Google は AI 技術を使用して、コンテンツをご希望の言語に翻訳しています。AI 翻訳には誤りが含まれる場合があります。

Slack の生成 AI エージェント: API 呼び出しによるドキュメントとアクションに関する Q&A

1. 概要

このラボでは、生成 AI エージェントを作成し、Cloud Run アプリケーションに接続して、エージェントを Slack ワークスペースに統合します。

学習内容

ラボは主に次の部分で構成されています。

Gemini API と統合する Cloud Run アプリケーションをデプロイする
AI Applications で会話エージェントを作成してデプロイする
エージェントを Slack に統合する
PDF ドキュメントに対する Q＆A 用にデータストアを構成する

前提条件

このラボは、Cloud コンソール環境と Cloud Shell 環境に精通していることを前提としています。

2. 設定と要件

Cloud プロジェクトのセットアップ

Google Cloud コンソールにログインして、プロジェクトを新規作成するか、既存のプロジェクトを再利用します。Gmail アカウントも Google Workspace アカウントもまだお持ちでない場合は、アカウントを作成してください。

プロジェクト名は、このプロジェクトの参加者に表示される名称です。Google API では使用されない文字列です。いつでも更新できます。
プロジェクト ID は、すべての Google Cloud プロジェクトにおいて一意でなければならず、不変です（設定後は変更できません）。Cloud コンソールでは一意の文字列が自動生成されます。通常は、この内容を意識する必要はありません。ほとんどの Codelab では、プロジェクト ID（通常は PROJECT_ID と識別されます）を参照する必要があります。生成された ID が好みではない場合は、ランダムに別の ID を生成できます。または、ご自身で試して、利用可能かどうかを確認することもできます。このステップ以降は変更できず、プロジェクトを通して同じ ID になります。
なお、3 つ目の値として、一部の API が使用するプロジェクト番号があります。これら 3 つの値について詳しくは、こちらのドキュメントをご覧ください。

次に、Cloud のリソースや API を使用するために、Cloud コンソールで課金を有効にする必要があります。この Codelab の操作をすべて行って、費用が生じたとしても、少額です。このチュートリアルの終了後に請求が発生しないようにリソースをシャットダウンするには、作成したリソースを削除するか、プロジェクトを削除します。Google Cloud の新規ユーザーは、300 米ドル分の無料トライアルプログラムをご利用いただけます。

環境設定

Gemini とのチャットを開きます。

Gemini for Google Cloud API を有効にします。

[Start chatting] をクリックし、サンプル質問のいずれかに沿って操作するか、独自のプロンプトを入力して試してみてください。

プロンプトの例:

Cloud Run の 5 つの重要なポイントを説明します。
あなたは Google Cloud Run のプロダクトマネージャーです。Cloud Run について、5 つの短い要点を学生に説明してください。
あなたは Google Cloud Run のプロダクトマネージャーです。認定 Kubernetes デベロッパーに Cloud Run を 5 つの短いキーポイントで説明してください。
Google Cloud Run のプロダクトマネージャーとして、Cloud Run と GKE のどちらを使用するかを 5 つの短い要点にまとめてシニアデベロッパーに説明してください。

より良いプロンプトの作成方法については、プロンプトガイドをご覧ください。

Gemini for Google Cloud がデータを使用する方法

Google のプライバシーに関する取り組み

Google は、AI/ML のプライバシーに関する取り組みを業界で最初に発表した企業の 1 つです。この取り組みは、お客様はクラウドに保存されている自社のデータについて最高レベルのセキュリティとコントロールを得られるべきだという、Google の信念を概説したものです。

送信および受信するデータ

Gemini に尋ねる質問（Gemini に送信して分析または完成される入力情報やコードなど）は、プロンプトと呼ばれます。Gemini から受け取る回答やコード補完は、レスポンスと呼ばれます。Gemini がプロンプトやそのレスポンスをデータとして使用してモデルをトレーニングすることはありません。

プロンプトの暗号化

Gemini にプロンプトを送信すると、Gemini の基盤モデルへの入力としてデータが転送中に暗号化されます。

Gemini によって生成されたプログラムデータ

Gemini は、ファーストパーティの Google Cloud コードと選択したサードパーティコードでトレーニングされています。コードのセキュリティ、テスト、有効性については、ユーザー側の責任となります（Gemini によるコード補完、生成、分析など）。

Google がプロンプトをどのように処理するかについて詳しくは、こちらをご覧ください。

3. プロンプトをテストするオプション

プロンプトをテストする方法はいくつかあります。

Vertex AI Studio

Vertex AI Studio は、Google Cloud の Vertex AI プラットフォームの一部であり、生成 AI モデルの開発と使用を簡素化し、加速するように特別に設計されています。

Google AI Studio

Google AI Studio は、プロンプトエンジニアリングと Gemini API のプロトタイピングとテストを行うためのウェブベースのツールです。

Gemini ウェブアプリ（gemini.google.com）

Google Gemini ウェブアプリ（gemini.google.com）は、Google の Gemini AI モデルの機能を活用できるように設計されたウェブベースのツールです。

Androidと iOS 版 Google アプリ

4. リポジトリのクローンを作成する

Google Cloud コンソールに戻り、検索バーの右にあるアイコンをクリックして Cloud Shell をアクティブにします。

承認を求められたら、[承認] をクリックして続行します。

開いたターミナルで、次のコマンドを実行します。

git clone https://github.com/GoogleCloudPlatform/genai-for-developers.git

cd genai-for-developers

git checkout slack-agent-jira-lab

[エディタを開く] をクリックします。

[File / Open Folder] メニュー項目を使用して、[genai-for-developers] を開きます。

新しいターミナルを開く

5. サービスアカウントを作成する

新しいサービスアカウントを作成します。このサービスアカウントを使用して、Cloud Run アプリケーションから Vertex AI Gemini API への API 呼び出しを行います。

Qwiklabs のプロジェクトの詳細を使用して、プロジェクトの詳細を構成します。

例: qwiklabs-gcp-00-2c10937585bb

gcloud config set project YOUR_QWIKLABS_PROJECT_ID

サービスアカウントを作成します。

export LOCATION=us-central1
export PROJECT_ID=$(gcloud config get-value project)
export SERVICE_ACCOUNT_NAME='vertex-client'
export DISPLAY_NAME='Vertex Client'

gcloud iam service-accounts create $SERVICE_ACCOUNT_NAME --project $PROJECT_ID --display-name "$DISPLAY_NAME"

ロールを付与します。

gcloud projects add-iam-policy-binding $PROJECT_ID --member="serviceAccount:$SERVICE_ACCOUNT_NAME@$PROJECT_ID.iam.gserviceaccount.com" --role="roles/aiplatform.admin"

gcloud projects add-iam-policy-binding $PROJECT_ID --member="serviceAccount:$SERVICE_ACCOUNT_NAME@$PROJECT_ID.iam.gserviceaccount.com" --role="roles/aiplatform.user"

gcloud projects add-iam-policy-binding $PROJECT_ID --member="serviceAccount:$SERVICE_ACCOUNT_NAME@$PROJECT_ID.iam.gserviceaccount.com" --role="roles/cloudbuild.builds.editor"

gcloud projects add-iam-policy-binding $PROJECT_ID --member="serviceAccount:$SERVICE_ACCOUNT_NAME@$PROJECT_ID.iam.gserviceaccount.com" --role="roles/artifactregistry.admin"

gcloud projects add-iam-policy-binding $PROJECT_ID --member="serviceAccount:$SERVICE_ACCOUNT_NAME@$PROJECT_ID.iam.gserviceaccount.com" --role="roles/storage.admin"

gcloud projects add-iam-policy-binding $PROJECT_ID --member="serviceAccount:$SERVICE_ACCOUNT_NAME@$PROJECT_ID.iam.gserviceaccount.com" --role="roles/run.admin"

gcloud projects add-iam-policy-binding $PROJECT_ID --member="serviceAccount:$SERVICE_ACCOUNT_NAME@$PROJECT_ID.iam.gserviceaccount.com" --role="roles/secretmanager.secretAccessor"

Vertex AI API と Gemini チャットを使用するには、必要なサービスを有効にします。

gcloud services enable \
    generativelanguage.googleapis.com \
    aiplatform.googleapis.com \
    cloudaicompanion.googleapis.com \
    dialogflow.googleapis.com \
    run.googleapis.com \
    cloudresourcemanager.googleapis.com \
    discoveryengine.googleapis.com

Vertex AI API と Gemini チャットを使用するには、必要なサービスを有効にします。

gcloud services enable \
    artifactregistry.googleapis.com \
    cloudbuild.googleapis.com \
    runapps.googleapis.com \
    workstations.googleapis.com \
    servicemanagement.googleapis.com \
    secretmanager.googleapis.com \
    containerscanning.googleapis.com

Gemini Code Assist を使用してコードの説明を取得する

ファイル「devai-api/app/routes.py」を開き、ファイル内の任意の場所を右クリックして、コンテキストメニューから「Gemini Code Assist > Explain this"」を選択します。

選択したファイルに対する Gemini の説明を確認します。

6. Devai-API を Cloud Run にデプロイする

正しいフォルダにいることを確認します。

cd ~/genai-for-developers/devai-api

このラボでは、ベストプラクティスに沿って、Secret Manager を使用して、Cloud Run のアクセストークンと LangChain API キーの値を保存して参照します。

環境変数を設定します。このコマンドは変更せずにそのまま実行します。

export JIRA_API_TOKEN=your-jira-token
export JIRA_USERNAME="YOUR-EMAIL"
export JIRA_INSTANCE_URL="https://YOUR-JIRA-PROJECT.atlassian.net"
export JIRA_PROJECT_KEY="YOUR-JIRA-PROJECT-KEY"
export JIRA_CLOUD=true

export GITLAB_PERSONAL_ACCESS_TOKEN=your-gitlab-token
export GITLAB_URL="https://gitlab.com"
export GITLAB_BRANCH="devai"
export GITLAB_BASE_BRANCH="main"
export GITLAB_REPOSITORY="GITLAB-USERID/GITLAB-REPO"

export LANGCHAIN_API_KEY=your-langchain-key
export LANGCHAIN_TRACING_V2=true
export LANGCHAIN_ENDPOINT="https://api.smith.langchain.com"

Secret Manager で複数のシークレットを作成して保存します。

echo -n $JIRA_API_TOKEN | \
 gcloud secrets create JIRA_API_TOKEN \
 --data-file=-

echo -n $GITLAB_PERSONAL_ACCESS_TOKEN | \
 gcloud secrets create GITLAB_PERSONAL_ACCESS_TOKEN \
 --data-file=-

echo -n $LANGCHAIN_API_KEY | \
 gcloud secrets create LANGCHAIN_API_KEY \
 --data-file=-

アプリケーションを Cloud Run にデプロイします。

gcloud run deploy devai-api \
  --source=. \
  --region="$LOCATION" \
  --allow-unauthenticated \
  --service-account vertex-client \
  --set-env-vars PROJECT_ID="$PROJECT_ID" \
  --set-env-vars LOCATION="$LOCATION" \
  --set-env-vars GITLAB_URL="$GITLAB_URL" \
  --set-env-vars GITLAB_REPOSITORY="$GITLAB_REPOSITORY" \
  --set-env-vars GITLAB_BRANCH="$GITLAB_BRANCH" \
  --set-env-vars GITLAB_BASE_BRANCH="$GITLAB_BASE_BRANCH" \
  --set-env-vars JIRA_USERNAME="$JIRA_USERNAME" \
  --set-env-vars JIRA_INSTANCE_URL="$JIRA_INSTANCE_URL" \
  --set-env-vars JIRA_PROJECT_KEY="$JIRA_PROJECT_KEY" \
  --set-env-vars JIRA_CLOUD="$JIRA_CLOUD" \
  --set-env-vars LANGCHAIN_TRACING_V2="$LANGCHAIN_TRACING_V2" \
  --update-secrets="LANGCHAIN_API_KEY=LANGCHAIN_API_KEY:latest" \
  --update-secrets="GITLAB_PERSONAL_ACCESS_TOKEN=GITLAB_PERSONAL_ACCESS_TOKEN:latest" \
  --update-secrets="JIRA_API_TOKEN=JIRA_API_TOKEN:latest" \
  --min-instances=1 \
  --max-instances=3

Y と答えて、Artifact Registry Docker リポジトリを作成します。

Deploying from source requires an Artifact Registry Docker repository to store built containers. A repository named [cloud-run-source-deploy] in 
region [us-central1] will be created.

Do you want to continue (Y/n)?  y

Gemini にコマンドの説明を依頼します。

What does this command do?

gcloud run deploy devai-api \
  --source=. \
  --region="$LOCATION" \
  --allow-unauthenticated \
  --service-account vertex-client \
  --set-env-vars PROJECT_ID="$PROJECT_ID" \
  --set-env-vars LOCATION="$LOCATION" \
  --set-env-vars GITLAB_URL="$GITLAB_URL" \
  --set-env-vars GITLAB_REPOSITORY="$GITLAB_REPOSITORY" \
  --set-env-vars GITLAB_BRANCH="$GITLAB_BRANCH" \
  --set-env-vars GITLAB_BASE_BRANCH="$GITLAB_BASE_BRANCH" \
  --set-env-vars JIRA_USERNAME="$JIRA_USERNAME" \
  --set-env-vars JIRA_INSTANCE_URL="$JIRA_INSTANCE_URL" \
  --set-env-vars JIRA_PROJECT_KEY="$JIRA_PROJECT_KEY" \
  --set-env-vars JIRA_CLOUD="$JIRA_CLOUD" \
  --set-env-vars LANGCHAIN_TRACING_V2="$LANGCHAIN_TRACING_V2" \
  --update-secrets="LANGCHAIN_API_KEY=LANGCHAIN_API_KEY:latest" \
  --update-secrets="GITLAB_PERSONAL_ACCESS_TOKEN=GITLAB_PERSONAL_ACCESS_TOKEN:latest" \
  --update-secrets="JIRA_API_TOKEN=JIRA_API_TOKEN:latest" \
  --min-instances=1 \
  --max-instances=3

以下の gcloud run deploy SERVICE_NAME --source=. フローを確認します。詳細

このコマンドはバックグラウンドで Google Cloud の buildpacks と Cloud Build を使用して、ソースコードからコンテナイメージを自動的にビルドします。Docker のマシンへのインストールや Buildpack および Cloud Build の設定は不要です。つまり、上記のコマンドで必要とするのは gcloud builds submit コマンドと gcloud run deploy コマンドだけです。

Dockerfile を指定した場合（このリポジトリで指定しました）、Cloud Build はそれを使用してコンテナイメージをビルドします。Buildpack に依存してコンテナイメージを自動的に検出してビルドすることはありません。Buildpack の詳細については、ドキュメントをご覧ください。

コンソールで Cloud Build のログを確認します。

作成された Docker イメージを Artifact Registry で確認します。

Cloud コンソールで Cloud Run インスタンスの詳細を確認します。

curl コマンドを実行してエンドポイントをテストします。

curl -X POST \
   -H "Content-Type: application/json" \
   -d '{"prompt": "PROJECT-100"}' \
   $(gcloud  run services list --filter="(devai-api)" --format="value(URL)")/generate

レスポンスはマークダウン形式になります。読みやすくするため、プレビューモードで表示しています。

7. AI アプリケーション

Google Cloud コンソールの検索バーに「AI Applications」と入力して開きます。

Conversational Agent アプリを作成します。

[Build your own] を選択します。

表示名に「Agent」と入力し、[作成] をクリックします。

ハンドブック名を設定します。

Agent

目標を設定:

Help users with questions about JIRA project

設定手順:

- Greet the users, then ask how you can help them today.
- Summarize the user's request and ask them to confirm that you understood correctly.
  - If necessary, seek clarifying details.
- Thank the user for their business and say goodbye.

[Save] をクリックします。

右側のシミュレータチャットを使用してエージェントをテストします。

以下に示すように、同様の会話を追跡します。

エージェントのツールの構成

左側のレンチアイコンにカーソルを合わせます。[ツール] メニューを開き、新しいツールを作成します。

[Type] プルダウンから OpenAPI を選択します。

ツール名を設定します。

jira-project-status

セットの説明:

Provides JIRA project status

タブを切り替えて、Cloud Run サービスの URL のコンソール出力を確認します。サービス URL の値をコピーします。

スキーマを設定（YAML）- YOUR CLOUD RUN URL を置き換えます。

openapi: 3.0.0
info:
 title: CR API
 version: 1.0.0
 description: >-
   This is the OpenAPI specification of a service.
servers:
 - url: 'https://YOUR CLOUD RUN URL'
paths:

 /generate:
   post:
     summary: Request impl
     operationId: generate
     requestBody:
       description: Request impl
       required: true
       content:
         application/json:
           schema:
             $ref: '#/components/schemas/Prompt'
     responses:
       '200':
         description: Generated
         content:
           application/json:
             schema:
               $ref: '#/components/schemas/ProjectStatus'
                  
components:
 schemas:
   Prompt:
     type: object
     required:
       - prompt
     properties:
       prompt:
         type: string
   ProjectStatus:
     type: object
     required:
       - message
     properties:
       message:
         type: string

ツールの構成を保存します。

左側のメニューから [ハンドブック] を選択してエージェントの構成に戻り、ツールを使用する手順を更新します。

新しいツールを使用する手順を追加し、[Save] をクリックします。

- Use ${TOOL: jira-project-status} to help the user with JIRA project status.

[Examples] タブに切り替えて、新しい例を追加します。

表示名を設定します。

jira-project-flow

下部のメニューを使用して、ユーザーとエージェントの会話をモデル化します。

フローの例:

エージェントの回答: プロジェクト ID を教えてください。

ユーザー入力: TEST-PROJECT-100

ツールの使用: jira-project-status

エージェントの回答: プロジェクトのステータスの詳細。

以下のリファレンスを使用して例を作成します。

Save をクリックします。エージェントシミュレータに戻り、既存の会話をリセットします。フローをテストします。

おめでとうございます！Cloud Run にデプロイされたアプリケーション（API）にリンクされたツールを統合することで、エージェントがアクションを実行し、エージェントの機能を拡張できるようになりました。

会話エージェントのベストプラクティスを確認する

利用可能なエージェント設定を確認する

ロギング設定 - Cloud Logging を有効にする
Git 統合 - Git 統合により、Git リポジトリからエージェントを push および pull できます。
生成モデルの選択
トークンの上限（入力と出力）

エージェントシミュレータのコントロールを確認します。

8. Slack との統合

[インテグレーション] メニューを開き、Slack タイルの [Connect] をクリックします。

リンクを開き、https://api.slack.com/apps で新しい Slack アプリを作成します。

[マニフェスト] から選択します。

アプリを開発するワークスペースを選択する

YAML に切り替えて、このマニフェストを貼り付けます。

display_information:
  name: Agent
  description: Agent
  background_color: "#1148b8"
features:
  app_home:
    home_tab_enabled: false
    messages_tab_enabled: true
    messages_tab_read_only_enabled: false
  bot_user:
    display_name: Agent
    always_online: true
oauth_config:
  scopes:
    bot:
      - app_mentions:read
      - chat:write
      - im:history
      - im:read
      - im:write
      - incoming-webhook
settings:
  event_subscriptions:
    request_url: https://dialogflow-slack-4vnhuutqka-uc.a.run.app
    bot_events:
      - app_mention
      - message.im
  org_deploy_enabled: false
  socket_mode_enabled: false
  token_rotation_enabled: false

[作成] をクリックします。

Workspace にインストール:

[#general] チャンネルを選択して [許可] をクリックします。

[Basic Information / App Credentials] で、[Signing Secret] をコピーし、エージェントの Slack 統合で [Signing Token] フィールドの値として設定します。

[OAuth & Permissions] を開き、[Bot User OAuth Token] をコピーして、Agent の Slack 統合の [アクセストークン] フィールドの値として設定します。

必須項目を設定して [開始] をクリックします。

エージェントの [Access Token] の値は、Slack の [Bot User OAUth Token] です。

エージェントの「署名トークン」の値は、Slack の「署名シークレット」です。

[Webhook URL] をコピーして、Slack アプリの設定に戻ります。

[Event Subscriptions]（イベントサブスクリプション）セクションを開き、URL を貼り付けます。

変更を保存します。

「Slack」を開き、「@Agent」と入力してエージェントを追加します。

たとえば、「@CX」という名前のアプリを追加します。

エージェントに JIRA プロジェクトの概要を尋ねます。

おめでとうございます！エージェントが Slack ワークスペースに統合されました。

9. PDF ドキュメントに関する質問応答

このセクションでは、PDF ドキュメントを使用してデータストアを確立し、エージェントにリンクして、ドキュメントのコンテンツに基づく Q&A 機能を有効にする方法について説明します。

Cloud Storage バケットを作成する

Cloud Shell を開く: https://shell.cloud.google.com/

GCP プロジェクトの最後の 5 桁を使用してバケット名を設定します。例: pdf-docs-3dw21

BUCKET_NAME=pdf-docs-LAST-5-DIGITS-OF-YOUR-PROJECT

バケットを作成して PDF ドキュメントをアップロードします。

gcloud storage buckets create gs://$BUCKET_NAME \
    --location=us \
    --default-storage-class=STANDARD \
    --no-public-access-prevention \
    --uniform-bucket-level-access

wget https://services.google.com/fh/files/misc/exec_guide_gen_ai.pdf 

gsutil cp exec_guide_gen_ai.pdf gs://$BUCKET_NAME

データストアの構成

エージェントコンソールに戻り、[Agent] を開いて下にスクロールし、[+ Data store] をクリックします。

次の値を使用します。

ツール名: pdf-docs

タイプ: Data store

説明: pdf-docs

[Save] をクリックします。

ページ下部の [Add data stores] をクリックします。[Create new data store] をクリックします。

データソースとして [Cloud Storage] を選択します。

選択: Unstructured documents

GCS バケット/フォルダを選択します。

データストアのロケーションとして「us」を選択します。

データストア名に「pdf-docs」と入力します。

プルダウンから [Digital parser] を選択します。

高度なチャンクを有効にします。

チャンクで上位の見出しを有効にします。

[Create] をクリックしてください。

データストアをクリックして、[ドキュメント]、[アクティビティ]、[処理構成] を確認します。

インポートが完了するまでに 5 ～ 10 分ほどかかります。

解析とチャンク化のオプション

コンテンツ解析は次の方法で制御できます。

デジタルパーサー。別のパーサータイプが指定されていない限り、すべてのファイル形式でデジタルパーサーがデフォルトでオンになります。データストアに他のデフォルトパーサーが指定されていない場合、または指定されたパーサーが取り込まれたドキュメントのファイル形式をサポートしていない場合、デジタルパーサーは取り込まれたドキュメントを処理します。
PDF の OCR 解析。公開プレビュー版。スキャンした PDF や画像内にテキストを含む PDF をアップロードする場合は、OCR パーサーをオンにして PDF のインデックス登録を改善できます。PDF の OCR 解析についてをご覧ください。
レイアウトパーサー。RAG に Vertex AI Search を使用する場合は、HTML、PDF、DOCX ファイルのレイアウトパーサーをオンにします。このパーサーとそれを有効にする方法については、RAG 用にドキュメントをチャンクするをご覧ください。

ドキュメントの解析とチャンキングの詳細

ツール構成

エージェントのツールの構成画面に戻り、使用可能なデータストアを更新します。

作成したデータストアを選択し、[Confirm] をクリックします。

グラウンディングを構成します。

会社名に「Google Cloud」と入力します。

ペイロード設定 - [Include snippets in Conversational Messenger response payload"] をオンにします。値を 5 に設定します。

[保存] をクリックします。

エージェントの指示の構成

エージェントの構成に戻ります。

新しい手順を追加します。

- Provide detailed answer to users questions about the exec guide to gen ai using information in the ${TOOL:pdf-docs}

構成を保存します。

PDF-Docs ツールの例を作成する

[例] タブに切り替えます。新しい例を作成する: Guide to generative AI

アクション「+」を使用する:

[ユーザー入力] を追加します。

What are the main capabilities for generative AI?

[ツールの使用] を追加します。

ツールとアクション: 「pdf-docs」

入力（requestBody）

{
  "query": "Main capabilities for generative AI",
  "filter": "",
  "userMetadata": {},
  "fallback": ""
}

ツールの出力:

{
  "answer": "Detailed answer about main capabilities for generative AI",
  "snippets": [
    {
      "uri": "https://storage.cloud.google.com/pdf-docs-49ca4/exec_guide_gen_ai.pdf",
      "text": "Detailed answer about main capabilities",
      "title": "exec_guide_gen_ai"
    }
  ]
}

「エージェントの回答」を追加する

Detailed answer about main capabilities. 

https://storage.cloud.google.com/pdf-docs-49ca4/exec_guide_gen_ai.pdf

構成例:

ツール呼び出しの構成:

シミュレータに切り替えて構成をテストします。

質問:

What are the 10 steps in the exec guide?

[呼び出し] プルダウンから [Agent] を選択し、[Save as example] をクリックします。

名前「user-question-flow」を指定します。

概要を「Agent helped user answer question based on the pdf document」に設定して、[保存] をクリックします。

エージェントのレスポンスをフォーマットし、ツール出力セクションから PDF ドキュメントへのリンクを含めます。

例を保存します。

シミュレータに戻り、[Replay conversation] をクリックします。更新されたレスポンス形式を確認します。例を保存した後にエラーが表示された場合は、ブラウザウィンドウを更新して、プロンプトをもう一度送信して会話を再開する必要があります。

What are the 10 steps in the exec guide?

別の質問をします。

What are the main capabilities in the exec guide?

ソース PDF ドキュメント。

質問:

What should I consider when evaluating projects?

ソース PDF ドキュメント。

質問:

What are the priority use cases in Retail and CPG in the exec guide?

ソース PDF ドキュメント。

おめでとうございます！エージェントは、PDF ドキュメントに基づいてグラウンディングされた回答を提供できるようになりました。

10. Prebuilt Agent

次に、左側のメニューからビルド済みエージェントを探索します。

エージェントを 1 つ選択してデプロイします。エージェントの設定、手順、ツールを確認します。

11. 完了

お疲れさまでした。これでラボは完了です。

学習した内容

会話エージェントを作成してデプロイする方法
Cloud Run アプリケーションでサポートされているエージェントのツールを追加する方法
エージェントを Slack ワークスペースに統合する方法
PDF ドキュメントに対する Q&A 用のデータストアを構成する方法

次のステップ:

会話エージェントのベストプラクティスを確認する

クリーンアップ

このチュートリアル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、リソースを含むプロジェクトを削除するか、プロジェクトを維持して個々のリソースを削除します。

プロジェクトの削除

課金をなくす最も簡単な方法は、チュートリアル用に作成したプロジェクトを削除することです。

Slack の生成 AI エージェント: API 呼び出しによるドキュメントとアクションに関する Q&A

1. 概要

学習内容

前提条件

2. 設定と要件

Cloud プロジェクトのセットアップ

環境設定

Gemini for Google Cloud がデータを使用する方法

Google のプライバシーに関する取り組み

送信および受信するデータ

プロンプトの暗号化

Gemini によって生成されたプログラム データ

3. プロンプトをテストするオプション

4. リポジトリのクローンを作成する

5. サービス アカウントを作成する

Gemini Code Assist を使用してコードの説明を取得する

6. Devai-API を Cloud Run にデプロイする

7. AI アプリケーション

エージェントのツールの構成

利用可能なエージェント設定を確認する

8. Slack との統合

9. PDF ドキュメントに関する質問応答

Cloud Storage バケットを作成する

データストアの構成

解析とチャンク化のオプション

ツール構成

グラウンディングを構成します。

エージェントの指示の構成

PDF-Docs ツールの例を作成する

10. Prebuilt Agent

11. 完了

学習した内容

次のステップ:

クリーンアップ

プロジェクトの削除

Gemini によって生成されたプログラムデータ

5. サービスアカウントを作成する