1. 📖 はじめに
前の Codelab では、ADK でマルチモーダル データ インタラクションを設計する方法について学習しました。次に、MCP Toolset を使用して MCP Server とのマルチモーダル データ インタラクションを設計する方法について説明します。Veo MCP サーバーを利用して Veo モデルで短い動画を生成する機能を備えた、以前に開発された商品写真エディタ エージェントの機能を拡張します。
この Codelab では、次の手順でアプローチします。
- Google Cloud プロジェクトとベース エージェント ディレクトリを準備する
- ファイルデータを入力として必要とする MCP サーバーを構成する
- MCP サーバーに接続するための ADK エージェントの装備
- MCP Toolset への関数呼び出しリクエストを変更するプロンプト戦略とコールバック関数を設計する
- MCP ツールセットからのマルチモーダル データ レスポンスを処理するコールバック関数を設計する
アーキテクチャの概要
この Codelab の全体的なインタラクションを次の図に示します。
前提条件
- Python の操作に慣れている
- （省略可）Agent Development Kit（ADK）に関する基礎的な Codelab
- （省略可）ADK マルチモーダル ツール パート 1 の Codelab : goo.gle/adk-multimodal-tool-1
学習内容
- プロンプトと画像スターターを使用して Veo 3.1 でショート動画を作成する方法
- FastMCP を使用してマルチモーダル MCP サーバーを開発する方法
- MCP Toolset を使用するように ADK を設定する方法
- ツール コールバックを使用して MCP ツールセットへのツール呼び出しを変更する方法
- ツール コールバックを使用して MCP ツールセットからツール レスポンスを変更する方法
必要なもの
- Chrome ウェブブラウザ
- Gmail アカウント
- 課金アカウントが有効になっている Cloud プロジェクト
この Codelab は、初心者を含むあらゆるレベルのデベロッパーを対象としており、サンプル アプリケーションで Python を使用します。ただし、ここで説明するコンセプトを理解するために Python の知識は必要ありません。
2. 🚀（省略可）ワークショップの開発環境の準備
ステップ 1: Cloud コンソールでアクティブなプロジェクトを選択する
Google Cloud コンソールのプロジェクト選択ページで、Google Cloud プロジェクトを選択または作成します（コンソールの左上部分を参照）。
クリックすると、次の例のように、すべてのプロジェクトのリストが表示されます。
赤いボックスで示されている値はプロジェクト ID であり、この値はチュートリアル全体で使用されます。
Cloud プロジェクトに対して課金が有効になっていることを確認します。これを確認するには、左上のバーにあるハンバーガー アイコン ☰ をクリックしてナビゲーション メニューを表示し、[お支払い] メニューを見つけます。
[お支払い / 概要] タイトル（クラウド コンソールの左上部分）に [Google Cloud Platform Trial Billing Account] が表示されている場合は、このチュートリアルでプロジェクトを使用する準備が整っています。そうでない場合は、このチュートリアルの最初に戻って、トライアルの課金アカウントを利用します。
ステップ 2: Cloud Shell について理解する
チュートリアルのほとんどの部分で Cloud Shell を使用します。Google Cloud コンソールの上部にある [Cloud Shell をアクティブにする] をクリックします。承認を求めるメッセージが表示されたら、[承認] をクリックします。
Cloud Shell に接続したら、シェル（またはターミナル）がアカウントで認証済みかどうかを確認する必要があります。
gcloud auth list
次の出力例のように、個人の Gmail が表示されていれば問題ありません。
Credentialed Accounts
ACTIVE: *
ACCOUNT: alvinprayuda@gmail.com
To set the active account, run:
$ gcloud config set account `ACCOUNT`
表示されない場合は、ブラウザを更新して、プロンプトが表示されたら [承認] をクリックしてください（接続の問題により中断されることがあります）。
次に、シェルが正しい プロジェクト ID にすでに構成されているかどうかを確認する必要があります。ターミナルの $アイコンの前に（）内の値が表示されている場合（下のスクリーンショットでは値は "adk-multimodal-tool"）、この値はアクティブなシェル セッション用に構成されたプロジェクトを示しています。
表示された値がすでに正しい場合は、次のコマンドをスキップできます。正しくない場合や欠落している場合は、次のコマンドを実行します。
gcloud config set project <YOUR_PROJECT_ID>
次に、GitHub からこの Codelab のテンプレート作業ディレクトリのクローンを作成します。次のコマンドを実行します。作業ディレクトリは adk-multimodal-tool ディレクトリに作成されます。
git clone https://github.com/alphinside/adk-mcp-multimodal.git adk-multimodal-tool
手順 3: Cloud Shell エディタに慣れ、アプリケーションの作業ディレクトリを設定する
これで、コーディング作業を行うようにコードエディタを設定できます。これには Cloud Shell エディタを使用します。
[エディタを開く] ボタンをクリックします。Cloud Shell エディタ 
が開きます。
次に、Cloud Shell エディタの上部にある [File->Open Folder] をクリックし、username ディレクトリを見つけて、adk-multimodal-tool ディレクトリを見つけて、[OK] ボタンをクリックします。これにより、選択したディレクトリがメインの作業ディレクトリになります。この例では、ユーザー名は alvinprayuda であるため、ディレクトリ パスは次のようになります。
この時点で、Cloud Shell エディタの作業ディレクトリは次のようになっているはずです（adk-multimodal-tool 内）。
次に、エディタのターミナルを開きます。メニューバーの [Terminal -> New Terminal] をクリックするか、Ctrl + Shift + C を使用して、ブラウザの下部にターミナル ウィンドウを開きます。
現在アクティブなターミナルは、adk-multimodal-tool 作業ディレクトリ内にあるはずです。この Codelab では Python 3.12 を使用し、uv Python プロジェクト マネージャーを使用して、Python のバージョンと仮想環境の作成と管理の必要性を簡素化します。この uv パッケージは、Cloud Shell にプリインストールされています。
次のコマンドを実行して、.venv ディレクトリの仮想環境に必要な依存関係をインストールします。
uv sync --frozen
pyproject.toml を確認して、このチュートリアルの宣言された依存関係（google-adk, and python-dotenv）を確認します。
次に、次のコマンドを使用して、必要な API を有効にする必要があります。この処理にはしばらく時間がかかることがあります。
gcloud services enable aiplatform.googleapis.com
コマンドが正常に実行されると、次のようなメッセージが表示されます。
Operation "operations/..." finished successfully.
テンプレート エージェントの構造は、クローンしたリポジトリの part2_starter_agent ディレクトリにすでに用意されています。このチュートリアルで使用する前に、名前を変更する必要があります。
mv part1_ckpt_agent product_photo_editor
次に、product_photo_editor/.env.example を product_photo_editor/.env にコピーします。
cp product_photo_editor/.env.example product_photo_editor/.env
product_photo_editor/.env ファイルを開くと、次のような内容が表示されます。
GOOGLE_GENAI_USE_VERTEXAI=1
GOOGLE_CLOUD_PROJECT=your-project-id
GOOGLE_CLOUD_LOCATION=global
次に、your-project-id の値を正しいプロジェクト ID に更新する必要があります。これで、次のステップに進む準備が整いました。
3. 🚀 Veo MCP サーバーを初期化する
まず、次のコマンドを使用して MCP サービス ディレクトリを作成します。
mkdir veo_mcp
次のコマンドを使用して、veo_mcp/main.py を作成します。
touch veo_mcp/main.py
その後、次のコードを veo_mcp/main.py にコピーします。
from fastmcp import FastMCP
from typing import Annotated
from pydantic import Field
import base64
import asyncio
import os
from google import genai
from google.genai import types
from dotenv import load_dotenv
import logging
# Load environment variables from .env file
load_dotenv()
mcp = FastMCP("Veo MCP Server")
@mcp.tool
async def generate_video_with_image(
prompt: Annotated[
str, Field(description="Text description of the video to generate")
],
image_data: Annotated[
str, Field(description="Base64-encoded image data to use as starting frame")
],
negative_prompt: Annotated[
str | None,
Field(description="Things to avoid in the generated video"),
] = None,
) -> dict:
"""Generates a professional product marketing video from text prompt and starting image using Google's Veo API.
This function uses an image as the first frame of the generated video and automatically
enriches your prompt with professional video production quality guidelines to create
high-quality marketing assets suitable for commercial use.
AUTOMATIC ENHANCEMENTS APPLIED:
- 4K cinematic quality with professional color grading
- Smooth, stabilized camera movements
- Professional studio lighting setup
- Shallow depth of field for product focus
- Commercial-grade production quality
- Marketing-focused visual style
PROMPT WRITING TIPS:
Describe what you want to see in the video. Focus on:
- Product actions/movements (e.g., "rotating slowly", "zooming into details")
- Desired camera angles (e.g., "close-up of the product", "wide shot")
- Background/environment (e.g., "minimalist white backdrop", "lifestyle setting")
- Any specific details about the product presentation
The system will automatically enhance your prompt with professional production quality.
Args:
prompt: Description of the video to generate. Focus on the core product presentation
you want. The system will automatically add professional quality enhancements.
image_data: Base64-encoded image data to use as the starting frame
negative_prompt: Optional prompt describing what to avoid in the video
Returns:
dict: A dictionary containing:
- status: 'success' or 'error'
- message: Description of the result
- video_data: Base64-encoded video data (on success only)
"""
try:
# Initialize the Gemini client
client = genai.Client(
vertexai=True,
project=os.getenv("GOOGLE_CLOUD_PROJECT"),
location=os.getenv("GOOGLE_CLOUD_LOCATION"),
)
# Decode the image
image_bytes = base64.b64decode(image_data)
print(f"Successfully decoded image data: {len(image_bytes)} bytes")
# Create image object
image = types.Image(image_bytes=image_bytes, mime_type="image/png")
# Prepare the config
config = types.GenerateVideosConfig(
duration_seconds=8,
number_of_videos=1,
)
if negative_prompt:
config.negative_prompt = negative_prompt
# Enrich the prompt for professional marketing quality
enriched_prompt = enrich_prompt_for_marketing(prompt)
# Generate the video (async operation)
operation = client.models.generate_videos(
model="veo-3.1-generate-preview",
prompt=enriched_prompt,
image=image,
config=config,
)
# Poll until the operation is complete
poll_count = 0
while not operation.done:
poll_count += 1
print(f"Waiting for video generation to complete... (poll {poll_count})")
await asyncio.sleep(5)
operation = client.operations.get(operation)
# Download the video and convert to base64
video = operation.response.generated_videos[0]
# Get video bytes and encode to base64
video_bytes = video.video.video_bytes
video_base64 = base64.b64encode(video_bytes).decode("utf-8")
print(f"Video generated successfully: {len(video_bytes)} bytes")
return {
"status": "success",
"message": f"Video with image generated successfully after {poll_count * 5} seconds",
"complete_prompt": enriched_prompt,
"video_data": video_base64,
}
except Exception as e:
logging.error(e)
return {
"status": "error",
"message": f"Error generating video with image: {str(e)}",
}
def enrich_prompt_for_marketing(user_prompt: str) -> str:
"""Enriches user prompt with professional video production quality enhancements.
Adds cinematic quality, professional lighting, smooth camera work, and marketing-focused
elements to ensure high-quality product marketing videos.
"""
enhancement_prefix = """Create a high-quality, professional product marketing video with the following characteristics:
TECHNICAL SPECIFICATIONS:
- 4K cinematic quality with professional color grading
- Smooth, stabilized camera movements
- Professional studio lighting setup with soft, even illumination
- Shallow depth of field for product focus
- High dynamic range (HDR) for vibrant colors
VISUAL STYLE:
- Clean, minimalist aesthetic suitable for premium brand marketing
- Elegant and sophisticated presentation
- Commercial-grade production quality
- Attention to detail in product showcase
USER'S SPECIFIC REQUIREMENTS:
"""
enhancement_suffix = """
ADDITIONAL QUALITY GUIDELINES:
- Ensure smooth transitions and natural motion
- Maintain consistent lighting throughout
- Keep the product as the clear focal point
- Use professional camera techniques (slow pans, tracking shots, or dolly movements)
- Apply subtle motion blur for cinematic feel
- Ensure brand-appropriate tone and style"""
return f"{enhancement_prefix}{user_prompt}{enhancement_suffix}"
if __name__ == "__main__":
mcp.run()
次のコードは次の処理を行います。
- Veo 3.1 動画生成ツールを ADK エージェントに公開する FastMCP サーバーを作成します
- base64 エンコードされた画像、テキスト プロンプト、ネガティブ プロンプトを入力として受け取ります
- Veo 3.1 API にリクエストを送信し、完了するまで 5 秒ごとにポーリングして、8 秒の動画を非同期で生成します
- base64 エンコードされた動画データと強化されたプロンプトを返します
この Veo MCP ツールには、エージェントと同じ環境変数が必要になるため、.env ファイルをコピーして貼り付けるだけで済みます。次のコマンドを実行します。
cp product_photo_editor/.env veo_mcp/
次のコマンドを実行して、MCP サーバーが正しく実行されているかどうかをテストできます。
uv run veo_mcp/main.py
コンソール ログは次のようになります。
╭────────────────────────────────────────────────────────────────────────────╮
│ │
│ _ __ ___ _____ __ __ _____________ ____ ____ │
│ _ __ ___ .'____/___ ______/ /_/ |/ / ____/ __ \ |___ \ / __ \ │
│ _ __ ___ / /_ / __ `/ ___/ __/ /|_/ / / / /_/ / ___/ / / / / / │
│ _ __ ___ / __/ / /_/ (__ ) /_/ / / / /___/ ____/ / __/_/ /_/ / │
│ _ __ ___ /_/ \____/____/\__/_/ /_/\____/_/ /_____(*)____/ │
│ │
│ │
│ FastMCP 2.0 │
│ │
│ │
│ 🖥️ Server name: Veo MCP Server │
│ 📦 Transport: STDIO │
│ │
│ 🏎️ FastMCP version: 2.12.5 │
│ 🤝 MCP SDK version: 1.16.0 │
│ │
│ 📚 Docs: https://gofastmcp.com │
│ 🚀 Deploy: https://fastmcp.cloud │
│ │
╰────────────────────────────────────────────────────────────────────────────╯
[10/22/25 08:28:53] INFO Starting MCP server 'Veo MCP Server' with server.py:1502
transport 'stdio'
Ctrl+C を使用して MCP サービス プロセスを強制終了します。このコマンドは、後で ADK MCP ツールセットから呼び出されます。次のステップに進んで、エージェントがこの MCP ツールを利用できるようにします。
4. 🚀 Veo MCP サーバーを ADK エージェントに接続する
次に、エージェントで使用できるように Veo MCP サーバーを接続します。まず、ツールセットを含む別のスクリプトを作成します。次のコマンドを実行します。
touch product_photo_editor/mcp_tools.py
次に、次のコードを product_photo_editor/mcp_tools.py にコピーします。
from google.adk.tools.mcp_tool.mcp_toolset import MCPToolset
from google.adk.tools.mcp_tool.mcp_session_manager import StdioConnectionParams
from mcp import StdioServerParameters
mcp_toolset = MCPToolset(
connection_params=StdioConnectionParams(
server_params=StdioServerParameters(
command="uv",
args=[
"run",
"veo_mcp/main.py",
],
),
timeout=120, # seconds
),
)
# Option to connect to remote MCP server
# from google.adk.tools.mcp_tool.mcp_session_manager import StreamableHTTPConnectionParams
# mcp_toolset = MCPToolset(
# connection_params=StreamableHTTPConnectionParams(
# url="http://localhost:8000/mcp",
# timeout=120,
# ),
# )
上記のコードは、ADK MCPToolset を使用して MCP サーバーに接続する方法を示しています。この例では、STDIO 通信チャネルを使用して MCP サーバーに接続します。このコマンドでは、MCP サーバーの実行方法を指定し、タイムアウト パラメータを設定します。
5. 🚀 ツール呼び出しパラメータの変更
MCP サーバーツールの宣言では、ツール パラメータとして base64 文字列を指定するツール generate_video_with_image を設計しました。LLM にこの処理を依頼することはできないため、この処理を行うための具体的な戦略を設計する必要があります。
前のラボでは、ユーザーがアップロードした画像とツール レスポンスの画像を before_model_callback で処理してアーティファクトとして保存します。これは、事前に準備したエージェント テンプレートにも反映されます。これを利用して、次の戦略を実行します。
- 特定のツール パラメータで base64 文字列データの送信が必要な場合は、常に artifact_id 値を送信するように LLM に指示します
before_tool_callbackでツール呼び出しの呼び出しをインターセプトし、アーティファクトを読み込んでアーティファクト ID からバイト コンテンツにパラメータを変換し、ツール引数を上書きします。
インターセプトする部分の可視化については、下の画像をご覧ください。
まず、before_tool_callback 関数を準備します。次のコマンドを実行して、新しいファイル product_photo_editor/tool_callbacks.py を作成します。
touch product_photo_editor/tool_callbacks.py
次に、次のコードをファイルにコピーします。
# product_photo_editor/tool_callbacks.py
from google.genai.types import Part
from typing import Any
from google.adk.tools.tool_context import ToolContext
from google.adk.tools.base_tool import BaseTool
from google.adk.tools.mcp_tool.mcp_tool import McpTool
import base64
import logging
import json
from mcp.types import CallToolResult
async def before_tool_modifier(
tool: BaseTool, args: dict[str, Any], tool_context: ToolContext
):
# Identify which tool input should be modified
if isinstance(tool, McpTool) and tool.name == "generate_video_with_image":
logging.info("Modify tool args for artifact: %s", args["image_data"])
# Get the artifact filename from the tool input argument
artifact_filename = args["image_data"]
artifact = await tool_context.load_artifact(filename=artifact_filename)
file_data = artifact.inline_data.data
# Convert byte data to base64 string
base64_data = base64.b64encode(file_data).decode("utf-8")
# Then modify the tool input argument
args["image_data"] = base64_data
上記のコードは、次の手順を示しています。
- 呼び出されたツールが McpTool オブジェクトであり、変更する対象のツール呼び出しであるかどうかを確認します。
image_data引数の値を取得します。これは、base64 形式でリクエストされた引数ですが、LLM に artifact_id を返すようリクエストします。tool_contextのアーティファクト サービスを利用してアーティファクトを読み込むimage_data引数を base64 データで上書きする
次に、このコールバックをエージェントに追加し、エージェントが常に base64 ツール引数をアーティファクト ID で埋めるように手順を少し変更する必要があります。
product_photo_editor/agent.py を開き、次のコードで内容を変更します。
# product_photo_editor/agent.py
from google.adk.agents.llm_agent import Agent
from product_photo_editor.custom_tools import edit_product_asset
from product_photo_editor.mcp_tools import mcp_toolset
from product_photo_editor.model_callbacks import before_model_modifier
from product_photo_editor.tool_callbacks import before_tool_modifier
from product_photo_editor.prompt import AGENT_INSTRUCTION
root_agent = Agent(
model="gemini-2.5-flash",
name="product_photo_editor",
description="""A friendly product photo editor assistant that helps small business
owners edit and enhance their product photos. Perfect for improving photos of handmade
goods, food products, crafts, and small retail items""",
instruction=AGENT_INSTRUCTION
+ """
**IMPORTANT: Base64 Argument Rule on Tool Call**
If you found any tool call arguments that requires base64 data,
ALWAYS provide the artifact_id of the referenced file to
the tool call. NEVER ask user to provide base64 data.
Base64 data encoding process is out of your
responsibility and will be handled in another part of the system.
""",
tools=[
edit_product_asset,
mcp_toolset,
],
before_model_callback=before_model_modifier,
before_tool_callback=before_tool_modifier,
)
それでは、エージェントを操作してこの変更をテストしてみましょう。次のコマンドを実行して、ウェブ デベロッパー UI を実行します。
uv run adk web --port 8080
次の例のような出力が生成されます。これは、ウェブ インターフェースにすでにアクセスできることを意味します。
INFO: Started server process [xxxx] INFO: Waiting for application startup. +-----------------------------------------------------------------------------+ | ADK Web Server started | | | | For local testing, access at http://127.0.0.1:8080. | +-----------------------------------------------------------------------------+ INFO: Application startup complete. INFO: Uvicorn running on http://127.0.0.1:8080 (Press CTRL+C to quit)
確認するには、URL を Ctrl+クリックするか、Cloud Shell エディタの上部にある [ウェブでプレビュー] ボタンをクリックして [ポート 8080 でプレビュー] を選択します。
次のウェブページが表示されます。左上のプルダウン ボタン（この例では product_photo_editor）で利用可能なエージェントを選択し、ボットとやり取りできます。
次に、次の画像をアップロードして、エージェントにプロモーション クリップの生成を依頼します。
Generate a slow zoom in and moving from left and right animation
次のエラーが発生します。
その理由は、ツールが結果を base64 文字列の形式で直接返したため、最大トークン数を超えます。次のセクションでは、このエラーを処理します。
6. 🚀 ツール レスポンスの変更
このセクションでは、MCP レスポンスからツール レスポンスを処理します。次の処理を行います。
- ツールによる動画レスポンスをアーティファクト サービスに保存する
- 代わりにアーティファクト ID をエージェントに返します。
エージェントのランタイムは以下のとおりです。
まず、コールバック関数を実装します。product_photo_editor/tool_callbacks.py を開き、after_tool_modifier を実装するように変更します。
# product_photo_editor/tool_callbacks.py
from google.genai.types import Part
from typing import Any
from google.adk.tools.tool_context import ToolContext
from google.adk.tools.base_tool import BaseTool
from google.adk.tools.mcp_tool.mcp_tool import McpTool
import base64
import logging
import json
from mcp.types import CallToolResult
async def before_tool_modifier(
tool: BaseTool, args: dict[str, Any], tool_context: ToolContext
):
# Identify which tool input should be modified
if isinstance(tool, McpTool) and tool.name == "generate_video_with_image":
logging.info("Modify tool args for artifact: %s", args["image_data"])
# Get the artifact filename from the tool input argument
artifact_filename = args["image_data"]
artifact = await tool_context.load_artifact(filename=artifact_filename)
file_data = artifact.inline_data.data
# Convert byte data to base64 string
base64_data = base64.b64encode(file_data).decode("utf-8")
# Then modify the tool input argument
args["image_data"] = base64_data
async def after_tool_modifier(
tool: BaseTool,
args: dict[str, Any],
tool_context: ToolContext,
tool_response: dict | CallToolResult,
):
if isinstance(tool, McpTool) and tool.name == "generate_video_with_image":
tool_result = json.loads(tool_response.content[0].text)
# Get the expected response field which contains the video data
video_data = tool_result["video_data"]
artifact_filename = f"video_{tool_context.function_call_id}.mp4"
# Convert base64 string to byte data
video_bytes = base64.b64decode(video_data)
# Save the video as artifact
await tool_context.save_artifact(
filename=artifact_filename,
artifact=Part(inline_data={"mime_type": "video/mp4", "data": video_bytes}),
)
# Remove the video data from the tool response
tool_result.pop("video_data")
# Then modify the tool response to include the artifact filename and remove the base64 string
tool_result["video_artifact_id"] = artifact_filename
logging.info(
"Modify tool response for artifact: %s", tool_result["video_artifact_id"]
)
return tool_result
その後、エージェントにこの機能を装備する必要があります。product_photo_editor/agent.py を開き、次のコードに変更します。
# product_photo_editor/agent.py
from google.adk.agents.llm_agent import Agent
from product_photo_editor.custom_tools import edit_product_asset
from product_photo_editor.mcp_tools import mcp_toolset
from product_photo_editor.model_callbacks import before_model_modifier
from product_photo_editor.tool_callbacks import (
before_tool_modifier,
after_tool_modifier,
)
from product_photo_editor.prompt import AGENT_INSTRUCTION
root_agent = Agent(
model="gemini-2.5-flash",
name="product_photo_editor",
description="""A friendly product photo editor assistant that helps small business
owners edit and enhance their product photos. Perfect for improving photos of handmade
goods, food products, crafts, and small retail items""",
instruction=AGENT_INSTRUCTION
+ """
**IMPORTANT: Base64 Argument Rule on Tool Call**
If you found any tool call arguments that requires base64 data,
ALWAYS provide the artifact_id of the referenced file to
the tool call. NEVER ask user to provide base64 data.
Base64 data encoding process is out of your
responsibility and will be handled in another part of the system.
""",
tools=[
edit_product_asset,
mcp_toolset,
],
before_model_callback=before_model_modifier,
before_tool_callback=before_tool_modifier,
after_tool_callback=after_tool_modifier,
)
これで、エージェントに写真の編集だけでなく、動画の生成も依頼できるようになりました。次のコマンドをもう一度実行します。
uv run adk web --port 8080
次に、この画像を使用して動画を作成してみます。
Generate a slow zoom in and moving from left and right animation
次の例のように、生成された動画がアーティファクトとして保存されます。
7. ⭐ 概要
この Codelab で学習した内容を振り返りましょう。主な学習内容は次のとおりです。
- マルチモーダル データ処理（ツール I/O）: ADK の Artifacts サービスと専用のコールバックを使用して、生のバイトデータを直接渡すのではなく、ツール入力と出力のマルチモーダル データ（画像や動画など）を管理する戦略を強化しました。
- MCP ツールセットの統合: ADK MCP ツールセットを介して FastMCP を使用して外部の Veo MCP サーバーを開発、統合し、エージェントに動画生成機能を追加しました。
- ツール入力の変更（before_tool_callback）: generate_video_with_image ツール呼び出しをインターセプトするコールバックを実装し、LLM によって選択されたファイルの artifact_id を MCP サーバーの入力に必要な Base64 でエンコードされた画像データに変換しました。
- ツール出力の変更（after_tool_callback）: MCP サーバーからの大きな Base64 エンコードされた動画レスポンスをインターセプトし、動画を新しいアーティファクトとして保存して、クリーンな video_artifact_id 参照を LLM に返すコールバックを実装しました。
8. 🧹 クリーンアップ
この Codelab 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、次の手順を行います。
- Google Cloud コンソールで、[リソースの管理] ページに移動します。
- プロジェクト リストで、削除するプロジェクトを選択し、[削除] をクリックします。
- ダイアログでプロジェクト ID を入力し、[シャットダウン] をクリックしてプロジェクトを削除します。