マルチエージェントシステムの構築

1. はじめに

概要

このラボでは、シンプルな chatbot を超えて、分散マルチエージェントシステムを構築します。

単一の LLM で質問に回答できますが、現実世界の複雑さには専門的な役割が必要になることがよくあります。バックエンドエンジニアに UI の設計を依頼したり、デザイナーにデータベースクエリの最適化を依頼したりすることはありません。同様に、1 つのタスクに焦点を当て、相互に連携して複雑な問題を解決する専門の AI エージェントを作成できます。

次の要素で構成されるコース作成システムを構築します。

リサーチャーエージェント: google_search を使用して最新情報を検索します。
Judge Agent: 調査の品質と完全性を評価します。
コンテンツビルダーエージェント: 調査結果を構造化されたコースに変換します。
オーケストレーターエージェント: これらのスペシャリスト間のワークフローとコミュニケーションを管理します。

前提条件

Python の基礎知識。
Google Cloud コンソールに関する知識。

演習内容

ウェブを検索できるツール使用エージェント（researcher）を定義します。
judge の Pydantic を使用して構造化出力を実装します。
エージェント間（A2A）プロトコルを使用してリモートエージェントに接続します。
LoopAgent を構築して、研究者と審査員の間でフィードバックループを作成します。
ADK を使用して分散システムをローカルで実行します。
マルチエージェントシステムを Google Cloud Run にデプロイします。

アーキテクチャとオーケストレーションの原則

コードを記述する前に、これらのエージェントがどのように連携して動作するかを理解しましょう。コース作成パイプラインを構築します。

システム設計

アーキテクチャ図

エージェントによるオーケストレーション

標準エージェント（Researcher など）は作業を行います。オーケストレーターエージェント（LoopAgent や SequentialAgent など）は、他のエージェントを管理します。独自のツールはありません。ツールは委任です。

LoopAgent: コード内の while ループのように動作します。条件が満たされる（または最大反復回数に達する）まで、一連のエージェントを繰り返し実行します。これは、リサーチループで使用されます。
- 研究者が情報を見つけます。
- 審査員が批評します。
- Judge が「Fail」と判定した場合、EscalationChecker はループを続行します。
- Judge が「Pass」を返すと、EscalationChecker はループを終了します。
SequentialAgent: 標準のスクリプト実行と同様に動作します。エージェントを 1 つずつ実行します。これは、高レベルのパイプラインに使用されます。
- まず、Research Loop を実行します（適切なデータが得られるまで）。
- 次に、コンテンツビルダーを実行してコースを作成します。

これらを組み合わせることで、最終的な出力を生成する前に自己修正できる堅牢なシステムが作成されます。

2. セットアップ

環境設定

Cloud Shell を開く: 新しいタブを開き、「shell.cloud.google.com」と入力します。

スターターコードを取得する

スターターリポジトリのクローンをホームディレクトリに作成します。

cd ~
git clone https://github.com/amitkmaraj/prai-roadshow-lab-1-starter.git
cd prai-roadshow-lab-1-starter

初期化スクリプトを実行して、オンランプクレジットを課金に関連付けます。
```
chmod +x ./init.sh
./init.sh
```
このフォルダをエディタで開きます。

API を有効にする

新しいプロジェクトが作成されたら、次のコマンドを実行して必要な Google Cloud サービスを有効にします。

gcloud services enable \
    run.googleapis.com \
    artifactregistry.googleapis.com \
    cloudbuild.googleapis.com \
    aiplatform.googleapis.com \
    compute.googleapis.com

数秒かかることがあります。

依存関係のインストール

依存関係の管理を迅速に行うために uv を使用します。

プロジェクトの依存関係をインストールします。
```
# Ensure you have uv installed: pip install uv
uv sync
```
Google Cloud プロジェクト ID を設定します。
- ヒント: プロジェクト ID は、Cloud Console ダッシュボードで確認するか、gcloud config get-value project を実行して確認できます。
```
export GOOGLE_CLOUD_PROJECT=$(gcloud config get-value project)
```
残りの環境変数を設定します。
```
export GOOGLE_CLOUD_LOCATION=us-central1
export GOOGLE_GENAI_USE_VERTEXAI=true
```
警告: 環境変数は、新しいターミナルセッション間で保持されません。新しいターミナルタブを開いた場合は、これらのエクスポートコマンドを再度実行する必要があります。

3. 🕵️ リサーチエージェント

リサーチャーエージェント

研究者はスペシャリストです。その唯一の仕事は情報を見つけることです。そのためには、Google 検索というツールにアクセスする必要があります。

リサーチャーを分離する理由

詳細: 1 つのエージェントですべてを実行しないのはなぜですか？

小規模で集約されたエージェントは、評価とデバッグが容易です。調査が不十分な場合は、研究者のプロンプトを繰り返し調整します。コースの書式設定が適切でない場合は、コンテンツビルダーで繰り返し作業を行います。モノリシックな「万能」プロンプトでは、1 つのものを修正すると別のものが壊れることがよくあります。

Cloud Shell で作業している場合は、次のコマンドを実行して Cloud Shell エディタを開きます。
```
cloudshell workspace .
```
ローカル環境で作業している場合は、お気に入りの IDE を開きます。
agents/researcher/agent.py を開きます。
TODO が含まれたスケルトンが表示されます。

次のコードを追加して、researcher エージェントを定義します。

# ... existing imports ...

# Define the Researcher Agent
researcher = Agent(
    name="researcher",
    model=MODEL,
    description="Gathers information on a topic using Google Search.",
    instruction="""
    You are an expert researcher. Your goal is to find comprehensive and accurate information on the user's topic.
    Use the `google_search` tool to find relevant information.
    Summarize your findings clearly.
    If you receive feedback that your research is insufficient, use the feedback to refine your next search.
    """,
    tools=[google_search],
)

root_agent = researcher

重要なコンセプト: ツールの使用

tools=[google_search] を渡していることに注意してください。ADK は、このツールを LLM に記述する複雑さを処理します。モデルが必要な情報を判断すると、構造化されたツール呼び出しが生成され、ADK が Python 関数 google_search を実行して、結果をモデルにフィードバックします。

4. ⚖️ Judge エージェント

Judge エージェント

Researcher は熱心に作業しますが、LLM は怠惰な場合があります。作業を審査する審査員が必要です。Judge は調査結果を受け入れ、構造化された合格/不合格の評価を返します。

構造化出力

詳細: ワークフローを自動化するには、予測可能な出力が必要です。長文のテキストレビューは、プログラムで解析するのが困難です。JSON スキーマ（Pydantic を使用）を適用することで、Judge がブール値 pass または fail を返し、コードが確実に動作するようにします。

agents/judge/agent.py を開きます。

JudgeFeedback スキーマと judge エージェントを定義します。

# 1. Define the Schema
class JudgeFeedback(BaseModel):
    """Structured feedback from the Judge agent."""
    status: Literal["pass", "fail"] = Field(
        description="Whether the research is sufficient ('pass') or needs more work ('fail')."
    )
    feedback: str = Field(
        description="Detailed feedback on what is missing. If 'pass', a brief confirmation."
    )

# 2. Define the Agent
judge = Agent(
    name="judge",
    model=MODEL,
    description="Evaluates research findings for completeness and accuracy.",
    instruction="""
    You are a strict editor.
    Evaluate the 'research_findings' against the user's original request.
    If the findings are missing key info, return status='fail'.
    If they are comprehensive, return status='pass'.
    """,
    output_schema=JudgeFeedback,
    # Disallow delegation because it should only output the schema
    disallow_transfer_to_parent=True,
    disallow_transfer_to_peers=True,
)

root_agent = judge

重要なコンセプト: エージェントの動作を制限する

disallow_transfer_to_parent=True と disallow_transfer_to_peers=True を設定します。これにより、Judge は構造化された JudgeFeedback のみを返すようになります。ユーザーと「チャット」したり、別のエージェントに委任したりすることはできません。これにより、ロジックフローの決定論的コンポーネントになります。

5. 🧪 単独でのテスト

接続する前に、各エージェントが動作することを確認できます。ADK を使用すると、エージェントを個別に実行できます。

重要なコンセプト: インタラクティブランタイム

adk run は、ユーザーが「ユーザー」となる軽量環境を起動します。これにより、エージェントの指示とツールの使用を個別にテストできます。ここでエージェントが失敗した場合（Google 検索を使用できないなど）、オーケストレーションで確実に失敗します。

Researcher をインタラクティブに実行します。特定のエージェントディレクトリを指定していることに注意してください。
```
# This runs the researcher agent in interactive mode
uv run adk run agents/researcher
```
チャットプロンプトに、次のように入力します。
```
Find the population of Tokyo in 2020
```
Google 検索ツールを使用して回答を返す必要があります。注: プロジェクト、ロケーション、Vertex の使用が設定されていないことを示すエラーが表示された場合は、プロジェクト ID が設定されていることを確認し、次のコマンドを実行します。
```
export GOOGLE_CLOUD_PROJECT=$(gcloud config get-value project)
export GOOGLE_CLOUD_LOCATION=us-central1
export GOOGLE_GENAI_USE_VERTEXAI=true
```
チャットを終了します（Ctrl+C）。
Judge をインタラクティブに実行します。
```
uv run adk run agents/judge
```
チャットプロンプトで、次のように入力をシミュレートします。
```
Topic: Tokyo. Findings: Tokyo is a city.
```
検出結果が短すぎるため、status='fail' が返されます。

6. ✍️ コンテンツビルダーエージェント

Content Builder

コンテンツビルダーはクリエイティブライターです。承認された研究をコースに変換します。

agents/content_builder/agent.py を開きます。

content_builder エージェントを定義します。

content_builder = Agent(
    name="content_builder",
    model=MODEL,
    description="Transforms research findings into a structured course.",
    instruction="""
    You are an expert course creator.
    Take the approved 'research_findings' and transform them into a well-structured, engaging course module.

    **Formatting Rules:**
    1. Start with a main title using a single `#` (H1).
    2. Use `##` (H2) for main section headings.
    3. Use bullet points and clear paragraphs.
    4. Maintain a professional but engaging tone.

    Ensure the content directly addresses the user's original request.
    """,
)
root_agent = content_builder

重要なコンセプト: コンテキストの伝播

「コンテンツビルダーは、リサーチャーが見つけたものをどのようにして知るのですか？」という疑問が生じるかもしれません。ADK では、パイプライン内のエージェントは session.state を共有します。後で、Orchestrator で Researcher と Judge を構成して、出力をこの共有状態に保存します。コンテンツビルダーのプロンプトは、この履歴に効果的にアクセスできます。

7. 🎻 オーケストレーター

オーケストレーターエージェント

オーケストレーターは、マルチエージェントチームのマネージャーです。特定のタスクを実行するスペシャリストエージェント（リサーチャー、ジャッジ、コンテンツビルダー）とは異なり、オーケストレーターの仕事はワークフローを調整し、それらの間で情報が正しく流れるようにすることです。

🌐 アーキテクチャ: Agent-to-Agent（A2A）

A2A アーキテクチャ

このラボでは、分散システムを構築します。すべてのエージェントを単一の Python プロセスで実行するのではなく、独立したマイクロサービスとしてデプロイします。これにより、各エージェントは個別にスケーリングでき、システム全体をクラッシュさせることなく障害が発生します。

これを実現するために、Agent-to-Agent（A2A）プロトコルを使用します。

A2A プロトコル

詳細: 本番環境システムでは、エージェントは異なるサーバー（または異なるクラウド）で実行されます。A2A プロトコルは、HTTP 経由で相互に検出して通信するための標準的な方法を確立します。RemoteA2aAgent は、このプロトコルの ADK クライアントです。

agents/orchestrator/agent.py を開きます。
コメント # TODO: Define Remote Agents またはリモートエージェント定義のセクションを見つけます。

次のコードを追加して、接続を定義します。この定義は、インポートの後、他のエージェント定義の前に配置してください。

# ... existing code ...

# Connect to the Researcher (Localhost port 8001)
researcher_url = os.environ.get("RESEARCHER_AGENT_CARD_URL", "http://localhost:8001/a2a/agent/.well-known/agent-card.json")
researcher = RemoteA2aAgent(
    name="researcher",
    agent_card=researcher_url,
    description="Gathers information using Google Search.",
    # IMPORTANT: Save the output to state for the Judge to see
    after_agent_callback=create_save_output_callback("research_findings"),
    # IMPORTANT: Use authenticated client for communication
    httpx_client=create_authenticated_client(researcher_url)
)

# Connect to the Judge (Localhost port 8002)
judge_url = os.environ.get("JUDGE_AGENT_CARD_URL", "http://localhost:8002/a2a/agent/.well-known/agent-card.json")
judge = RemoteA2aAgent(
    name="judge",
    agent_card=judge_url,
    description="Evaluates research.",
    after_agent_callback=create_save_output_callback("judge_feedback"),
    httpx_client=create_authenticated_client(judge_url)
)

# Content Builder (Localhost port 8003)
content_builder_url = os.environ.get("CONTENT_BUILDER_AGENT_CARD_URL", "http://localhost:8003/a2a/agent/.well-known/agent-card.json")
content_builder = RemoteA2aAgent(
    name="content_builder",
    agent_card=content_builder_url,
    description="Builds the course.",
    httpx_client=create_authenticated_client(content_builder_url)
)

8. 🛑 エスカレーションチェッカー

ループには停止する方法が必要です。Judge が「Pass」と判定した場合は、すぐにループを終了して Content Builder に移動します。

BaseAgent を使用したカスタムロジック

詳細: すべてのエージェントが LLM を使用するわけではありません。シンプルな Python ロジックが必要になることがあります。BaseAgent を使用すると、コードを実行するだけのエージェントを定義できます。この場合、セッションの状態を確認し、EventActions(escalate=True) を使用して LoopAgent に停止を通知します。

引き続き agents/orchestrator/agent.py。
EscalationChecker TODO プレースホルダを見つけます。

次の実装に置き換えます。

class EscalationChecker(BaseAgent):
    """Checks the judge's feedback and escalates (breaks the loop) if it passed."""

    async def _run_async_impl(
        self, ctx: InvocationContext
    ) -> AsyncGenerator[Event, None]:
        # Retrieve the feedback saved by the Judge
        feedback = ctx.session.state.get("judge_feedback")
        print(f"[EscalationChecker] Feedback: {feedback}")

        # Check for 'pass' status
        is_pass = False
        if isinstance(feedback, dict) and feedback.get("status") == "pass":
            is_pass = True
        # Handle string fallback if JSON parsing failed
        elif isinstance(feedback, str) and '"status": "pass"' in feedback:
            is_pass = True

        if is_pass:
            # 'escalate=True' tells the parent LoopAgent to stop looping
            yield Event(author=self.name, actions=EventActions(escalate=True))
        else:
            # Continue the loop
            yield Event(author=self.name)

escalation_checker = EscalationChecker(name="escalation_checker")

重要なコンセプト: イベントによる制御フロー

エージェントはテキストだけでなく、イベントでも通信します。escalate=True でイベントを生成することで、このエージェントは親（LoopAgent）にシグナルを送信します。LoopAgent は、このシグナルをキャッチしてループを終了するようにプログラムされています。

9. 🔁 リサーチループ

リサーチループ

フィードバックループが必要です。調査 -> 判断 -> （失敗） -> 調査 -> ...

引き続き agents/orchestrator/agent.py。

research_loop 定義を追加します。このコードは、EscalationChecker クラスと escalation_checker インスタンスの後に配置します。

research_loop = LoopAgent(
    name="research_loop",
    description="Iteratively researches and judges until quality standards are met.",
    sub_agents=[researcher, judge, escalation_checker],
    max_iterations=3,
)

重要なコンセプト: LoopAgent

LoopAgent は sub_agents を順番に切り替えます。

researcher: データを検索します。
judge: データを評価します。
escalation_checker: yield Event(escalate=True) するかどうかを決定します。escalate=True が発生すると、ループは早期に終了します。それ以外の場合は、研究者で再開します（最大 max_iterations）。

10. 🔗 最終的なパイプライン

最終パイプライン

最後に、すべてをまとめます。

引き続き agents/orchestrator/agent.py。

ファイルの下部で root_agent を定義します。これにより、既存の root_agent = None プレースホルダが置き換えられます。

root_agent = SequentialAgent(
    name="course_creation_pipeline",
    description="A pipeline that researches a topic and then builds a course from it.",
    sub_agents=[research_loop, content_builder],
)

重要なコンセプト: 階層構成

research_loop はエージェント（LoopAgent）です。SequentialAgent 内の他のサブエージェントと同じように扱われます。このコンポーザビリティにより、単純なパターン（シーケンス内のループ、ルーター内のシーケンスなど）をネストして複雑なロジックを構築できます。

11. 💻 ローカルで実行する

すべてを実行する前に、ADK が分散環境をローカルでシミュレートする方法を見てみましょう。

詳細: ローカル開発の仕組み

マイクロサービスアーキテクチャでは、各エージェントが独自のサーバーとして実行されます。デプロイすると、4 つの異なる Cloud Run サービスが作成されます。4 つのターミナルタブを開いて 4 つのコマンドを実行する必要がある場合、これをローカルでシミュレートするのは面倒です。

このスクリプトは、Researcher（ポート 8001）、Judge（8002）、Content Builder（8003）の uvicorn プロセスを開始します。RESEARCHER_AGENT_CARD_URL などの環境変数を設定し、オーケストレーター（ポート 8004）に渡します。これは、後でクラウドで構成する方法とまったく同じです。

アプリの実行

オーケストレーションスクリプトを実行します。
```
./run_local.sh
```
これにより、4 つの個別のプロセスが開始されます。
テスト:
- Cloud Shell を使用している場合: [ウェブでプレビュー] ボタン（ターミナルの右上） -> [ポート 8080 でプレビュー] -> [ポートを変更] を 8000 に変更します。
- ローカルで実行している場合: ブラウザで http://localhost:8000 を開きます。
- プロンプト: 「コーヒーの歴史に関するコースを作成してください。」
- 観察: Orchestrator が Researcher に電話をかけます。出力は Judge に送られます。Judge が失敗した場合は、ループが続行されます。
トラブルシューティング:
- 「Internal Server Error」 / 認証エラー: 認証エラー（google-auth 関連など）が表示された場合は、ローカルマシンで実行している場合は gcloud auth application-default login を実行していることを確認してください。Cloud Shell で、GOOGLE_CLOUD_PROJECT 環境変数が正しく設定されていることを確認します。
- ターミナルエラー: 新しいターミナルウィンドウでコマンドが失敗した場合は、環境変数（GOOGLE_CLOUD_PROJECT など）を再エクスポートしてください。
エージェントを分離してテストする: システム全体が実行されている場合でも、ポートを直接ターゲットにして特定のエージェントをテストできます。これは、チェーン全体をトリガーせずに特定のコンポーネントをデバッグする場合に便利です。
- Researcher Only（ポート 8001）: http://localhost:8001
- Judge Only（ポート 8002）: http://localhost:8002
- コンテンツビルダーのみ（ポート 8003）: http://localhost:8003
- オーケストレーター（ポート 8004）: http://localhost:8004（オーケストレーターロジックへの直接アクセス）

12. 🚀 Cloud Run にデプロイする

最終的な検証はクラウドで実行されます。各エージェントは個別のサービスとしてデプロイします。

デプロイ構成について

エージェントを Cloud Run にデプロイするときに、動作と接続を構成するためにいくつかの環境変数を渡します。

GOOGLE_CLOUD_PROJECT: エージェントがロギングと Vertex AI 呼び出しに正しい Google Cloud プロジェクトを使用するようにします。
GOOGLE_GENAI_USE_VERTEXAI: Gemini API を直接呼び出すのではなく、モデル推論に Vertex AI を使用するようにエージェントフレームワーク（ADK）に指示します。
[AGENT]_AGENT_CARD_URL: これは Orchestrator にとって重要です。Orchestrator に リモート エージェントの場所を伝えます。これをデプロイされた Cloud Run URL（具体的にはエージェントカードのパス）に設定することで、Orchestrator はインターネット経由で Researcher、Judge、Content Builder を検出して通信できるようになります。

Researcher をデプロイする:

gcloud run deploy researcher \
  --source agents/researcher/ \
  --region us-central1 \
  --allow-unauthenticated \
  --labels dev-tutorial=prod-ready-1 \
  --set-env-vars GOOGLE_CLOUD_PROJECT=$GOOGLE_CLOUD_PROJECT \
  --set-env-vars GOOGLE_GENAI_USE_VERTEXAI="true"

URL を取得します。

RESEARCHER_URL=$(gcloud run services describe researcher --region us-central1 --format='value(status.url)')
echo $RESEARCHER_URL

Judge をデプロイします。

gcloud run deploy judge \
  --source agents/judge/ \
  --region us-central1 \
  --allow-unauthenticated \
  --labels dev-tutorial=prod-ready-1 \
  --set-env-vars GOOGLE_CLOUD_PROJECT=$GOOGLE_CLOUD_PROJECT \
  --set-env-vars GOOGLE_GENAI_USE_VERTEXAI="true"

URL を取得します。

JUDGE_URL=$(gcloud run services describe judge --region us-central1 --format='value(status.url)')
echo $JUDGE_URL

Content Builder をデプロイします。

gcloud run deploy content-builder \
  --source agents/content_builder/ \
  --region us-central1 \
  --allow-unauthenticated \
  --labels dev-tutorial=prod-ready-1 \
  --set-env-vars GOOGLE_CLOUD_PROJECT=$GOOGLE_CLOUD_PROJECT \
  --set-env-vars GOOGLE_GENAI_USE_VERTEXAI="true"

URL を取得します。

CONTENT_BUILDER_URL=$(gcloud run services describe content-builder --region us-central1 --format='value(status.url)')
echo $CONTENT_BUILDER_URL

Orchestrator をデプロイする: キャプチャした環境変数を使用して Orchestrator を構成します。

gcloud run deploy orchestrator \
  --source agents/orchestrator/ \
  --region us-central1 \
  --allow-unauthenticated \
  --labels dev-tutorial=prod-ready-1 \
  --set-env-vars RESEARCHER_AGENT_CARD_URL=$RESEARCHER_URL/a2a/agent/.well-known/agent-card.json \
  --set-env-vars JUDGE_AGENT_CARD_URL=$JUDGE_URL/a2a/agent/.well-known/agent-card.json \
  --set-env-vars CONTENT_BUILDER_AGENT_CARD_URL=$CONTENT_BUILDER_URL/a2a/agent/.well-known/agent-card.json \
  --set-env-vars GOOGLE_CLOUD_PROJECT=$GOOGLE_CLOUD_PROJECT \
  --set-env-vars GOOGLE_GENAI_USE_VERTEXAI="true"

URL を取得します。

ORCHESTRATOR_URL=$(gcloud run services describe orchestrator --region us-central1 --format='value(status.url)')
echo $ORCHESTRATOR_URL

フロントエンドをデプロイします。

gcloud run deploy course-creator \
    --source app \
    --region us-central1 \
    --allow-unauthenticated \
    --labels dev-tutorial=prod-ready-1 \
    --set-env-vars AGENT_SERVER_URL=$ORCHESTRATOR_URL \
    --set-env-vars GOOGLE_CLOUD_PROJECT=$GOOGLE_CLOUD_PROJECT

リモートデプロイをテストする: デプロイした Orchestrator の URL を開きます。エージェントのスケーリングに Google のサーバーレスインフラストラクチャを利用して、完全にクラウドで実行されるようになりました。ヒント: すべてのマイクロサービスとその URL は、Cloud Run インターフェースにあります。

13. まとめ

おめでとうございます！本番環境対応の分散型マルチエージェントシステムを正常に構築してデプロイしました。

達成したこと

複雑なタスクを分解した: 1 つの巨大なプロンプトではなく、作業を専門的な役割（研究者、審査員、コンテンツビルダー）に分割しました。
品質管理の実装: LoopAgent と構造化された Judge を使用して、高品質の情報のみが最終ステップに到達するようにしました。
本番環境向けに構築: Agent-to-Agent（A2A）プロトコルと Cloud Run を使用して、各エージェントが独立したスケーラブルなマイクロサービスであるシステムを作成しました。これは、すべてを単一の Python スクリプトで実行するよりもはるかに堅牢です。
オーケストレーション: SequentialAgent と LoopAgent を使用して、明確な制御フローパターンを定義しました。

次のステップ

これで基盤ができたので、このシステムを拡張できます。

ツールを追加: 内部ドキュメントや API へのアクセス権を調査担当者に付与します。
Judge を改善する: より具体的な基準や「Human in the Loop」ステップを追加します。
モデルを入れ替える: エージェントごとに異なるモデル（Judge には高速モデル、Content Writer には強力なモデルなど）を試します。

これで、Google Cloud で複雑で信頼性の高いエージェントワークフローを構築する準備が整いました。

マルチエージェント システムの構築

1. はじめに

概要

前提条件

演習内容

アーキテクチャとオーケストレーションの原則

システム設計

エージェントによるオーケストレーション

2. セットアップ

環境設定

スターター コードを取得する

API を有効にする

依存関係のインストール

3. 🕵️ リサーチ エージェント

リサーチャーを分離する理由

重要なコンセプト: ツールの使用

4. ⚖️ Judge エージェント

構造化出力

重要なコンセプト: エージェントの動作を制限する

5. 🧪 単独でのテスト

重要なコンセプト: インタラクティブ ランタイム

6. ✍️ コンテンツ ビルダー エージェント

重要なコンセプト: コンテキストの伝播

7. 🎻 オーケストレーター

🌐 アーキテクチャ: Agent-to-Agent（A2A）

A2A プロトコル

8. 🛑 エスカレーション チェッカー

BaseAgent を使用したカスタム ロジック

重要なコンセプト: イベントによる制御フロー

9. 🔁 リサーチ ループ

重要なコンセプト: LoopAgent

10. 🔗 最終的なパイプライン

重要なコンセプト: 階層構成

11. 💻 ローカルで実行する

詳細: ローカル開発の仕組み

12. 🚀 Cloud Run にデプロイする

デプロイ構成について

13. まとめ

達成したこと

次のステップ

マルチエージェントシステムの構築

スターターコードを取得する

3. 🕵️ リサーチエージェント

重要なコンセプト: インタラクティブランタイム

6. ✍️ コンテンツビルダーエージェント

8. 🛑 エスカレーションチェッカー

BaseAgent を使用したカスタムロジック

9. 🔁 リサーチループ