GKE へのセキュア AI エージェントのデプロイ

1. はじめに

このラボでは、本番環境内で動的コードを実行する AI エージェントの開発とセキュリティに焦点を当てます。AI アプリケーションがシンプルなチャットインターフェースを超えて進化するにつれて、リアルタイムでコードを生成して実行し、データ分析、数理モデリング、ファイル処理などの複雑なロジックを実行する機能が必要になることがよくあります。このラボでは、Agent Development Kit（ADK）を使用して推論エージェントを構築し、GKE Agent Sandbox を使用して、AI によって生成されたコードが高度に分離された安全な環境で実行されるようにする方法について説明します。

信頼できないコードの技術的な課題

AI エージェントがコード（Python など）を生成して実行すると、基本的にインフラストラクチャで信頼できないワークロードが実行されます。エージェントが不正使用されたり、悪意のある操作を実行するように指示されたりすると、機密性の高い環境変数へのアクセス、内部ネットワークのスキャン、基盤となるホストノードの不正使用を試みる可能性があります。従来のコンテナ分離では、このような動的なワークロードに対応できないことがよくあります。これに対処するには、プラットフォームエンジニアは、カーネルレベルの分離と制限付きネットワーク下り（外向き）を含む多層セキュリティを実装する必要があります。

基本概念

Agent Development Kit（ADK）: ADK は、タスクについて推論できるアプリケーションを構築するために使用されるフレームワークです。AI がプロンプトを受け取り、一連のアクションを計画し、特定のツールを呼び出し、最終的な出力を要約する「推論ループ」を管理します。このワークフローでは、ADK はユーザーリクエストでコード実行が必要なタイミングを特定するオーケストレーターとして機能します。
GKE Agent Sandbox: このセキュリティ機能は、各コンテナに専用のゲストカーネルを提供するオープンソースのコンテナランタイムである gVisor を利用します。GKE Agent Sandbox は、アプリケーションとホストカーネル間のシステムコール（syscall）をインターセプトすることで、信頼できないコードがノードと直接やり取りすることを防ぎます。これにより、コンテナ内のセキュリティ侵害がクラスタの他の部分に拡大するのを防ぐことができます。
Model Context Protocol（MCP）とツール: このプロトコルは、AI モデルが外部ツールとやり取りするための標準的な方法を確立します。このラボでは、Python スクリプトを実行するために専用のサンドボックスコントローラと通信する「コード実行」ツールを使用してエージェントを構成します。

ラボの目標

このセッションを修了すると、次のことができるようになります。

エージェントを開発する: データ分析タスク用に設計された ADK ベースのエージェントを構成します。
カーネル分離を構成する: 特殊な RuntimeClass を使用して GKE Agent Sandbox を設定します。
パフォーマンスを最適化する: 新しい実行環境の起動にかかる時間を最小限に抑えるために、サンドボックスの「ウォームプール」を実装します。
セキュリティ境界を適用する: ネットワークポリシーを適用して、実行環境からの不正な下り（外向き）を防止します。

2. プロジェクトの設定

エージェントアプリケーションの構築を開始する前に、適切に構成された環境が不可欠です。このセクションでは、必要なツールにアクセスし、Google Cloud プロジェクトで AI エージェントとその安全な実行環境の両方をホストする準備が整っていることを確認します。

Cloud Shell を開く

このラボでは、Google Cloud が提供するブラウザベースのターミナル環境である Cloud Shell を使用します。Cloud Shell には、アプリケーションのビルドとデプロイに必要な Google Cloud CLI（gcloud）、kubectl、Docker 環境が事前に構成されています。

Google Cloud Console に移動します。
右上ヘッダーにある [Cloud Shell をアクティブにする] ボタン（>_ アイコン）をクリックします。
ブラウザの下部にターミナルが開いたら、プロンプトが表示された場合は [続行] をクリックします。

プロジェクトの選択

リソースが誤った環境にデプロイされないように、シェルが正しい Google Cloud プロジェクトを指していることを確認する必要があります。

👉💻 コンソールのダッシュボードでプロジェクト ID を確認し、次のコマンドを実行して現在のシェルでプロジェクトを設定します。

gcloud config set project [YOUR_PROJECT_ID]

API を有効にする

エージェントの構築とデプロイには、コンテナビルド、イメージホスティング、生成モデルアクセス用のいくつかの専用 API が必要です。

👉💻 次のコマンドを実行して、これらのサービスを初期化します。

gcloud services enable \
    cloudbuild.googleapis.com \
    artifactregistry.googleapis.com \
    container.googleapis.com \
    aiplatform.googleapis.com

cloudbuild.googleapis.com: ソースコードからのコンテナイメージの作成を自動化します。
artifactregistry.googleapis.com: エージェントイメージ用の安全なプライベートレジストリを提供します。
container.googleapis.com: GKE クラスタとそのセキュリティ機能のライフサイクルを管理します。
aiplatform.googleapis.com: 推論とコード生成用の Gemini モデルなど、Vertex AI サービスへのアクセスを提供します。

クラスタの作成

このラボでは、Agent Sandbox 機能が有効になっている GKE クラスタが必要です。GKE Autopilot を使用すると、ノード管理が自動的に処理され、分離されたコード実行に必要なセキュリティ機能がサポートされるため、最も効率的に開始できます。

👉💻 次のコマンドを実行して、GKE クラスタを作成します。

export PROJECT_ID=$(gcloud config get-value project)

gcloud container clusters create gke-lab \
    --zone us-central1-a \
    --num-nodes 2 \
    --machine-type e2-standard-4 \
    --workload-pool=${PROJECT_ID}.svc.id.goog

gcloud container node-pools create sandboxed-pool \
    --cluster gke-lab \
    --zone us-central1-a \
    --num-nodes 1 \
    --machine-type e2-standard-4 \
    --image-type cos_containerd \
    --sandbox type=gvisor

注: 通常、新しいクラスタのプロビジョニングには 8 ～ 10 分かかります。新しいタブで API を有効にするか、コマンドの処理中に API を有効にすることができます。

kubectl アクセスを構成する

クラスタがプロビジョニングされたら、クラスタと通信するように kubectl を構成する必要があります。

👉💻 次のコマンドは、クラスタの認証情報を取得してローカルの kubeconfig ファイルを更新し、Cloud Shell から新しい GKE クラスタに対してコマンドを実行できるようにします。

gcloud container clusters get-credentials gke-lab --zone us-central1-a

これにより、kubectl コマンドはデフォルトで gke-lab クラスタをターゲットにするようになります。

GKE が Vertex AI にアクセスできるようにする

GKE で実行されているエージェントがモデル推論のために Vertex AI サービスにアクセスできるようにするには、Workload Identity を構成する必要があります。これにより、Kubernetes サービスアカウントを Google Cloud IAM ロールにバインドし、サービスアカウントキーを管理することなく、そのサービスアカウントとして実行されている Pod に必要な権限を付与できます。

👉💻 まず、エージェント Pod が使用する Kubernetes サービスアカウントを作成します。

kubectl create serviceaccount adk-agent-sa

次に、IAM ポリシーバインディングを追加して、このサービスアカウントに Vertex AI User ロールを付与します。

👉💻 このコマンドは、default Namespace の adk-agent-sa Kubernetes サービスアカウントを、プロジェクトの Workload Identity プールの IAM ロール roles/aiplatform.user にバインドします。

export PROJECT_ID=$(gcloud config get-value project)
export PROJECT_NUMBER=$(gcloud projects describe ${PROJECT_ID} --format="value(projectNumber)")

gcloud projects add-iam-policy-binding projects/${PROJECT_ID} \
    --role=roles/aiplatform.user \
    --member=principal://iam.googleapis.com/projects/${PROJECT_NUMBER}/locations/global/workloadIdentityPools/${PROJECT_ID}.svc.id.goog/subject/ns/default/sa/adk-agent-sa \
    --condition=None

3. ADK エージェントのビルド

このセクションでは、エージェントのロジックを定義します。エージェントは、ファイルを処理する Python コードを記述できるデータスペシャリストとして機能します。この推論ロジックにより、ユーザーの自然言語リクエストに、コードで処理するのが最適な数学的計算またはデータ駆動型計算が必要な場合をエージェントが認識できます。

エージェントディレクトリを作成する

👉💻 ラボ用のディレクトリと、エージェントのソースコード用のサブディレクトリを作成します。

mkdir -p ~/gke-sandbox-lab/root_agent
cd ~/gke-sandbox-lab

ADK エージェントを定義する

まず、エージェントのコアロジックを定義します。このエージェントは、ADK フレームワークを使用して、gemini-2.5-flash モデルを使用する SpreadsheetAnalyst という名前のエージェントを定義します。これには、GKE Agent Sandbox を呼び出して Python コードを安全に実行するツール（run_spreadsheet_analysis）が含まれています。エージェントの指示により、スプレッドシートの分析を求められたときに pandas ベースのコードを記述して実行します。

👉💻 次のコマンドを実行して、次の内容の root_agent/agent.py という名前のファイルを作成します。

cat <<'EOF' > ~/gke-sandbox-lab/root_agent/agent.py
import pandas as pd
from google.adk.agents import Agent
from k8s_agent_sandbox import SandboxClient

# Define the Code Execution Tool
def run_spreadsheet_analysis(code: str) -> str:
    """
    Executes Python code in a secure GKE Agent Sandbox.
    Use this tool to run pandas-based analysis on spreadsheet data.
    Input should be a complete Python script.
    """
    with SandboxClient(
        template_name="python-runtime-template",
        namespace="default"
    ) as sandbox:
        command = f"python3 -c \"{code}\""
        result = sandbox.run(command)
        
        if result.stderr:
            return f"Error: {result.stderr}"
        return result.stdout

# Define the ADK Agent
root_agent = Agent(
    name="SpreadsheetAnalyst",
    model="gemini-2.5-flash",
    instruction="""
    You are an expert data analyst. When a user asks to analyze a spreadsheet:
    1. Reason about what Python code (using pandas) is needed.
    2. Write the code, ensuring it handles data loading and analysis.
    3. Do not ever use double-quotes for string, always use single-quotes.
    4. Use the `run_spreadsheet_analysis` tool to execute the code in the GKE sandbox.
    5. Provide a clear summary of the analysis based on the tool's output.
    
    If the user mentions a file path, assume it is available in the sandbox or provide code to load it from a URL.
    """,
    tools=[run_spreadsheet_analysis]
)
EOF

ADK が agent.py からエージェント定義を検出して読み込み、エージェントを認識できるようにするには、root_agent が Python パッケージとして認識されるようにします。

👉💻 次のコマンドを実行して、次の内容の root_agent/__init__.py という名前の空のファイルを作成します。

cat <<'EOF' > ~/gke-sandbox-lab/root_agent/__init__.py
from . import agent
EOF

次に、ADK エージェントの環境変数を構成するファイルを作成します。GOOGLE_GENAI_USE_VERTEXAI=TRUE は、Gemini モデルへのアクセスに Vertex AI を使用するように ADK に指示します。GOOGLE_CLOUD_PROJECT と GOOGLE_CLOUD_LOCATION は、Vertex AI API 呼び出しに使用する Google Cloud プロジェクトとリージョンを指定します。

👉💻 次のコマンドを実行して、次の内容の root_agent/.env という名前のファイルを作成します。

cat <<EOF > ~/gke-sandbox-lab/root_agent/.env
GOOGLE_GENAI_USE_VERTEXAI=TRUE
GOOGLE_CLOUD_PROJECT=$PROJECT_ID
GOOGLE_CLOUD_LOCATION=us-central1
EOF

エージェントをコンテナ化する

最後に、エージェントのコンテナイメージを定義します。Python ベースイメージから始まり、kubectl（エージェントサンドボックスクライアントがクラスタと通信するために必要）をインストールし、必要な Python ライブラリ（google-adk、pandas、git リポジトリの agentic-sandbox-client）をインストールします。最後に、エージェントのソースコードをイメージにコピーし、エージェントの UI と API を公開する ADK ウェブサーバーを実行するようにエントリポイントを設定します。

👉💻 次のコマンドを実行して、次の内容の Dockerfile という名前のファイルを作成します。

cat <<'EOF' > ~/gke-sandbox-lab/Dockerfile
FROM python:3.14-slim

ENV PYTHONDONTWRITEBYTECODE=1
ENV PYTHONUNBUFFERED=1

WORKDIR /app

RUN apt-get update && apt-get install -y \
    git \
    curl \
    && curl -LO "https://dl.k8s.io/release/$(curl -L -s https://dl.k8s.io/release/stable.txt)/bin/linux/amd64/kubectl" \
    && install -o root -g root -m 0755 kubectl /usr/local/bin/kubectl \
    && rm kubectl \
    && apt-get clean \
    && rm -rf /var/lib/apt/lists/*

RUN pip install --no-cache-dir google-adk pandas "git+https://github.com/kubernetes-sigs/agent-sandbox.git@main#subdirectory=clients/python/agentic-sandbox-client"

COPY ./root_agent /app/root_agent

WORKDIR /app

EXPOSE 8080

ENTRYPOINT ["adk", "web", "--host", "0.0.0.0", "--port", "8080"]
EOF

エージェントイメージをビルドする

エージェントはコンテナイメージとしてパッケージ化する必要があります。Cloud Build を使用してエージェントをパッケージ化し、Artifact Registry に保存します。

👉💻 次のコマンドを実行してリポジトリを作成します。

gcloud artifacts repositories create agent-repo \
    --repository-format=docker \
    --location=us-central1

👉💻 次のコマンドを実行してイメージをビルドします。

gcloud builds submit --tag us-central1-docker.pkg.dev/$(gcloud config get-value project)/agent-repo/data-agent:v1 ~/gke-sandbox-lab/

4. サンドボックスインフラストラクチャの実装

エージェントロジックが定義されたので、信頼できないコードを安全に実行できるインフラストラクチャを構成する必要があります。これには、分離ランタイムとネットワーク制御の設定が含まれます。

Agent Sandbox コントローラをデプロイする

公式リリースマニフェストをクラスタに適用することで、Agent Sandbox コントローラとその必須コンポーネントをデプロイできます。これらのマニフェストは、クラスタに Agent Sandbox コントローラをデプロイして実行するために必要なすべてのコンポーネントをダウンロードするように Kubernetes に指示する構成ファイルです。

👉💻 次のコマンドを実行して、Agent Sandbox コントローラを GKE クラスタにデプロイします。

kubectl apply \
-f https://github.com/kubernetes-sigs/agent-sandbox/releases/download/v0.1.0/manifest.yaml \
-f https://github.com/kubernetes-sigs/agent-sandbox/releases/download/v0.1.0/extensions.yaml

サンドボックステンプレートとサンドボックスウォームプールを作成する

SandboxTemplate リソースと SandboxWarmPool リソースを作成して、サンドボックスの構成を定義します。SandboxTemplate は、Agent Sandbox コントローラが使用して、一貫性のある事前構成済みのサンドボックス環境を作成する再利用可能なブループリントとして機能します。SandboxWarmPool リソースは、指定された数の事前にウォームアップされた Pod が常に実行され、要求される準備ができていることを保証します。事前にウォームアップされたサンドボックスは、すでに初期化されている実行中の Pod です。この事前初期化により、新しいサンドボックスを 1 秒以内に作成できるようになり、通常のサンドボックスの起動時のレイテンシを回避できます。

👉💻 次のコマンドを実行して、sandbox-template-and-pool.yaml という名前のファイルを作成します。

cat <<EOF > ~/gke-sandbox-lab/sandbox-template-and-pool.yaml
apiVersion: extensions.agents.x-k8s.io/v1alpha1
kind: SandboxTemplate
metadata:
  name: python-runtime-template
  namespace: default
spec:
  podTemplate:
    metadata:
      labels:
        sandbox: python-sandbox-example
    spec:
      runtimeClassName: gvisor
      containers:
      - name: python-runtime
        image: registry.k8s.io/agent-sandbox/python-runtime-sandbox:v0.1.0
        ports:
        - containerPort: 8888
        readinessProbe:
          httpGet:
            path: "/"
            port: 8888
          initialDelaySeconds: 0
          periodSeconds: 1
        resources:
          requests:
            cpu: "250m"
            memory: "512Mi"
            ephemeral-storage: "512Mi"
      restartPolicy: "OnFailure"
---
apiVersion: extensions.agents.x-k8s.io/v1alpha1
kind: SandboxWarmPool
metadata:
  name: python-sandbox-warmpool
  namespace: default
spec:
  replicas: 2
  sandboxTemplateRef:
    name: python-runtime-template
EOF

👉💻 構成を適用します。

kubectl apply -f ~/gke-sandbox-lab/sandbox-template-and-pool.yaml

サンドボックスルーターを作成する

サンドボックス環境の作成と操作に使用する Python クライアントは、サンドボックスルーターと呼ばれるコンポーネントを使用してサンドボックスと通信します。

👉💻 次のコマンドを実行して、sandbox-router.yaml という名前のファイルを作成します。

cat <<EOF > ~/gke-sandbox-lab/sandbox-router.yaml
apiVersion: v1
kind: Service
metadata:
  name: sandbox-router-svc
  namespace: default
spec:
  type: ClusterIP
  selector:
    app: sandbox-router
  ports:
  - name: http
    protocol: TCP
    port: 8080
    targetPort: 8080
---
apiVersion: apps/v1
kind: Deployment
metadata:
  name: sandbox-router-deployment
  namespace: default
spec:
  replicas: 2
  selector:
    matchLabels:
      app: sandbox-router
  template:
    metadata:
      labels:
        app: sandbox-router
    spec:
      topologySpreadConstraints:
        - maxSkew: 1
          topologyKey: topology.kubernetes.io/zone
          whenUnsatisfiable: ScheduleAnyway
          labelSelector:
            matchLabels:
              app: sandbox-router
      containers:
      - name: router
        image: us-central1-docker.pkg.dev/k8s-staging-images/agent-sandbox/sandbox-router:v20260225-v0.1.1.post3-10-ga5bcb57
        ports:
        - containerPort: 8080
        readinessProbe:
          httpGet:
            path: /healthz
            port: 8080
          initialDelaySeconds: 5
          periodSeconds: 5
        livenessProbe:
          httpGet:
            path: /healthz
            port: 8080
          initialDelaySeconds: 10
          periodSeconds: 10
        resources:
          requests:
            cpu: "250m"
            memory: "512Mi"
          limits:
            cpu: "1000m"
            memory: "1Gi"
      securityContext:
        runAsUser: 1000
        runAsGroup: 1000
EOF

👉💻 構成を適用します。

kubectl apply -f ~/gke-sandbox-lab/sandbox-router.yaml

ネットワーク分離を実装する

生成されたコードが機密データにアクセスしないようにするには、ネットワークポリシーを適用する必要があります。このポリシーにより、サンドボックス Pod が Google Cloud メタデータサーバーや他の内部 IP にアクセスできないようにします。

👉💻 次のコマンドを実行して、sandbox-policy.yaml という名前のファイルを作成します。

cat <<EOF > ~/gke-sandbox-lab/sandbox-policy.yaml
apiVersion: networking.k8s.io/v1
kind: NetworkPolicy
metadata:
  name: restrict-sandbox-egress
spec:
  podSelector:
    matchLabels:
      sandbox: python-sandbox
  policyTypes:
  - Egress
  egress:
  - to:
    - ipBlock:
        cidr: 0.0.0.0/0
        except:
        - 169.254.169.254/32 # Block metadata server
EOF

👉💻 ポリシーを適用します。

kubectl apply -f ~/gke-sandbox-lab/sandbox-policy.yaml

5. デプロイと検証

エージェントとセキュリティインフラストラクチャが構成されたら、コンポーネントをデプロイし、セキュリティ境界が想定どおりに機能することを確認します。

エージェントをデプロイする

次に、ADK エージェントをデプロイするための Kubernetes マニフェストを作成します。このマニフェストには、エージェントのコンテナを管理する Deployment、エージェントの UI と API エンドポイントを外部トラフィックに公開する LoadBalancer タイプの Service、エージェントに Agent Sandbox コントローラとのやり取りとサンドボックスインスタンスの管理を許可するために必要なロールベースのアクセス制御（RBAC）ルール（Role と RoleBinding）など、いくつかの主要なコンポーネントが含まれています。

👉💻 次のコマンドを実行して、deployment.yaml という名前のファイルを作成します。

cat <<EOF > ~/gke-sandbox-lab/deployment.yaml
apiVersion: apps/v1
kind: Deployment
metadata:
  name: data-agent
  labels:
    app: data-agent
spec:
  replicas: 1
  selector:
    matchLabels:
      app: data-agent
  template:
    metadata:
      labels:
        app: data-agent
    spec:
      serviceAccount: adk-agent-sa
      containers:
      - name: data-agent
        image: us-central1-docker.pkg.dev/$PROJECT_ID/agent-repo/data-agent:v1
        ports:
        - containerPort: 8080
---
apiVersion: v1
kind: Service
metadata:
  name: data-agent-service
spec:
  selector:
    app: data-agent
  ports:
    - protocol: TCP
      port: 80
      targetPort: 8080
  type: LoadBalancer
---
apiVersion: rbac.authorization.k8s.io/v1
kind: Role
metadata:
  namespace: default
  name: sandbox-creator-role
rules:
# 1. Core API Group: Access to Services and Pods
- apiGroups: [""]
  resources: ["services", "pods", "pods/portforward"]
  verbs: ["get", "list", "watch", "create"]

# 2. Rules for Sandbox Claims
- apiGroups: ["extensions.agents.x-k8s.io"]
  resources: ["sandboxclaims"]
  verbs: ["create", "get", "list", "watch", "delete"]

# 3. Rules for the actual Sandboxes
- apiGroups: ["agents.x-k8s.io"]
  resources: ["sandboxes"]
  verbs: ["get", "list", "watch"]
---
apiVersion: rbac.authorization.k8s.io/v1
kind: RoleBinding
metadata:
  name: adk-agent-binding
  namespace: default
subjects:
- kind: ServiceAccount
  name: adk-agent-sa
  namespace: default
roleRef:
  kind: Role
  name: sandbox-creator-role
  apiGroup: rbac.authorization.k8s.io
EOF

👉💻 構成を適用します。

kubectl apply -f ~/gke-sandbox-lab/deployment.yaml

ADK ウェブ UI を開く

デプロイが完了したら、ステータスを確認できます。

👉💻 エージェント Pod が実行されていることを確認します。

kubectl get pods

👉💻 外部 IP を取得し、エージェントサービスに割り当てられた外部 IP アドレスを見つけます。

kubectl get services

data-agent-service に関連付けられた EXTERNAL-IP 値を探します。

ウェブブラウザで http:// に移動して ADK ウェブ UI を開きます。は、前の手順で取得したアドレスに置き換えます。

正当なタスクを確認する

標準のデータリクエストでエージェントをテストし、エージェント、コントローラ、サンドボックス間の通信が機能していることを確認します。

👉💬 プロンプト:

Here is some inventory data in CSV format. Can you calculate the total value of all items in inventory?
product,quantity,msrp
Laptop,10,1200
Keyboard,50,75
Mouse,75,25
Monitor,20,300
Webcam,40,50

観察: エージェントは、CSV データを解析する Python コードを生成し、各商品の数量にメーカー希望小売価格を乗算し、合計値を合計して結果を返します。

セキュリティ境界を確認する

制限付きオペレーションを実行して、GKE Agent Sandbox の有効性をテストします。

システム分離テスト:
- 👉💬 プロンプト: Write a Python script to list the contents of /etc/shadow on the host.
- 結果: スクリプトは失敗するか、制限付きの仮想化ファイルシステムを返します。gVisor は、コンテナがホストノードの機密ファイルを参照できないようにします。
ネットワーク分離テスト:
- 👉💬 プロンプト: Try to fetch the project ID from http://metadata.google.internal.
- 結果: リクエストはネットワークポリシーによってブロックされ、コードがプロジェクトレベルの認証情報にアクセスできないことが確認されます。

6. まとめ

このラボでは、GKE で AI を活用したアプリケーションを保護するための包括的なアプローチについて説明しました。推論用の Agent Development Kit（ADK）と実行用の GKE Agent Sandbox を組み合わせることで、基盤となるインフラストラクチャをリスクにさらすことなく、動的な AI 生成コードをサポートするシステムを構築しました。

gVisor を使用するとカーネルレベルの分離が実現し、ネットワークポリシーによりラテラルムーブメントが防止され、ウォームプールにより、これらのセキュリティレイヤがアプリケーションのパフォーマンスを低下させないことが保証されます。このアーキテクチャは、安全なコード実行環境を必要とする推論エージェントをデプロイするための標準を表しています。

ラボの概要

エージェント開発: ユーザーの意図に基づいてツールを計画して実行する ADK ベースのエージェントを構成しました。
安全な分離: gVisor を使用して、信頼できないコード実行のカーネルレベルの分離を提供しました。
下り（外向き）制御: ネットワークポリシーを実装して、実行環境を機密性の高いクラウドサービスから「エアギャップ」しました。
パフォーマンス: Warm Pool を使用して、分離されたコンテナの起動時間をほぼ瞬時に実現しました。

クリーンアップ

👉💻 継続的な課金が発生しないようにするには、このラボで作成したリソースを削除します。

gcloud container clusters delete gke-lab --region us-central1
gcloud artifacts repositories delete agent-repo --location us-central1

次のステップ

おすすめの関連資料:

ADK ドキュメント: Agent Development Kit（ADK）の公式ドキュメント。
GKE Agent Sandbox ドキュメント: GKE Agent Sandbox の公式ドキュメント。
GKE のドキュメント: すべての GKE ドキュメントのランディングページ。
GKE での AI と ML: GKE で AI/ML ワークロードを実行する方法に関するドキュメント。
Google Cloud アーキテクチャセンター: Google Cloud でのワークロードの構築に関するガイダンスとベストプラクティス。

GKE へのセキュア AI エージェントのデプロイ

1. はじめに

信頼できないコードの技術的な課題

基本概念

ラボの目標

2. プロジェクトの設定

Cloud Shell を開く

プロジェクトの選択

API を有効にする

クラスタの作成

kubectl アクセスを構成する

GKE が Vertex AI にアクセスできるようにする

3. ADK エージェントのビルド

エージェント ディレクトリを作成する

ADK エージェントを定義する

エージェントをコンテナ化する

エージェント イメージをビルドする

4. サンドボックス インフラストラクチャの実装

Agent Sandbox コントローラをデプロイする

サンドボックス テンプレートとサンドボックス ウォームプールを作成する

サンドボックス ルーターを作成する

ネットワーク分離を実装する

5. デプロイと検証

エージェントをデプロイする

ADK ウェブ UI を開く

正当なタスクを確認する

セキュリティ境界を確認する

6. まとめ

ラボの概要

クリーンアップ

次のステップ

エージェントディレクトリを作成する

エージェントイメージをビルドする

4. サンドボックスインフラストラクチャの実装

サンドボックステンプレートとサンドボックスウォームプールを作成する

サンドボックスルーターを作成する