Anthropic Claude Opus 4.5 и Gemini 3 на Vertex AI с python sdk через конечную точку Private Service Connect

1. Обзор

Доступ к API Vertex AI возможен через Интернет , однако на вашем предприятии может потребоваться доступ к API Vertex AI в частном порядке, без подключения к Интернету. В этой лабораторной работе вы сначала получите доступ к Anthropic Claude Opus 4.5 и Gemini 3 Pro на Vertex через Python SDK, работающий на экземпляре виртуальной машины через общедоступный Интернет.

Затем вы создадите конечную точку Private Service Connect для Googleapis и измените поток трафика, чтобы использовать частную конечную точку для подключения к API Vertex.

Пример кода Python возьмет входные вопросы, передаст их Клоду Опусу для генерации ответа , а выходные данные будут переданы в Gemini Pro 3 для создания текстового резюме и генерации изображения.

В этой лабораторной работе вам предстоит создать следующий узор.

Рисунок1.

2. Цели

В этой лабораторной работе вы научитесь выполнять следующую задачу:

• Настройка экземпляра виртуальной машины для использования Python SDK
• Включить карту антропной модели в Vertex AI
• Подключение к Anthropic Claude Opus 4.5 и Gemini 3 Pro через скрипт Python
• Настройте конечную точку PSC для подключения к GoogleAPI
• Настройте ручные записи DNS
• Проверьте путь подключения к Googleais
• Выполнить скрипт Python для запроса моделей

Лабораторная установка

Настройка среды для самостоятельного обучения

1. Войдите в Google Cloud Console и создайте новый проект или используйте существующий. Если у вас ещё нет учётной записи Gmail или Google Workspace, вам необходимо её создать .

• Название проекта — отображаемое имя участников проекта. Это строка символов, не используемая API Google. Вы можете изменить её в любой момент.
• Идентификатор проекта уникален для всех проектов Google Cloud и неизменяем (нельзя изменить после установки). Cloud Console автоматически генерирует уникальную строку; обычно вам не важно, какой именно. В большинстве практических работ вам потребуется указать идентификатор проекта (обычно обозначаемый как PROJECT_ID ). Если вам не нравится сгенерированный идентификатор, вы можете сгенерировать другой случайный идентификатор. Вы также можете попробовать использовать свой собственный идентификатор и посмотреть, доступен ли он. После этого шага его нельзя будет изменить, и он останется на протяжении всего проекта.
• К вашему сведению, существует третье значение — номер проекта , который используется некоторыми API. Подробнее обо всех трёх значениях можно узнать в документации .

Внимание: Идентификатор проекта уникален в глобальном масштабе и не может быть использован кем-либо ещё после того, как вы его выбрали. Вы являетесь единственным пользователем этого идентификатора. Даже если проект будет удалён, этот идентификатор нельзя будет использовать повторно.

Примечание: Если вы используете учётную запись Gmail, вы можете оставить местоположение по умолчанию « Нет организации» . Если вы используете учётную запись Google Workspace, выберите местоположение, подходящее для вашей организации.

2. Далее вам нужно включить биллинг в Cloud Console для использования облачных ресурсов/API. Выполнение этой лабораторной работы не потребует больших затрат, если вообще потребует. Чтобы отключить ресурсы и избежать списания средств за пределами этого руководства, вы можете удалить созданные вами ресурсы или проект. Новые пользователи Google Cloud могут воспользоваться бесплатной пробной версией стоимостью 300 долларов США .

Запустить Cloud Shell

Хотя Google Cloud можно управлять удаленно с вашего ноутбука, в этой лабораторной работе вы будете использовать Google Cloud Shell — среду командной строки, работающую в облаке.

В консоли Google Cloud Console нажмите значок Cloud Shell на верхней правой панели инструментов:

Подготовка и подключение к среде займёт всего несколько минут. После завершения вы увидите примерно следующее:

Эта виртуальная машина содержит все необходимые инструменты разработки. Она предоставляет постоянный домашний каталог объёмом 5 ГБ и работает в облаке Google Cloud, что значительно повышает производительность сети и аутентификацию. Всю работу в этой лабораторной работе можно выполнять в браузере. Вам не нужно ничего устанавливать.

3. Настройка среды

Обратите внимание, что некоторые ресурсы, которые вы подключаете, будут платными. Убедитесь, что вы знаете об этом перед выполнением. Чтобы снизить стоимость, убедитесь, что ресурсы будут уничтожены после завершения лабораторной работы. Рекомендуем проверить выставленный счёт и убедиться, что вы согласны на это.

Мы создадим собственную VPC с правилами брандмауэра. Если у вас уже есть VPC и проект, вы можете пропустить этот этап.

Откройте Cloud Shell, расположенный в верхней части консоли справа. И выполните следующие настройки:

1. Включить некоторые API, которые мы будем использовать в этой лаборатории

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

2. Задайте несколько переменных. Эти переменные — идентификатор проекта и идентификатор сети пользовательской VPC (VPC будет создана на шаге 4).

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

3. Теперь создайте пользовательскую VPC под названием anthropic-net.

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

4. Создайте подсеть vm1 в новом 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. Добавьте правила брандмауэра ICMP, SSH и HTTP в свой 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. Включить антропный режим в модели Vertex.

Нам необходимо предоставить исходящий внешний доступ к Интернету, поэтому давайте создадим шлюз Cloud NAT и подключим его.

1. Перейдите на панель инструментов Vertex AI и выберите Model Garden.
2. Найдите Anthropic и выберите Claude Opus 4.5.

3. Выберите «Включить» . Вам потребуется заполнить некоторые поля. Заполните форму и нажмите « Далее» . 4. На последней странице выберите «Согласен» , чтобы включить Claude 4.5 Opus.

5. 

Примечание: процесс должен быть одинаковым для любой модели.

5. Создайте шлюз NAT и виртуальные машины.

Нам необходимо предоставить исходящий внешний доступ к Интернету, поэтому давайте создадим шлюз Cloud NAT и подключим его.

В Cloud Shell используйте следующие команды

1. Создайте Cloud NAT.

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

2. Создайте шлюз 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

Теперь давайте создадим одну виртуальную машину для доступа к Anthropic on Vertex AI через Python SDK.

Мы собираемся создать виртуальную машину для тестирования со следующими установленными пакетами:

1. В том же сеансе Cloud Shell создайте anthro-vm, используя следующее.

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]'"

Вы должны увидеть виртуальную машину, созданную без публичных IP-адресов. Теперь давайте настроим виртуальную машину.

6. Настройте виртуальную машину и протестируйте ее.

1. В Google Cloud Shell доступен SSH для новой виртуальной машины, называемой anthro-vm .

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

2. После подключения по SSH к anthro-vm активируйте среду venv:

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

3. Давайте проверим подлинность, чтобы позже провести тестирование. Выполните следующую команду в виртуальной машине и нажмите y при появлении запроса.

gcloud auth application-default login

4. Затем скопируйте URL-адрес, начинающийся с https://, откройте новую вкладку в окне браузера вашей лаборатории и вставьте URL-адрес. Примите приглашения.
5. Когда вы увидите следующее, выберите «Копировать», вернитесь в сеанс vm anthro-vm и в поле «Введите код авторизации» вставьте скопированный вами код и нажмите Enter для аутентификации.

6. Теперь давайте проведем быстрый тест, чтобы увидеть, сможем ли мы подключиться к API Vertex Gemini.

dig *-aiplatform.googleapis.com

7. Вы должны увидеть что-то похожее ( адреса будут отличаться ). Обратите внимание, что путь проложен через публичные IP-адреса, поскольку API является публичным.

; <<>> 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. Теперь давайте используем Python. Введите ipython , чтобы активировать интерфейс ipython .

ipython

9. Теперь скопируйте и вставьте следующий код. Этот код задаёт Клоду Опусу 4.5 вопрос: « Каковы основные этапы создания агентного ИИ? », а затем принимает выходные данные и передаёт их в Gemini 3 Pro, который создаёт сводку и генерирует изображение, которое сохраняется на виртуальной машине.

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. Нажмите Enter дважды, чтобы запустить и увидеть текстовый результат.
11. Чтобы просмотреть изображение , необходимо включить веб-сервис в Python. Выполните следующую команду в сеансе iPython:

!python3 -m http.server 8080

12. Теперь перейдите к опции веб-предварительного просмотра в Cloud Shell, выберите предварительный просмотр на порту 8080.
13. В открытом веб-сеансе выберите gemini_agentic_ai.png , чтобы просмотреть сгенерированное изображение. (Пример изображения ниже, сгенерированного ИИ)
    
14. В Cloud Shell для выхода из сеанса нажмите Ctrl C, затем введите exit и нажмите Enter (повторите три раза), чтобы вернуться на главную страницу Cloud Shell.
15. Давайте продолжим.

Примечание: Вы можете изменить вопрос-подсказку на что-то другое.

7. Создайте конечную точку PSC для GoogleAPI.

Чтобы обеспечить приватное подключение к нашей конечной точке API Vertex, мы создадим конечную точку Private Service Connect для GoogleAPI. Это позволит нам использовать назначенный нами приватный IP-адрес для маршрутизации трафика к нужному нам API GoogleAPI, в данном случае к Vertex Gemini.

1. Откройте Cloud Shell, если он ещё не открыт. Создайте IP-адрес для конечной точки PSC. В данном случае мы будем использовать 192.168.255.230 .

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

2. Подтвердите создание IP-адреса.

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

3. Затем создайте конечную точку PSC.

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

4. Это создаст конечную точку и запись в каталоге служб. Убедитесь, что конечная точка существует.

gcloud compute forwarding-rules describe pscanthrovertex --global

8. Проверьте подключение конечной точки через зону автоматического каталога услуг.

Давайте подключимся, используя частную конечную точку для подключения к Gemini.

1. Перейдите к экземпляру виртуальной машины anthro-vm1 . Выберите SSH и подключитесь к виртуальной машине по SSH.
2. Проверьте путь подключения к aiplatform-pscanthrovertex.p.googleapis.com с помощью команды dig . Вы должны увидеть IP-адрес конечной точки PSC 192.168.255.230

dig aiplatform-pscanthrovertex.p.googleapis.com

3. Выйти из всех сеансов SSH

9. Создайте ручную запись DNS в GoogleAPI

Вы можете вручную создать DNS-запись, указывающую на конечную точку PSC, используя частный DNS. Это повлияет на все назначенные ей сети.

Выполните следующие команды в Cloud Shell.

1. Создайте частную DNS-зону для googleapis.com и подключите ее к сети 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. Создайте запись A, сопоставляющую корневой домен с IP-адресом конечной точки 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. Создайте подстановочную запись CNAME для перенаправления всех поддоменов (например, aiplatform.googleapis.com) на корневую запись A.

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

4. Перечислите наборы записей в зоне, чтобы убедиться, что запись A и CNAME созданы правильно.

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

5. В консоли это должно выглядеть так. Вы должны увидеть настройку с записью A и CNAME, как показано ниже.
6. Далее мы проверяем возможность подключения с этими изменениями на anthro-vm.

10. Проверьте подключение конечной точки по IP-адресу.

Давайте подключимся, используя частную конечную точку для подключения к Gemini.

Примечание: ручная настройка виртуальной машины не требуется.

1. В Google Cloud Shell доступен SSH для новой виртуальной машины, называемой anthro-vm .

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

2. После подключения по SSH к anthro-vm активируйте среду venv:

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

3. Теперь давайте dig , сможем ли мы подключиться к API Vertex Gemini.

dig *-aiplatform.googleapis.com

4. Вы должны увидеть что-то похожее (адрес будет другим). Обратите внимание, что путь проложен через IP-адреса конечных точек 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. Используя команду ping . Мы можем провести быструю проверку. Примечание: этот IP-адрес является конечной точкой PSC, и ваши пинги будут безуспешными.

ping -c 2 aiplatform.googleapis.com

6. Теперь давайте используем Python. Введите ipython , чтобы активировать интерфейс ipython .

ipython

7. Теперь скопируйте и вставьте следующий код. Этот код задаёт Клоду Опусу 4.5 вопрос: « Дайте мне пошаговый рецепт приготовления лепёшки роти для новичков? », а затем передаёт вывод в Gemini 3 Pro, который создаёт сводку и генерирует изображение, которое затем сохраняется на виртуальной машине.

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. Нажмите Enter дважды, чтобы запустить и увидеть текстовый результат.
9. Чтобы просмотреть изображение, нам нужно включить веб-сервис в Python, поэтому выполните следующее в сеансе ipython:

!python3 -m http.server 8080

10. Теперь перейдите к опции веб-предварительного просмотра в Cloud Shell, выберите предварительный просмотр на порту 8080.
11. Выберите cookingroti.png , чтобы увидеть сгенерированное изображение. (Пример ниже сгенерирован с помощью ИИ)
12. В Cloud Shell для выхода из сеанса нажмите Ctrl C, затем введите exit и нажмите Enter (повторите три раза), чтобы вернуться на главную страницу Cloud Shell.

11. Поздравления

Поздравляем! Вы успешно подключились к Anthropic Claude Opus 4.5 и Gemini 3 Pro на Vertex, используя как публичный адрес API, так и частное подключение через конечную точку Private Service Connect для GoogleAPI. Эта функция позволяет расширить возможности частного API в вашей локальной или другой облачной среде, подключенной через (Interconnect, Cross-Cloud Interconnect и VPC).

Уборка

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

Дальнейшие шаги / Узнать больше

Подробнее о сетях Vertex AI можно прочитать здесь.

Codelab : Доступ к чату Gemini 3 Pro с помощью Python SDK через конечную точку Private Service Connect

Codelab : Создание агентов ИИ с помощью ADK:The Foundation

Возьмите вашу следующую лабораторную работу

Продолжайте свои исследования с Google Cloud и ознакомьтесь с другими лабораторными работами Google Cloud Skills Boost:

• Основы сетевых технологий в Google Cloud
• Генеративный ИИ-исследователь — Vertex AI
• Агентный ИИ в Google Cloud