAY_NAME"

gcloud projects add-iam-policy-binding $PROJECT_ID --member="serviceAccount:$SERVICE_ACCOUNT_NAME@$PROJECT_ID.iam.gserviceaccount.com" --role="roles/aiplatform.admin"

gcloud projects add-iam-policy-binding $PROJECT_ID --member="serviceAccount:$SERVICE_ACCOUNT_NAME@$PROJECT_ID.iam.gserviceaccount.com" --role="roles/aiplatform.user"

gcloud projects add-iam-policy-binding $PROJECT_ID --member="serviceAccount:$SERVICE_ACCOUNT_NAME@$PROJECT_ID.iam.gserviceaccount.com" --role="roles/cloudbuild.builds.editor"

gcloud projects add-iam-policy-binding $PROJECT_ID --member="serviceAccount:$SERVICE_ACCOUNT_NAME@$PROJECT_ID.iam.gserviceaccount.com" --role="roles/artifactregistry.admin"

gcloud projects add-iam-policy-binding $PROJECT_ID --member="serviceAccount:$SERVICE_ACCOUNT_NAME@$PROJECT_ID.iam.gserviceaccount.com" --role="roles/storage.admin"

gcloud projects add-iam-policy-binding $PROJECT_ID --member="serviceAccount:$SERVICE_ACCOUNT_NAME@$PROJECT_ID.iam.gserviceaccount.com" --role="roles/run.admin"

gcloud projects add-iam-policy-binding $PROJECT_ID --member="serviceAccount:$SERVICE_ACCOUNT_NAME@$PROJECT_ID.iam.gserviceaccount.com" --role="roles/secretmanager.secretAccessor"


gcloud iam service-accounts keys create $KEY_FILE_NAME.json --iam-account=$SERVICE_ACCOUNT_NAME@$PROJECT_ID.iam.gserviceaccount.com

承認を求められたら、[承認] をクリックして続行します。

Vertex AI API と Gemini チャットを使用するのに必要なサービスを有効にします。

gcloud services enable \
    generativelanguage.googleapis.com \
    aiplatform.googleapis.com \
    cloudaicompanion.googleapis.com \
    run.googleapis.com \
    cloudresourcemanager.googleapis.com

Vertex AI API と Gemini チャットを使用するのに必要なサービスを有効にします。

gcloud services enable \
    artifactregistry.googleapis.com \
    cloudbuild.googleapis.com \
    runapps.googleapis.com \
    workstations.googleapis.com \
    servicemanagement.googleapis.com \
    secretmanager.googleapis.com \
    containerscanning.googleapis.com

Gemini Code Assist を有効にする

[Gemini] アイコンをクリックし、右下の [Sign-in] と [Select Google Cloud project] をクリックします。

ポップアップウィンドウで、Qwiklabs プロジェクトを選択します。

例:

ファイル「devai-api/app/routes.py」を開き、ファイル内の任意の場所を右クリックして、コンテキストメニューから [Gemini Code Assist > Explain this"] を選択します。

選択したファイルに関する Gemini の説明を確認します。

6. Devai-API を Cloud Run にデプロイする

正しいフォルダにいることを確認します。

cd ~/genai-for-developers/devai-api

このラボでは、ベストプラクティスに沿って Secret Manager を使用して、アクセストークンと LangChain API キーの値を Cloud Run に保存して参照します。

環境変数を設定します。

export JIRA_API_TOKEN=your-jira-token
export JIRA_USERNAME="YOUR-EMAIL"
export JIRA_INSTANCE_URL="https://YOUR-JIRA-PROJECT.atlassian.net"
export JIRA_PROJECT_KEY="YOUR-JIRA-PROJECT-KEY"
export JIRA_CLOUD=true

export GITLAB_PERSONAL_ACCESS_TOKEN=your-gitlab-token
export GITLAB_URL="https://gitlab.com"
export GITLAB_BRANCH="devai"
export GITLAB_BASE_BRANCH="main"
export GITLAB_REPOSITORY="GITLAB-USERID/GITLAB-REPO"

export LANGCHAIN_API_KEY=your-langchain-key
export LANGCHAIN_TRACING_V2=true
export LANGCHAIN_ENDPOINT="https://api.smith.langchain.com"

JIRA アクセストークンを Secret Manager に保存します。

echo -n $JIRA_API_TOKEN | \
 gcloud secrets create JIRA_API_TOKEN \
 --data-file=-

GitLab アクセストークンを Secret Manager に保存します。

echo -n $GITLAB_PERSONAL_ACCESS_TOKEN | \
 gcloud secrets create GITLAB_PERSONAL_ACCESS_TOKEN \
 --data-file=-

LangChain API キーを Secret Manager に保存します。

echo -n $LANGCHAIN_API_KEY | \
 gcloud secrets create LANGCHAIN_API_KEY \
 --data-file=-

アプリケーションを Cloud Run にデプロイします。

gcloud run deploy devai-api \
  --source=. \
  --region="$LOCATION" \
  --allow-unauthenticated \
  --service-account vertex-client \
  --set-env-vars PROJECT_ID="$PROJECT_ID" \
  --set-env-vars LOCATION="$LOCATION" \
  --set-env-vars GITLAB_URL="$GITLAB_URL" \
  --set-env-vars GITLAB_REPOSITORY="$GITLAB_REPOSITORY" \
  --set-env-vars GITLAB_BRANCH="$GITLAB_BRANCH" \
  --set-env-vars GITLAB_BASE_BRANCH="$GITLAB_BASE_BRANCH" \
  --set-env-vars JIRA_USERNAME="$JIRA_USERNAME" \
  --set-env-vars JIRA_INSTANCE_URL="$JIRA_INSTANCE_URL" \
  --set-env-vars JIRA_PROJECT_KEY="$JIRA_PROJECT_KEY" \
  --set-env-vars JIRA_CLOUD="$JIRA_CLOUD" \
  --set-env-vars LANGCHAIN_TRACING_V2="$LANGCHAIN_TRACING_V2" \
  --update-secrets="LANGCHAIN_API_KEY=LANGCHAIN_API_KEY:latest" \
  --update-secrets="GITLAB_PERSONAL_ACCESS_TOKEN=GITLAB_PERSONAL_ACCESS_TOKEN:latest" \
  --update-secrets="JIRA_API_TOKEN=JIRA_API_TOKEN:latest" \
  --min-instances=1 \
  --max-instances=3

Y と回答して、Artifact Registry Docker リポジトリを作成します。

Deploying from source requires an Artifact Registry Docker repository to store built containers. A repository named [cloud-run-source-deploy] in 
region [us-central1] will be created.

Do you want to continue (Y/n)?  y

Gemini にコマンドの説明を依頼します。

以下の gcloud run deploy SERVICE_NAME --source=. フローをご確認ください。詳細

このコマンドはバックグラウンドで Google Cloud の buildpacks と Cloud Build を使用して、Docker マシンへのインストール、Buildpack や Cloud Build の設定を行わずに、ソースコードからコンテナイメージを自動的にビルドします。つまり、上記のコマンドで必要とするのは gcloud builds submit コマンドと gcloud run deploy コマンドだけです。

Dockerfile を指定した場合（このリポジトリでは指定しています）、Cloud Build はそれをコンテナイメージのビルドに使用します。Buildpack に依存してコンテナイメージを自動的に検出してビルドすることはありません。Buildpack の詳細については、ドキュメントをご覧ください。

コンソールで Cloud Build のログを確認します。

Artifact Registry で作成された Docker イメージを確認します。

cloud-run-source-deploy/devai-api を開き、自動的に検出された脆弱性を確認します。修正が可能な問題を確認し、説明に基づいて修正方法を確認します。

Cloud コンソールで Cloud Run インスタンスの詳細を確認します。

curl コマンドを実行してエンドポイントをテストします。

curl -X POST \
   -H "Content-Type: application/json" \
   -d '{"prompt": "PROJECT-100"}' \
   $(gcloud  run services list --filter="(devai-api)" --format="value(URL)")/generate

出力を確認します。

7. Vertex AI Agent Builder

「エージェントビルダー」を検索して開きます。

API の有効化

エージェントアプリを作成する:

[表示名] に「エージェント」と入力し、[同意して作成] をクリックします。

エージェント名を設定します。

Agent

目標を設定:

Help user with questions about JIRA project

セットアップ手順:

- Greet the users, then ask how you can help them today.
- Summarize the user's request and ask them to confirm that you understood correctly.
  - If necessary, seek clarifying details.
- Thank the user for their business and say goodbye.

[保存] をクリックします。

右側のエミュレータチャットを使用してエージェントをテストします。

[ツール] メニューを開き、新しいツールを作成します。

[Type] プルダウンから [OpenAPI] を選択します。

ツール名を設定する:

jira-project-status

セットの説明:

Returns JIRA project status

スキーマを設定する（YAML）- YOUR CLOUD RUN URL を置き換えます。

openapi: 3.0.0
info:
 title: CR API
 version: 1.0.0
 description: >-
   This is the OpenAPI specification of a service.
servers:
 - url: 'https://YOUR CLOUD RUN URL'
paths:
 /create-jira-issue:
   post:
     summary: Request impl
     operationId: create-jira-issue
     requestBody:
       description: Request impl
       required: true
       content:
         application/json:
           schema:
             $ref: '#/components/schemas/Prompt'
     responses:
       '200':
         description: Generated
         content:
           application/json:
             schema:
               type: string
 /generate:
   post:
     summary: Request impl
     operationId: generate
     requestBody:
       description: Request impl
       required: true
       content:
         application/json:
           schema:
             $ref: '#/components/schemas/Prompt'
     responses:
       '200':
         description: Generated
         content:
           application/json:
             schema:
               type: string

 /test:
   get:
     summary: Request impl
     operationId: test
     responses:
       '200':
         description: Generated
         content:
           application/json:
             schema:
               type: string                    
components:
 schemas:
   Prompt:
     type: object
     required:
       - prompt
     properties:
       prompt:
         type: string

ツールの構成を保存します。

ツールを使用するには、エージェントの構成と更新手順に戻ります。

新しいツールを使用する手順を追加しました。

- Use ${TOOL: jira-project-status} to help the user with JIRA project status.

[例] タブに切り替えて、新しい例を追加します。

表示名を設定する:

jira-project-flow

下部にあるメニューを使用して、ユーザーとエージェント間の会話をモデル化します。

ツールの呼び出し構成:

[保存] と [キャンセル] をクリックします。エージェントエミュレータに戻り、フローをテストします。

Vertex AI エージェントのベストプラクティスを確認する

エージェントの設定

ロギングの設定

モデルの構成。

GitGub 統合によるエージェント構成の push と復元。

エージェントエミュレータのコントロール:

8. Slack との統合

[Integrations] メニューを開き、[Slack] タイルの [Connect] をクリックします。

リンクを開き、https://api.slack.com/apps で新しい Slack アプリを作成します。

[マニフェスト] から選択します。

アプリを開発するワークスペースを選択する

YAML に切り替えて、次のマニフェストを貼り付けます。

display_information:
  name: Agent
  description: Agent
  background_color: "#1148b8"
features:
  app_home:
    home_tab_enabled: false
    messages_tab_enabled: true
    messages_tab_read_only_enabled: false
  bot_user:
    display_name: Agent
    always_online: true
oauth_config:
  scopes:
    bot:
      - app_mentions:read
      - chat:write
      - im:history
      - im:read
      - im:write
      - incoming-webhook
settings:
  event_subscriptions:
    request_url: https://dialogflow-slack-4vnhuutqka-uc.a.run.app
    bot_events:
      - app_mention
      - message.im
  org_deploy_enabled: false
  socket_mode_enabled: false
  token_rotation_enabled: false

[作成] をクリックします。

Workspace にインストールする:

[#general] チャンネルを選択し、[許可] をクリックします。

[基本情報 / アプリの認証情報] で [署名シークレット] をコピーし、Slack 統合で設定します。

[OAuth と権限] を開き、[Bot User OAuth Token] をコピーして Slack 統合に設定します。

必須項目を設定し、[開始] をクリックします。

エージェントの [アクセストークン] の値は、Slack の「ボットユーザーの OAuth トークン」です。

エージェントの [Signing Token] の値は、Slack の「Signing Secret」です。

[Webhook URL] をコピーして、Slack アプリの設定に戻ります。

[イベントサブスクリプション] セクションを開き、URL を貼り付けます。

変更を保存します。

「Slack」を開き、「@Agent」と入力してエージェントを追加します。

たとえば、アプリの名前を「@CX」に追加します。

エージェントに JIRA プロジェクトの概要を尋ねます。

9. PDF ドキュメントに関する Q＆A

Cloud Storage バケットを作成する

Cloud コンソールで GCS を開きます（https://console.cloud.google.com/storage/browser）。

バケットを新規作成します。

バケット名には、「pdf-docs」+ GCP プロジェクトの末尾 5 桁を入力します。

ロケーションタイプ: multi-region, us

ストレージクラス: Standard

アクセス制御: Uniform

データ保護: uncheck soft delete policy

[Create] をクリックしてください。

[公開アクセスの防止] を確定します。

PDF レポートをダウンロードしてバケットにアップロードします。https://services.google.com/fh/files/misc/exec_guide_gen_ai.pdf

アップロードされたファイルを含むバケットのビュー:

データストアの構成

エージェントコンソールに戻り、[Agent] を開き、下にスクロールして [+ Data store] をクリックします。

次の値を使用します。

ツール名: pdf-docs

タイプ: Data store

説明: pdf-docs

[Save] をクリックします。

ページ下部の [Create a data store] をクリックします。

[検索と会話のデータストアを米国リージョンに配置することに同意しますか？] と尋ねられたら、[AGREE] をクリックします。

[会社名を入力] フィールドに「Google」と入力します。

次の画面で [CREATE DATA STORE] をクリックします。

データソースとして [Cloud Storage] を選択します。

取り込み用にデータを準備する

https://cloud.google.com/generative-ai-app-builder/docs/prepare-data

HTML ファイルと TXT ファイルは 2.5 MB 以下にする必要があります。

PDF、PPTX、DOCX ファイルは 100 MB 以下にする必要があります。

一度にインポートできるファイル数は最大 100,000 個です。

選択: unstructured documents

GCS バケットまたはフォルダを選択します。

[続行] をクリックします。

データストア名のタイプ: 「pdf-docs」

プルダウンから [Digital parser] を選択します。

高度なチャンクを有効にします。

チャンクで上位の見出しを有効にします。

[Create] をクリックしてください。

データストアを選択し、[Create] をクリックします。

データストアをクリックし、[ドキュメント]、[アクティビティ]、[処理構成] を確認します。

インポートが完了するまでに 5 ～ 10 分ほどかかります。

解析とチャンキングのオプション

コンテンツの解析は、次の方法で制御できます。

デジタルパーサー。別のパーサータイプが指定されていない限り、すべてのファイル形式でデジタルパーサーがデフォルトでオンになります。データストアに他のデフォルトパーサーが指定されていない場合、または指定されたパーサーが取り込まれたドキュメントのファイル形式をサポートしていない場合、デジタルパーサーは取り込まれたドキュメントを処理します。
PDF の OCR 解析。公開プレビュー版。スキャンした PDF や画像内にテキストを含む PDF をアップロードする場合は、OCR パーサーをオンにして PDF のインデックス登録を改善できます。PDF の OCR 解析についてをご覧ください。
レイアウトパーサー。公開プレビュー版。RAG に Vertex AI Search を使用する場合は、HTML、PDF、DOCX ファイルのレイアウトパーサーをオンにします。このパーサーおよびそれを有効にする方法については、RAG 用にドキュメントをチャンクするをご覧ください。

ドキュメントの解析とチャンキングの詳細。

ツール構成

ツールの設定があるタブに戻ります。

ブラウザを更新し、[非構造化] プルダウンから [pdf-docs] を選択します。

接地を構成します。

会社名として「Google」と入力します。

ペイロードの設定 - [Include snippets in the response payload] をオンにする

[Save] をクリックしてください。

エージェントの手順の構成

エージェントの構成に戻ります。

新しい手順を追加します。

- Provide detailed answer to users questions about the exec guide to gen ai using information in the ${TOOL:pdf-docs}

構成を保存します。

PDF-Docs ツールのサンプルを作成する

[例] タブに切り替えます。新しい例を作成します。

アクション「+」を使用する:

「ユーザー入力」を追加します。

What are the main capabilities?

「ツールの使用」を追加しました。

ツールとアクション: 「pdf-docs」

入力（requestBody）

{
  "query": "Main capabilities",
  "filter": "",
  "userMetadata": {},
  "fallback": ""
}

ツールの出力:

{
  "answer": "Detailed answer about main capabilities",
  "snippets": [
    {
      "uri": "https://storage.cloud.google.com/pdf-docs-49ca4/exec_guide_gen_ai.pdf",
      "text": "Detailed answer about main capabilities",
      "title": "exec_guide_gen_ai"
    }
  ]
}

「エージェントの回答」を追加

Detailed answer about main capabilities. 

https://storage.cloud.google.com/pdf-docs-49ca4/exec_guide_gen_ai.pdf

構成例:

ツールの呼び出し構成:

エミュレータでエージェントに質問を送信して、構成をテストします。

質問:

What are the 10 steps in the exec guide?

[Agent] を選択し、[Save example] をクリックします。

名前を「user-question-flow」として保存します。

エージェントの回答をフォーマットし、ツールの出力セクションの PDF ドキュメントへのリンクを含めます。

サンプルを保存します。

エミュレータに戻り、[Replay conversation] をクリックして、更新されたレスポンス形式を確認します。

別の質問を投稿:

What are the main capabilities in the exec guide?

ソースの PDF ドキュメント。

質問:

What should I consider when evaluating projects?

ソースの PDF ドキュメント。

質問:

What are the priority use cases in Retail and CPG in the exec guide?

ソースの PDF ドキュメント。

10. Prebuilt Agent

左側のメニューから、ビルド済みエージェントを調べます。

いずれかのエージェントを選択してデプロイします。エージェントの設定、手順、ツールを確認する。

11. 完了

お疲れさまでした。ラボはこれで完了です。

学習した内容

Cloud Run アプリケーションをデプロイして Gemini API と統合する方法
Vertex AI エージェントを作成してデプロイする方法
エージェントの Slack 統合を追加する方法
PDF ドキュメントを介した Q&A 用のデータストアを構成する方法

次のステップ:

Vertex AI エージェントのベストプラクティスを確認する

クリーンアップ

このチュートリアルで使用したリソースについて、Google Cloud アカウントに課金されないようにするには、リソースを含むプロジェクトを削除するか、プロジェクトを維持して個々のリソースを削除します。

プロジェクトの削除

課金を停止する最も簡単な方法は、チュートリアル用に作成したプロジェクトを削除することです。

ドキュメントと API 呼び出しの QA 用の生成 AI エージェント

1. 概要

学習内容

前提条件

2. 設定と要件

Cloud プロジェクトの設定

環境設定

Gemini for Google Cloud がデータを使用する方法

Google のプライバシーに関する取り組み

送信および受信するデータ

プロンプトの暗号化

Gemini によって生成されたプログラム データ

3. プロンプトをテストするオプション

4. リポジトリのクローンを作成する

5. サービス アカウントを作成する

Gemini Code Assist を有効にする

6. Devai-API を Cloud Run にデプロイする

7. Vertex AI Agent Builder

エージェントの設定

ロギングの設定

8. Slack との統合

9. PDF ドキュメントに関する Q＆A

Cloud Storage バケットを作成する

データストアの構成

解析とチャンキングのオプション

ツール構成

接地を構成します。

エージェントの手順の構成

PDF-Docs ツールのサンプルを作成する

10. Prebuilt Agent

11. 完了

学習した内容

次のステップ:

クリーンアップ

プロジェクトの削除

Gemini によって生成されたプログラムデータ

5. サービスアカウントを作成する