GSP1209

概要

Google Gen AI SDK は、Google の生成 AI API サービスへの統合インターフェースを提供します。この SDK を利用することで、生成 AI 機能をアプリケーションやサービスに統合するプロセスが簡素化され、デベロッパーが Google の高度な AI モデルをさまざまなタスクに活用できるようになります。このラボでは、Google Gen AI SDK の全体像を探り、AI サービスへの接続、さまざまなプロンプトの送信、Gemini から得られる回答の微調整について学びます。また、より高度な手法を実際に使用してみることで、生成 AI の機能を実際のプロジェクトに活用する準備を整えます。

目標

このラボでは、Google Gen AI SDK for Python を使用して、Gemini などの Google の生成 AI サービスやモデルとのやりとりを行う方法を学びます。具体的な内容は次のとおりです。

• Gen AI SDK をインストールする。
• API サービスに接続する。
• テキストとマルチモーダル プロンプトを送信する。
• システム指示を設定する。
• モデル パラメータと安全フィルタを構成する。
• モデルとのやりとり（マルチターン チャット、コンテンツ ストリーミング、非同期リクエスト）を管理する。
• 上級者向け機能（トークン カウント、コンテキスト キャッシュ、関数呼び出し、テキスト エンベディング）を使用する。

前提条件

このラボを開始する前に、以下について理解しておく必要があります。

• 基本的な Python プログラミング。
• 一般的な API のコンセプト。
• Agent Platform Workbench の Jupyter ノートブックでの Python コードの実行。

設定と要件

[ラボを開始] ボタンをクリックする前に

こちらの説明をお読みください。ラボには時間制限があり、一時停止することはできません。タイマーは、Google Cloud のリソースを利用できる時間を示しており、[ラボを開始] をクリックするとスタートします。

このハンズオンラボでは、シミュレーションやデモ環境ではなく実際のクラウド環境を使って、ラボのアクティビティを行います。そのため、ラボの受講中に Google Cloud にログインおよびアクセスするための、新しい一時的な認証情報が提供されます。

このラボを完了するためには、下記が必要です。

• 標準的なインターネット ブラウザ（Chrome を推奨）

注: このラボの実行には、シークレット モード（推奨）またはシークレット ブラウジング ウィンドウを使用してください。これにより、個人アカウントと受講者アカウント間の競合を防ぎ、個人アカウントに追加料金が発生しないようにすることができます。

• ラボを完了するための時間（開始後は一時停止できません）

注: このラボでは、受講者アカウントのみを使用してください。別の Google Cloud アカウントを使用すると、そのアカウントに料金が発生する可能性があります。

ラボを開始して Google Cloud コンソールにログインする方法

1. [ラボを開始] ボタンをクリックします。ラボの料金をお支払いいただく必要がある場合は、表示されるダイアログでお支払い方法を選択してください。 右側の [ラボの設定とアクセス] パネルには、以下が表示されます。

   • [Google Cloud コンソールを開く] ボタン
   • このラボで使用する一時的な認証情報（ユーザー名とパスワード）
   • このラボを行うために必要なその他の情報（ある場合）

   ラボのタイマーはページの上部に表示され、残り時間が示されます。

2. [Google Cloud コンソールを開く] をクリックします（Chrome ブラウザを使用している場合は、右クリックして [シークレット ウィンドウで開く] を選択します）。

   ラボでリソースがスピンアップし、別のタブで [ログイン] ページが表示されます。

   ヒント: タブをそれぞれ別のウィンドウで開き、並べて表示しておきましょう。

   注: [アカウントの選択] ダイアログが表示された場合は、[別のアカウントを使用] をクリックします。

3. 必要に応じて、下のユーザー名をコピーして、[ログイン] ダイアログに貼り付けます。

   {{{user_0.username | "Username"}}}

   [ラボの設定とアクセス] パネルでもユーザー名を確認できます。

4. [次へ] をクリックします。

5. 以下のパスワードをコピーして、[ようこそ] ダイアログに貼り付けます。

   {{{user_0.password | "Password"}}}

   [ラボの設定とアクセス] パネルでもパスワードを確認できます。

6. [次へ] をクリックします。

   重要: ラボで指定された認証情報を使用する必要があります。ご自身の Google Cloud アカウントの認証情報は使用しないでください。 注: このラボでご自身の Google Cloud アカウントを使用すると、追加料金が発生する場合があります。

7. その後のページはクリックして先に進みます。

   • 利用規約に同意します。
   • 一時的なアカウントなので、復元オプションや 2 要素認証プロセスは設定しないでください。
   • 無料トライアルには登録しないでください。

しばらくすると、このタブで Google Cloud コンソールが開きます。

注: Google Cloud のプロダクトやサービスにアクセスするには、ナビゲーション メニューをクリックするか、[検索] フィールドにサービス名またはプロダクト名を入力します。

タスク 1. Agent Platform Workbench でノートブックを開く

1. Google Cloud コンソールのナビゲーション メニュー（）で、[Agent Platform] > [Notebooks] > [ワークベンチ] をクリックします。

2. インスタンスを見つけて、[JupyterLab を開く] ボタンをクリックします。

Workbench インスタンスの JupyterLab インターフェースが新しいブラウザタブで開きます。

タスク 2. ノートブックを設定する

1. ファイルを開きます。

2. [Select Kernel] ダイアログで、使用可能なカーネルのリストから [Python 3 (Local)] を選択します。

3. ノートブックの「Getting Started」セクションを実行します。[Project ID] と [Location] は事前構成されています。

注: いずれかのノートブック セルの実行で 429 応答が返される場合は、1 分待ってから再度セルを実行し、次に進んでください。 重要: ノートブック内の「Install Google Gen AI SDK」（Google Gen AI SDK をインストール）インストール セルを実行した後、残りのセルを実行する前にノートブック カーネルを再起動する必要があります（ノートブックのメニューバーで [Kernel] > [Restart Kernel...] に移動）。

[進行状況を確認] をクリックして、目標に沿って進んでいることを確認します。 ライブラリをインポートしてノートブックを設定する

タスク 3. モデルとのやりとりを行う

Agent Platform の AI モデルと API の全体に関する詳細は、「Google のモデル」と「Model Garden」をご覧ください。

モデルを選択する

• ノートブックの「Choose a model」（モデルを選択）セクションを実行します。

テキスト プロンプトを送信する

generate_content メソッドを使用して、プロンプトに対する回答を生成します。generate_content にテキストを渡し、.text プロパティを使用して回答のテキスト コンテンツを取得できます。

• ノートブックの「Send text prompts」（テキスト プロンプトを送信する）セクションを実行します。

マルチモーダル プロンプトを送信する

プロンプト リクエストに含められるのはテキスト、PDF ドキュメント、画像、音声、動画です。取得できる回答はテキストまたはコードです。

ファイルの URL をリクエストの Part.from_uri でモデルに直接渡すこともできます。

• ノートブックの「Send multimodal prompts」（マルチモーダル プロンプトを送信する）セクションを実行します。

システム指示を設定する

システム指示を使用してモデルの動作を制御できます。システム指示を設定すると、タスクを理解するための追加のコンテキストがモデルに提供され、よりカスタマイズされた回答が得られます。また、ユーザー インタラクションをガイドラインに準拠させることができます。

• ノートブックの「Set system instructions」（システム指示を設定する）セクションを実行します。

[進行状況を確認] をクリックして、目標に沿って進んでいることを確認します。 モデルとのやりとりを行う

タスク 4. モデルの構成と制御を行う

モデル パラメータを構成する

モデルに送信する呼び出しの一つひとつに、モデルがどのように回答を生成するかを制御するパラメータ値を組み込むことができます。詳しくは、「パラメータ値を試す」をご覧ください。

• ノートブックの「Configure model parameters」（モデル パラメータを構成する）セクションを実行します。

安全フィルタを構成する

Gemini API で提供されている安全フィルタは、特定の種類のコンテンツを制限または許可するように複数のフィルタ カテゴリにわたって調整できます。これらのフィルタを使用して、ユースケースに適切なコンテンツとなるように調整できます。詳しくは、「安全フィルタを構成する」のページをご覧ください。

モデルに対してリクエストを行うと、コンテンツが分析され、安全性評価が割り当てられます。生成されたコンテンツの安全性評価は、モデルの回答をプリントすることで確認できます。この例をご覧ください。

• ノートブックの「Configure safety filters」（安全フィルタを構成する）セクションを実行します。

マルチターン チャットを開始する

Gemini API を使って、マルチターンの会話を自由形式で行うことができます。

• ノートブックの「Start a multi-turn chat」（マルチターン チャットを開始する）セクションを実行します。

生成された出力を制御する

Gemini API の生成制御機能を使用すると、モデルの出力を構造化された形式に制限できます。スキーマは Pydantic モデルまたは JSON 文字列として指定できます。

Python 辞書でレスポンス スキーマを定義することもできます。使用できるのは以下のフィールドに限られます。他のフィールドはすべて無視されます。

• enum
• items
• maxItems
• nullable
• properties
• required

この例では、商品レビューデータを分析し、主要なエンティティを抽出し、感情分類（多岐選択）を実行し、追加の説明を提示し、結果を JSON 形式で出力するようモデルに指示します。

• ノートブックの「Control generated output」（生成された出力を制御する）セクションを実行します。

[進行状況を確認] をクリックして、目標に沿って進んでいることを確認します。 モデルの構成と制御を行う

タスク 5. モデルとのやりとりを管理する

コンテンツ ストリーミングを生成する

デフォルトでは、モデルは生成プロセス全体が完了した後に回答を返します。generate_content_stream メソッドを使用して、回答を生成と同時にストリーミングすることもできます。モデルはひとまとまりの内容が生成されるたびに回答を返します。

• ノートブックの「Generate content stream」（コンテンツ ストリーミングを生成する）セクションを実行します。

非同期リクエストを送信する

client.aio モジュールを使用して非同期リクエストを送信できます。このモジュールによって、client で使用できる類似の非同期メソッドがすべて公開されます。

たとえば、client.aio.models.generate_content は client.models.generate_content の非同期バージョンです。

• ノートブックの「Send asynchronous requests」（非同期リクエストを送信する）セクションを実行します。

トークンをカウントして計算する

Gemini API にリクエストを送信する前に、count_tokens メソッドを使用して入力トークンの数を計算できます。詳細については、「トークンの一覧表示とカウント」のページをご覧ください。

トークンのカウント

• ノートブックの「Count tokens」（トークンをカウントする）セクションを実行します。

トークンの計算

• ノートブックの「Compute tokens」（トークンを計算する）セクションを実行します。

[進行状況を確認] をクリックして、目標に沿って進んでいることを確認します。 モデルとのやりとりを管理する

タスク 6. 高度な機能

関数呼び出し

関数呼び出しを使用することで、ユーザー プロンプトに対するレスポンスの際に使用可能なツールを用意してモデルに渡すことができます。コード内で関数を記述し、その記述をリクエストで言語モデルに渡します。モデルからのレスポンスには、説明に対応する関数の名前と、その関数を呼び出す引数が含まれます。

関数呼び出しのその他の例については、こちらのラボをご覧ください。

• ノートブックの「Function calling」（関数呼び出し）セクションを実行します。

[進行状況を確認] をクリックして、目標に沿って進んでいることを確認します。 関数呼び出し

コンテキスト キャッシュ保存を使用する

コンテキスト キャッシュ保存を使用すると、よく使用する入力トークンを専用キャッシュに保存し、その後のリクエストで参照できるようになります。これにより、同じトークンセットをモデルに繰り返し渡す必要がなくなります。

キャッシュを作成する

• ノートブックの「Create a cache」（キャッシュを作成する）セクションを実行します。

キャッシュを使用する

• ノートブックの「Use a cache」（キャッシュを使用する）セクションを実行します。

キャッシュを削除する

• ノートブックの「Delete a cache」（キャッシュを削除する）セクションを実行します。

[進行状況を確認] をクリックして、目標に沿って進んでいることを確認します。 コンテキスト キャッシュ保存を使用する

テキスト エンベディングを取得する

embed_content メソッドを使用して、テキスト スニペットのテキスト エンベディングを取得できます。どのモデルも、デフォルトで 768 ディメンションの出力を生成します。ただし、モデルによっては、1 ～ 768 の範囲で出力の次元数を選択できます。詳細については、Agent Platform Text Embeddings API をご覧ください。

• ノートブックの「Get text embeddings」（テキスト エンベディングを取得する）セクションを実行します。

[進行状況を確認] をクリックして、目標に沿って進んでいることを確認します。 テキスト エンベディングを取得する

お疲れさまでした

これで完了です。Google Gen AI SDK の全体像を探り、AI サービスへの接続、さまざまなプロンプトの送信、Gemini モデルから得られる回答の微調整について学びました。また、モデルとのやりとりの管理、コンテキスト キャッシュ保存の使用、さらにはエンベディングの操作といった、より高度な手法も実際に使用しました。これで、実際のプロジェクトで生成 AI の機能を活用できるようになりました。

次のステップと詳細情報

生成 AI と Gemini Enterprise Agent Platform の詳細については、以下のリソースをご覧ください。

• Google DeepMind Gemini モデルの概要を読んで、コアモデルの機能について学びましょう。
• 設計、スケーリング、デプロイのガイドラインについては、公式の Agent Platform ドキュメントをご覧ください。
• カスタム エージェントの構築と管理の方法については、Agent Platform のエージェントの概要をご覧ください。
• 動画チュートリアルとプロダクトのデモについては、生成 AI に関する YouTube 再生リストをご覧ください。
• Google Cloud 生成 AI レポジトリで、他のノートブックやサンプルをご覧ください。
• カスタム エージェント テンプレートについては、Google Agent Development Kit（ADK）のサンプル リポジトリをご覧ください。

Google Cloud トレーニングと認定資格

Google Cloud トレーニングと認定資格を通して、Google Cloud 技術を最大限に活用できるようになります。必要な技術スキルとベスト プラクティスについて取り扱うクラスでは、学習を継続的に進めることができます。トレーニングは基礎レベルから上級レベルまであり、オンデマンド、ライブ、バーチャル参加など、多忙なスケジュールにも対応できるオプションが用意されています。認定資格を取得することで、Google Cloud テクノロジーに関するスキルと知識を証明できます。

マニュアルの最終更新日: 2026 年 5 月 18 日

ラボの最終テスト日: 2026 年 5 月 4 日

Copyright 2026 Google LLC. All rights reserved. Google および Google のロゴは Google LLC の商標です。その他すべての企業名および商品名はそれぞれ各社の商標または登録商標です。