MCP と Cloud Run を使用してエンタープライズガバナンス対応エージェントをデプロイする

1. はじめに

この Codelab は、ガバナンス対応の GenAI エージェントを構築する方法を説明する 2 部構成のシリーズの一部です。

（このシリーズの第 1 部では、Dataplex アスペクトを BigQuery テーブルに適用してデータ基盤を確立し、Gemini CLI を使用してルールをローカルでテストする方法について説明しています。👉 パート 1 を読む）

ただし、ローカル CLI でのテストは始まりにすぎません。これを会社全体に展開するには、一元化されたセキュリティ、標準化された AI ツール接続、エージェントのロジックをオーケストレートして使い慣れたチャットインターフェースを提供する適切なアプリケーションフレームワークが必要です。

この第 2 部では、これらの課題を解決し、本番環境にスケーリングします。ガバナンスルールは、Cloud Run でホストされている中央の MCP サーバーにデプロイします。次に、Google の Agent Development Kit（ADK）を使用して実際のエージェントアプリケーションを構築し、MCP ツールに接続します。このアプリケーションには、プロフェッショナルなウェブ UI が付属しています。

前提条件

課金を有効にした Google Cloud プロジェクト
Cloud Run、IAM サービスアカウント、Python の基本的な知識。
パート 1 で作成した BigQuery データセットと Dataplex アスペクト。（削除してしまっても問題ありません。以下に、再作成するための高速トラックスクリプトを用意しています）。

学習内容

Model Context Protocol（MCP）を使用して、AI エージェントが Google Cloud データとやり取りする方法を標準化する方法。
安全な MCP サーバーを Cloud Run にデプロイする方法。
Agent Development Kit（ADK）を使用して AI エージェントを構築し、MCP バックエンドに接続する方法。
ADK の組み込みデベロッパー UI を実行して、管理対象エージェントを操作する方法。

必要なもの

Google Cloud Shell へのアクセス

主なコンセプト

Model Context Protocol（MCP）: MCP は、AI エージェントの「ユニバーサル USB-C ケーブル」のようなものと考えることができます。MCP は、すべての AI モデルに対してカスタム API 統合コードを記述する代わりに、AI が企業データツール（Dataplex や BigQuery など）に安全に接続するための標準的な方法を提供します。
Agent Development Kit（ADK）: AI エージェントのエンドツーエンドの開発を簡素化するために設計された、Google の柔軟なオープンソースフレームワーク。ソフトウェアエンジニアリングの原則をエージェントの作成に適用することで、複雑なツールのオーケストレーション、状態の管理、テストとデプロイ用の組み込みデベロッパー UI の簡単な起動が可能になります。

2. 設定と要件

Cloud Shell の起動

Google Cloud はノートパソコンからリモートで操作できますが、この Codelab では、Google Cloud Shell（Cloud 上で動作するコマンドライン環境）を使用します。

Google Cloud Console で、右上のツールバーにある Cloud Shell アイコンをクリックします。

Cloud Shell をアクティブにする

プロビジョニングと環境への接続にはそれほど時間はかかりません。完了すると、次のように表示されます。

環境が接続されていることを示す Google Cloud Shell ターミナルのスクリーンショット

この仮想マシンには、必要な開発ツールがすべて用意されています。永続的なホームディレクトリが 5 GB 用意されており、Google Cloud で稼働します。そのため、ネットワークのパフォーマンスと認証機能が大幅に向上しています。この Codelab での作業はすべて、ブラウザ内から実行できます。インストールは不要です。

環境を初期化する

Cloud Shell を開き、プロジェクト変数を設定して、すべてのコマンドが正しいインフラストラクチャをターゲットにしていることを確認します。

export PROJECT_ID=$(gcloud config get-value project)
gcloud config set project $PROJECT_ID
export REGION="us-central1"

チェックポイント: 再開と再構築のどちらを選択すべきか？

これはパート 2 であるため、エージェントが機能するにはパート 1 のガバナンス対象データが必要です。以下のいずれかを選択してください。

パス A: パート 1 を完了したばかりで、リソースはまだ実行中です。

これで、作業ディレクトリに移動すると、続行できるようになります。

cd ~/devrel-demos/data-analytics/governance-context

パス B: パート 1 をスキップした、またはリソースを削除した（クリーンアップした）。

ご安心ください。以下に「Fast-Track」コマンドブロックを示します。これにより、BigQuery データレイクが自動的に再構築され、第 1 部で説明したとおりに Dataplex ガバナンスメタデータが適用されます。

# 1. Clone the repo and navigate to the working directory
git clone --depth 1 --filter=blob:none --sparse https://github.com/GoogleCloudPlatform/devrel-demos.git
cd devrel-demos
git sparse-checkout set data-analytics/governance-context
cd data-analytics/governance-context

# 2. Rebuild the messy data lake with Terraform
cd terraform
terraform init
terraform apply -var="project_id=${PROJECT_ID}" -var="region=${REGION}" -auto-approve

# 3. Generate and apply Dataplex Aspects (Governance rules)
cd ..
chmod +x ./generate_payloads.sh ./apply_governance.sh
./generate_payloads.sh
./apply_governance.sh

3. MCP でスケーリングする: データコントロールプレーンの構築

これまでのところ、Gemini CLI を使用してガバナンスロジックのテストに成功しています。これは迅速なプロトタイピングに最適ですが、個人のユーザー認証情報を使用してローカルで実行されます。

実際のエンタープライズ環境では、一元化されたデータコントロールプレーンが必要です。これを構築するには、Google の公式オープンソースプロジェクトである GenAI Toolbox for Databases を使用します。このツールボックスには、AI エージェントを Dataplex などの Google Cloud データベースやメタデータサービスに安全に接続するように設計された、事前構築済みの MCP サーバーが用意されています。

このツールボックスを Cloud Run の MCP サーバーとしてデプロイすることで、次のことが実現します。

一元化された ID: エージェントは、個人のユーザーアカウントではなく、制限付きのサービスアカウントとして実行されます。
標準化: 標準の MCP プロトコルを使用して、任意のクライアント（ADK、Gemini、カスタムアプリ）をこのサーバーに「接続」できます。
制御されたスコープ（最小権限）: LLM に BigQuery への無制限のアクセス権を付与しません。Dataplex メタデータカタログを最初にナビゲートするように強制します。

ツール定義を構成する（`tools.yaml`）

生成 AI ツールボックスには、宣言型構成ファイル tools.yaml が必要です。このファイルでは、sources（接続先）と tools（AI が実行できること）を定義します。

サーバーディレクトリに移動し、構成ファイルにプロジェクト ID を挿入します。

cd ~/devrel-demos/data-analytics/governance-context/mcp_server
envsubst < tools.yaml > tools.tmp && mv tools.tmp tools.yaml
cat tools.yaml

次のスニペットと同じになるはずです。プロジェクトフィールドが実際の Google Cloud プロジェクト ID と一致していることを確認します。

sources:
  dataplex:
    kind: dataplex
    project: YOUR-PROJECT-ID

tools:
  search_entries:
    kind: dataplex-search-entries
    source: dataplex
    description: Search for entries in Dataplex Catalog.

  lookup_entry:
    kind: dataplex-lookup-entry
    source: dataplex
    description: Retrieve a specific entry from Dataplex Catalog.

  search_aspect_types:
    kind: dataplex-search-aspect-types
    source: dataplex
    description: Find aspect types relevant to a query.

toolsets:
  dataplex-toolset:
    - search_entries
    - lookup_entry
    - search_aspect_types

🔍 詳細: ガバナンスの推論ループ

YAML の tools セクションをよく見てください。3 つの特定の Dataplex ツールを明示的に公開しています。これはランダムではなく、幻覚を防ぐ厳密な推論ループを形成します。

dataplex-search-aspect-types（ルールを理解する）: ユーザーが「取締役会承認済みのデータ」をリクエストしても、LLM はその意味を理解できません。このツールを使用して、Dataplex アスペクトタイプを検索します。「Board Approved」が、GOLD_CRITICAL の階層を持つ official-data-product-spec という名前のアスペクトに対応していることを検出します。
dataplex-search-entries（候補を検索）: LLM は検索対象を把握しているため、このツールを使用して Dataplex Catalog を検索します（たとえば、「収益」というキーワードを含むテーブルを検索します）。一致するリソースのリストを取得します。
dataplex-lookup-entry（事実を確認）: LLM は、SQL を記述する前にこのツールを使用して、特定のテーブルの正確なメタデータを検査します。テーブルに GOLD_CRITICAL アスペクトが関連付けられていない場合、LLM はそれを拒否して、検索を続けます。

これらの 3 つのツールを定義することで、AI を「読み取り専用」かつ「ガバナンス優先」にすることができます。

構成を保護する（Secret Manager）

エンタープライズアーキテクチャでは、構成ファイルをコンテナイメージに直接ベイクすることはできません。tools.yaml は Google Cloud Secret Manager に安全に保存されます。

gcloud services enable secretmanager.googleapis.com
gcloud secrets create dataplex-tools-config --data-file=tools.yaml

最小権限（IAM）を実装する

次に、GenAI ツールボックス MCP サーバー専用のサービスアカウントを作成します。この ID には、Dataplex Catalog の読み取りと BigQuery データへのアクセスに必要な権限のみが付与されます。

export MCP_SA=mcp-sa
gcloud iam service-accounts create ${MCP_SA} \
    --display-name="Service Account for Dataplex MCP"
export MCP_SERVICE_ACCOUNT="${MCP_SA}@${PROJECT_ID}.iam.gserviceaccount.com"

# Allow the server to read its own config from Secret Manager
gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$MCP_SERVICE_ACCOUNT" \
  --role="roles/secretmanager.secretAccessor"

# Allow the server to read Dataplex Metadata and BigQuery Data
gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$MCP_SERVICE_ACCOUNT" \
  --role="roles/dataplex.catalogViewer"
gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$MCP_SERVICE_ACCOUNT" \
  --role="roles/bigquery.dataViewer"

MCP サーバーを Cloud Run にデプロイする

次に、生成 AI ツールボックスをデプロイします。Google のビルド済みコンテナイメージ（database-toolbox/toolbox）を使用し、実行時に Secret Manager（--set-secrets）から構成をマウントします。

export IMAGE=us-central1-docker.pkg.dev/database-toolbox/toolbox/toolbox:latest

gcloud run deploy governance-mcp \
    --image=$IMAGE \
    --service-account $MCP_SERVICE_ACCOUNT \
    --region=$REGION \
    --no-allow-unauthenticated \
    --set-secrets="/app/tools.yaml=dataplex-tools-config:latest" \
    --args="--tools-file=/app/tools.yaml","--address=0.0.0.0","--port=8080"

これで、管理対象 API が確立されました。GenAI フロントエンドはデータベースに直接アクセスするのではなく、この Cloud Run URL に接続します。エージェントは、このツールボックスで許可されている情報のみを表示できます。

4. ADK を使用してエージェントバックエンドを構築する

Cloud Run で実行される安全で管理されたデータコントロールプレーン（MCP）を確立しました。AI エージェントには、ユーザー入力の処理、MCP サーバーを呼び出すタイミングの決定、出力のフォーマットなどのロジックをオーケストレートするフレームワークが必要です。

このボイラープレートコードをすべてゼロから記述する代わりに、Google の Agent Development Kit（ADK）を使用します。ADK は、エージェントロジックを FastAPI バックエンドに自動的にラップするコードファーストフレームワークです。また、組み込みのデベロッパー UI が付属しているため、カスタムフロントエンドを最初に構築しなくても、エージェントの推論プロセスとツール呼び出しをすぐに可視化できます。

エージェントロジック（agent.py）を調べる

インフラストラクチャを構成する前に、このアプリケーションのコアを見てみましょう。

ディレクトリに移動して、agent.py の内容を出力します。このファイルは ADK デプロイの「頭脳」です。

cd ~/devrel-demos/data-analytics/governance-context/mcp_server
cat agent.py

コード構造を確認します。この関数は、最小限のボイラープレートで 3 つの重要な機能を実行します。

MCPToolset の統合: Dataplex ツールとやり取りするためにカスタム HTTP クライアントを作成する代わりに、ADK は MCPToolset(server_url=mcp_url) を使用します。これにより、デプロイされた MCP サーバーから tools.yaml 定義が動的に取得され、LLM のネイティブ関数呼び出しに変換されます。
システム指示: instructions パラメータには、厳格なガバナンスルール（CLI GEMINI.md で使用したのと同じロジック）が含まれています。モデルに、フェーズ 1（メタデータのルックアップ）からフェーズ 2（データクエリ）の推論ループを実行するように明示的に指示します。
エージェントオーケストレーション: Agent(...) クラスは、Gemini モデル、システムプロンプト、MCP ツールを相互にバインドします。デプロイされると、ADK はこのオブジェクトをスケーラブルな FastAPI エンドポイントに自動的に変換します。

職務の分離: フロントエンド ID を構成する

このコードを安全に実行するには、MCP サーバーの場所をエージェントに伝える必要があります。URL を動的に構築し、ADK が実行時に読み取る .env ファイルに保存します。

また、このユーザー向けアプリケーション用に別の ID（dataplex-agent-sa）も作成します。このように職務を分離することで、フロントエンドエージェントとバックエンドガバナンスサーバーの権限が異なるようになります。

次のコマンドを実行して、環境と ID を構成します。

export PROJECT_NUMBER=$(gcloud projects describe $PROJECT_ID --format="value(projectNumber)")
export MCP_SERVER_URL=https://governance-mcp-${PROJECT_NUMBER}.${REGION}.run.app/mcp

export AGENT_SA=dataplex-agent-sa
export AGENT_SERVICE_ACCOUNT="${AGENT_SA}@${PROJECT_ID}.iam.gserviceaccount.com"

gcloud iam service-accounts create ${AGENT_SA} \
    --display-name="Service Account for Dataplex Agent "

ランタイム変数を構成する

ADK フレームワークは、環境変数を使用してコンテキストを把握します。プロジェクト ID とリージョンを明示的に設定し、Vertex AI の使用を有効にする必要があります。これらは同じ .env ファイルに追加されます。

echo MCP_SERVER_URL=$MCP_SERVER_URL > .env
echo GOOGLE_GENAI_USE_VERTEXAI=1 >> .env
echo GOOGLE_CLOUD_PROJECT=$PROJECT_ID >> .env
echo GOOGLE_CLOUD_LOCATION=$REGION >> .env

権限を付与する

エージェントはガバナンスチェックを MCP サーバーに委任しますが、動作するには基本的な権限が必要です。付与するロールは 2 つです。

Vertex AI ユーザー: 自然言語の回答を生成するために Gemini モデルを呼び出す。
Cloud Run 起動元: MCP サーバー API を安全に呼び出すため。BigQuery や Dataplex に直接アクセスすることはありません。

gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$AGENT_SERVICE_ACCOUNT" \
  --role="roles/aiplatform.user"

gcloud run services add-iam-policy-binding governance-mcp \
  --region=$REGION \
  --member="serviceAccount:$AGENT_SERVICE_ACCOUNT" \
  --role="roles/run.invoker"

Cloud Run へのデプロイ

最後に、フルスタックを Cloud Run にデプロイします。

uvx を使用して、依存関係を手動でインストールせずに ADK ツールを実行します。次のコマンドは、agent.py ロジックをパッケージ化し、コンテナイメージをビルドして、サービスアカウントを挿入し、FastAPI サーバーを起動します。--with_ui フラグを追加すると、デバッグ用の ADK Web Playground もバンドルされます。

このコマンドは、コンテナをビルドしてデプロイします。完了するまでに 1 ～ 3 分ほどかかることがあります。

uvx --from google-adk \
adk deploy cloud_run \
  --project=$PROJECT_ID \
  --region=$REGION \
  --service_name=dataplex-agent \
  --with_ui \
  . \
  -- \
  --service-account=$AGENT_SERVICE_ACCOUNT \
  --allow-unauthenticated

このコマンドが完了すると、サービス URL（e.g., https://dataplex-agent-xyz.run.app）が出力されます。このリンクをクリックして、完全に管理された GenAI Chat Interface を開きます。

エンドツーエンドのアーキテクチャフロー

これでシステムが完成しました。ユーザーが ADK UI を操作すると、次のシーケンスが発生します。

ユーザーが ADK エージェント（開発 UI）でプロンプトを送信します。
ADK エージェント（agent.py）は入力を処理し、Gemini モデルを呼び出します。
Gemini はコンテキストが必要であると判断し、MCP サーバーに Dataplex ツールの実行を依頼します。
MCP サーバーは Dataplex ガバナンスルールを適用し、メタデータを返します。
Gemini は、メタデータに基づいて信頼できる回答を合成し、ユーザーに返します。

5. Enterprise エージェントをテストする

エージェントが稼働したので、CLI でテストしたガバナンスシナリオをもう一度確認しましょう。ロジックは同じですが、内部状態とツール実行を可視化するデプロイされた ADK ウェブプレイグラウンドを操作するようになります。

オーケストレーション: ADK エージェント（Cloud Run で実行）がテキストを受け取ります。
ツールのルーティング: Gemini は、質問にデータコンテキストが必要であることを認識し、リクエストを MCP サーバーに転送します。
ガバナンスチェック: MCP サーバー（別の Cloud Run インスタンスで実行）が、特定の Aspect Type について Dataplex にクエリを実行します。
合成: 関連するメタデータが Gemini に返され、最終的な回答が生成されます。

ガバナンスロジックを確認する

前の手順で生成したサービス URL（e.g., https://dataplex-agent-xyz.run.app）をブラウザで開きます。次のプロンプトを貼り付けます。

"My dashboard needs to show what's happening right now with our ad spend. I can't wait for the overnight load. What do you recommend?"

デベロッパー UI でエージェントの推論プロセスを確認します。

インテント認識: エージェントが「今すぐ」と「一晩待てない」を解析します。
メタデータのルックアップ: MCP ツール search_aspect_types を呼び出します。update_frequency アスペクトが DAILY または MONTHLY ではなく、REALTIME または STREAMING に設定されているデータアセットを検索します。
選択: テーブル mkt_realtime_campaign_performance がこれらの条件を満たしていることを特定します。一方、fin_monthly_closing_internal は高品質ですが、リクエストに対して遅すぎます。
回答: エージェントがリアルタイムテーブルを推奨します。

この機能が重要な理由:

このガバナンスメタデータがないと、LLM は「ad_spend」という名前の列があるという理由だけで fin_monthly_closing_internal テーブルを推奨する可能性があります。データが 24 時間前のものだという事実は無視されます。メタデータコンテキストにより、ビジネスエラーが回避されました。

「Board Meeting」プロンプトをテストして、データプロダクトの階層の側面に基づいてエージェントがさまざまなテーブルにピボットする方法を確認することもできます。

"We are preparing the deck for an internal Board of Directors meeting next week. I need the numbers to be absolutely finalized, trustworthy, and kept strictly confidential. Which table is safe to use?"

6. 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、次の手順でパート 1 とパート 2 で作成したインフラストラクチャをすべて破棄します。

データレイクを破棄する（Terraform）

Terraform を使用して、BigQuery テーブル、データセット、Dataplex アスペクト定義を削除します。

cd ~/devrel-demos/data-analytics/governance-context/terraform
terraform destroy -var="project_id=${PROJECT_ID}" -var="region=${REGION}" -auto-approve

Cloud Run サービスを削除する

コンピューティングリソースを削除して、実行中のコンテナに対するアクティブな課金を停止します。

gcloud run services delete governance-mcp --region=$REGION --quiet
gcloud run services delete dataplex-agent --region=$REGION --quiet

ビルドアーティファクトとステージングストレージをクリーンアップする

uvx を使用して ADK エージェントをデプロイすると、システムは自動的にコンテナイメージをビルドし、ソースコードを一時的な Cloud Storage バケットにアップロードしました。これらのアーティファクトは、Cloud Run サービスが削除された後も保持され、継続的なストレージ費用が発生します。

Artifact Registry リポジトリと Cloud Storage ステージングバケットを削除します。

# Delete the repository used for the agent build
gcloud artifacts repositories delete cloud-run-source-deploy \
    --location=$REGION \
    --quiet

# Delete the staging bucket created by Cloud Run source deploy
gcloud storage rm --recursive gs://run-sources-${PROJECT_ID}-${REGION}

ID、権限、シークレットを削除する

最初に IAM ポリシーバインディングを削除して、プロジェクトの IAM ページに「墓石」エントリ（孤立したレコード）が残らないようにします。次に、サービスアカウントと構成シークレットを削除します。

# Remove IAM roles granted to the MCP Service Account
gcloud projects remove-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$MCP_SERVICE_ACCOUNT" \
  --role="roles/secretmanager.secretAccessor" --quiet
gcloud projects remove-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$MCP_SERVICE_ACCOUNT" \
  --role="roles/dataplex.catalogViewer" --quiet
gcloud projects remove-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$MCP_SERVICE_ACCOUNT" \
  --role="roles/bigquery.dataViewer" --quiet

# Remove IAM roles granted to the Agent Service Account
gcloud projects remove-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$AGENT_SERVICE_ACCOUNT" \
  --role="roles/aiplatform.user" --quiet

# Delete the Service Accounts
gcloud iam service-accounts delete $MCP_SERVICE_ACCOUNT --quiet
gcloud iam service-accounts delete $AGENT_SERVICE_ACCOUNT --quiet

# Delete the Secret Manager entry
gcloud secrets delete dataplex-tools-config --quiet

ローカル構成を削除する

最後に、Cloud Shell でローカル構成ファイルと環境変数をクリーンアップします。

# Uninstall the Gemini CLI extension (installed in Part 1)
gemini extensions uninstall dataplex

# Remove local repository files and unset variables
cd ~
rm -rf ~/devrel-demos
unset MCP_SERVER_URL
unset MCP_SERVICE_ACCOUNT
unset AGENT_SERVICE_ACCOUNT

7. 完了

エンドツーエンドのガバナンス対応 GenAI エージェントを正常にデプロイしました。

この 2 部構成の Codelab では、シンプルなプロンプトエンジニアリングから一歩進んで、堅牢で本番環境に対応したアーキテクチャを実装しました。データガバナンスを GenAI の前提条件として扱うことで、モデルが未認証のデータやハルシネーションデータを取得しないようにする体系的な方法を確立しました。

重要ポイント

メタデータによる決定論的 AI: LLM が列名に基づいて正しいテーブルを推測するのではなく、データベース向け生成 AI ツールボックスを使用して厳密な推論ループを適用しました。3 つの Dataplex ツール（search_aspect_types、search_entries、lookup_entry）のみを明示的に公開することで、回答を合成する前にデータ認証を確認するようにモデルを強制しました。
分離されたアーキテクチャ（MCP）: Cloud Run に Model Context Protocol（MCP）サーバーをデプロイすることで、データガバナンスルールを集中型の標準化された API に抽象化しました。フロントエンドエージェントにデータベースロジックを含める必要はありません。MCP 標準を介して通信するだけで済みます。つまり、将来の AI モデルやクライアントを同じガバナンス対象のバックエンドに接続できます。
職務の分離: IAM ID を分離することで、最小権限の原則を適用しました。ユーザー向けの ADK エージェントは、モデルの呼び出しと API ルーティングに制限された権限で動作し、バックエンド MCP サーバーは Dataplex カタログクエリと BigQuery データ取得を安全に処理します。
コードファーストのエージェントオーケストレーション: Google Agent Development Kit（ADK）を使用して、Python エージェントロジックをスケーラブルな FastAPI バックエンドに瞬時にラップし、組み込みのデベロッパー UI を使用してエージェントの内部ツール実行を可視化してデバッグしました。

次のステップ

Dataplex Foundational Governance Codelab: AI レイヤーを追加する前に、Dataplex のデータガバナンスの基本を習得します。
Dataplex Tools のドキュメント: このラボで使用されている事前構築済みの Dataplex ツールと拡張機能の公式ドキュメントをご覧ください。
Gemini CLI 拡張機能のスタートガイド: 独自のカスタム拡張機能を構築して、GenAI エージェントの機能をさらに強化する方法を学びます。
MCP の詳細: 公式の MCP 仕様を確認して、社内エンタープライズ API 用のカスタムサーバーを構築する方法を理解してください。

MCP と Cloud Run を使用してエンタープライズ ガバナンス対応エージェントをデプロイする