2025年11月27日(木)に、Jagu'e'r 月末 Tech Lunchの勉強会「月末 Tech Lunch Online#7 - Google Cloud を語る！-」に「MCP・A2A概要〜Google Cloudで構築するなら〜」というタイトルで登壇した話は、ブログ記事にまとめていますので、よろしければご覧ください。

shu-kob.hateblo.jp

最後に

qiita.com

3-shake Advent Calendar 2025 シリーズ2の1日目はmasasuzuさんが書いてくれています。

シリーズ1の2日目はyteraokaさんの「VPC Lattice を理解したい」

シリーズ2の2日目はnwiizoさんの「生成AIエージェントによるブログレビュー環境の構築（上）」です。

今後もお楽しみに！

2025-12-01

MCP・A2A概要〜Google Cloudで構築するなら〜

この記事はQiita Jagu'e'r Advent Calendar 2025の1日目の記事です。

2025年11月27日(木)に、Jagu'e'r 月末 Tech Lunchの勉強会「月末 Tech Lunch Online#7 - Google Cloud を語る！-」に「MCP・A2A概要〜Google Cloudで構築するなら〜」というタイトルで登壇させていただきましたので、その発表内容でのポイントを記事化したいと思います。

AIエージェントが流行っているけど、MCPやA2Aという概念は難しいやろうと思い、噛み砕いて説明したいというのが発表のモチベーションでした。

speakerdeck.com

なお、今回の資料は、NotebookLMで作成しました。ここまで作れるのはすごいです！

1ページずつ解説をさせていただきたいと思います。

1枚目

1枚目は表紙です。

2枚目

2枚目は、アジェンダで、全体の話の流れを書いています。

3枚目

3枚目は、LLMの制約について述べています。LLMは「Brain in a Jar」（瓶の中の脳）とも言われ、賢いけど、手足を持たなくて実行能力のないものの例えです。

例えば、学習時点までの知識しか知りません。これをナレッジカットオフといいます。

「今日の株価」「明日の天気」「最新のニュース」などは分かりません。

また、旅行のプランをLLMに尋ねても、航空券やホテルの予約はしてくれません。

APIなどを操作し、データベースのトランザクション操作をする実行能力はないのです。

4枚目

ここで、LLMの制約を解決する手段として、MCPの話が出てくるのに加え、さらなる機能拡張のためにA2Aの話が出てきます。

MCPはLLMに実行能力を与えます。

A2Aはエージェント同士が連携し、より複雑なことができるようになる仕組みです。

5枚目

MCP(Model Context Protocol)は外部ツールやデータへのアクセスを標準化するプロトコルです。

LLMという脳に手足を与えて、検索やAPI操作ができるようになり、APIを介してデータベースのトランザクション操作ができるようになるのです。

ここでポイントは、推論機能と実行機能を分離して疎結合に実装するということです。

6枚目

A2A(Agent-to-Agent)は、AIエージェント同士で、連携するためのプロトコルです。

能力を記述したAgent CardがAIエージェントの名刺となり、どのエージェントにどのタスクを任せるかの判断ができます。

また、通信プロトコルが定められているため、拡張性に優れています。

7枚目

MCPとA2Aのご紹介をしましたが、Google CloudでMCPやA2Aをどう構築していくかのポイントに移りましょう。

まず、認知（推論）機能と実行機能を分離すること

クラウドを利用する上で、サーバーレスファーストが大事であること（8枚目で詳説）

誰も信頼せずとも動くゼロトラストセキュリティであることです。

8枚目

Google CloudでのMCPサーバー構築は、Cloud Runを使うのが定石です。

サーバーレスでありコスト最適化できます。

また、高いスケーラビリティに対応していて、

コンテナベースで、デプロイが容易です。

9枚目

MCPサーバーをCloud Runで構築する際の注意点です。

ローカル開発で使うようなstdio（Standard I/O）はCloud Runでは使用できないため、Streamable HTTPかSSE over HTTPを使う必要があります。

最近では、新しいStreamable HTTPの方が推奨となっています。

10枚目

一方、A2A対応のエージェントの構築は、Vertex AI Agent Engineが最適です、

フルマネージドサービスで、A2Aのプロトコルに準拠しており、Agent Registoryによるガバナンスも効いています。

11枚目

A2Aエージェントを構築するためのポイントです。

スライドには文言が書いていませんが、ADK(Agent Development Kit)を用いた方法です。

AgentCardの定義、使用するLLMやツールの定義、タスク処理のロジックを実装し、これらをA2Agentで統合し、A2A準拠のエージェントを作成できます。

12枚目

MCPとA2Aを連携させた構築例です。

「Social Agent」というのは友人の好みを推論するエージェントです。

外部連携、つまり実行部分はMCPを用いて、推論と実行の分離を行います。

13枚目

簡単にAIエージェントが開発できるようになると、企業内でみんな好き勝手にエージェントを作り始めて、野良エージェントが増えそうですが、Gemini Enterpriseによる一元管理でガバナンスを効かせられます。

14枚目

MCPもA2Aもオープンプロトコルであるため、拡張性に優れています。

インターネットでもTCP/IPというオープンプロトコルのおかげで相互運用性があるように、AIエージェントもどんどん拡張していき、どんどん便利な世の中になるのかもしれません。

最後に

お読みいただきありがとうございました。

2日目のQiita Jagu'e'r Advent Calendar 2025は、pHaya72さん「テクサミの宣伝」です。

qiita.com

空きもまだありますので、Jagu'e'r 会員の方はぜひ書きましょう！

私もできれば、複数記事書きます！

2025-09-05

Gemini CLI AI駆動開発体験ハンズオン

この記事は#17 Gemini CLI AI駆動開発体験ハンズオン【オンライン】 - connpassの資料です。

Gemini CLI AI駆動開発体験ハンズオン

🎯 本日のゴール

このハンズオンでは、Googleの強力なAIモデルであるGeminiをターミナルから対話的に利用できるGemini CLIを使い、以下の3つの体験を通じて、日々の開発タスクを劇的に効率化する「AI駆動開発」の第一歩を踏み出すことを目指します。

面倒なドキュメント作成の自動化
未知のアプリケーションの迅速な立ち上げ
対話によるスマートな機能追加

🧠 Gemini CLIとは？

Gemini CLIは、Googleが公開したオープンソースのAIエージェントです。ターミナル（コマンドライン）から自然言語で指示を出すだけで、まるで優秀なアシスタントがいるかのように、以下のようなタスクをこなします。

コードの生成・編集・解説
ファイル操作
情報検索
ワークフローの自動化

それでは、早速AIとのペアプログラミングの世界を体験してみましょう！

1. 準備

a. Node.js (npm) のインストール

Gemini CLIのインストールに必要です。未インストールの方はVer.20以上をインストールしてください。

b. Gemini CLIのインストールと設定

ターミナルを開き、以下のコマンドを実行します。

# Gemini CLIをインストール
npm install -g @google/gemini-cli

# インストールされたことを確認
gemini --version

以下のようにバージョン情報が表示されればOKです。

0.3.2

c. 認証設定

Gemini-CLIのREADMEを参照

github.com

ターミナルで

gemini

と入力すると、対話モードとなります。

/quit

で退出できます。

2. ハンズオン1: ローカルコードを解析してREADME.mdを自動生成

まずは、既存のコードからプロジェクトの説明書であるREADME.mdを自動生成させてみましょう。

手順

1. 作業用ディレクトリの作成と移動

mkdir gemini-cli-handson && cd gemini-cli-handson

2. サンプルコードの作成

簡単なWebサーバーのPythonコードを作成します。main.pyというファイル名で以下の内容を保存してください。

touch main.py

import http.server
import socketserver

PORT = 8000

Handler = http.server.SimpleHTTPRequestHandler

with socketserver.TCPServer(("", PORT), Handler) as httpd:
    print("serving at port", PORT)
    httpd.serve_forever()

main.pyを動かしてください

などと入力することで起動させることができます。

3. ハンズオン1: GeminiにREADMEの作成を依頼！

カレントディレクトリの情報をコンテキスト (-c ) として渡し、READMEの作成を依頼し、> を使ってファイルに保存します。

💻 実行するコマンド:

gemini -p "このプロジェクトのREADME.mdを日本語で生成してください。プロジェクトの概要、使い方、実行方法を簡潔にまとめてください。" -c  > README.md

ls コマンドで README.md ファイルが作成されていることを確認してください。たったこれだけで、プロジェクトのドキュメントが完成しました！

4. ハンズオン2: 未知のアプリを動かしてみる

次に、GitHubから使い方があまり書かれていないプロジェクトをCloneしてきて、Geminiに起動方法を尋ねて動かしてみましょう。

手順サンプルリポジトリのクローンまずは一つ上の階層に戻り、サンプルリポジトリをクローンします。

git clone https://github.com/shu-kob/rag-app-handson

READMEがあるとGeminiがその内容をヒントにしてしまうため、READMEがなくてもどれだけ自力でアプリの構造を理解できるか試すために README.mdを削除します。

cd rag-app-handson
rm frontend/README.md backend/README.md

Geminiに起動方法を質問してみます。このディレクトリにはREADME.mdがありません。どうやって動かせばいいか、Geminiに聞いてみましょう。

💻 実行するコマンド:

gemini -p "このプロジェクトの実行方法を教えて。必要な手順をステップバイステップで説明して。" -c

Geminiはファイルを見て、以下のような実行手順を説明してくれます。

5. ハンズオン3: プロンプトを工夫して機能追加

最後に、対話を通じてアプリケーションに新しい機能を追加してみましょう。ハンズオン1で作成したPythonのWebサーバーコードを拡張します。

手順作業ディレクトリへ移動

cd gemini-cli-handson

現在のコードを確認

cat main.py

で現在のコードを再確認します。これはシンプルなWebサーバー機能しかありません。

Geminiに機能追加を依頼！このWebサーバーに、「アクセスすると'Hello, Gemini!'と表示する」機能を追加してもらいましょう。コード全体を書き換えてもらうように依頼するのがポイントです。

💻 実行するコマンド:

gemini -p "現在のmain.pyを修正して、どのパスにアクセスしても 'Hello, Gemini!' というテキストを返すように変更してください。コード全体を提示してください。" -c main.py

生成されたコードでファイルを上書き Geminiが修正版のmain.pyコードを生成します。上書きの指示をしてください。

（生成されるコードの例）

import http.server
import socketserver

PORT = 8000

class MyHandler(http.server.BaseHTTPRequestHandler):
    def do_GET(self):
        self.send_response(200)
        self.send_header('Content-type', 'text/plain; charset=utf-8')
        self.end_headers()
        self.wfile.write('Hello, Gemini!'.encode('utf-8'))

with socketserver.TCPServer(("", PORT), MyHandler) as httpd:
    print("serving at port", PORT)
    httpd.serve_forever()

動作確認変更したWebサーバーを起動し、ブラウザやcurlコマンドで動作を確認します。

💻 実行するコマンド (ターミナル):

python3 main.py

もしくは、Gemini-CLIで「main.pyを起動してください」と指示します。

💻 別のターミナルを開いて実行、またはブラウザで http://localhost:8000 にアクセス:

curl http://localhost:8000

ターミナルに "Hello, Gemini!" と表示されれば、機能追加は成功です！

2025-05-26

RAGアプリ開発ハンズオン（後編：フロントエンド編）

genai-users.connpass.com

上記ハンズオン勉強会の資料になります。

前回資料

shu-kob.hateblo.jp

前回の課題

retriever_service を定義しましたが、検索結果をcontextとして、LLMへの問い合わせを行なってください。
llm_serviceでretriever_serviceを使うようにします。

@app.post('/api/llm')
def llm_service(question: Question):
    human_question = question.query
    model = VertexAI(model_name="gemini-2.0-flash-001", location="us-west1")
    template = """質問: {question}

    ステップバイステップで考えてください。"""

    prompt_template = PromptTemplate.from_template(template)

    chain = prompt_template | model # prompt_templateをmodelに引き渡す処理を"|"を用いて簡単に実現

    response = chain.invoke({"question": human_question}) # invokeは全ての処理が終わってから値を返す。他にはstreamなど
    print(response)
    resp = { 'answer': response }
    return resp

↓

@app.post('/api/llm')
def llm_service(question: Question):
    human_question = question.query
    model = VertexAI(model_name="gemini-2.0-flash-001", location="us-west1")
    context_resp = retriever_service(question)
    context = context_resp['search_result']
    print(context)
    template = """質問: {question}

    以下の情報を参考にして、質問に答えてください。
    {context}
    """

    prompt_template = PromptTemplate.from_template(template)

    chain = prompt_template | model # prompt_templateをmodelに引き渡す処理を"|"を用いて簡単に実現

    response = chain.invoke({"question": human_question, "context": context}) # invokeは全ての処理が終わってから値を返す。他にはstreamなど
    print(response)
    resp = { 'answer': response }
    return resp

以下も行っておくと便利です。

.envを作成

DISCOVERY_ENGINE_ID=XXXXXXXXXXXXX

以下の行を main.pyに追記

from dotenv import load_dotenv

load_dotenv()

engine_idの行を変更

@app.post('/api/retriever')
def retriever_service(question: Question):
    search_query = question.query
    project_id
    location: str = "global"
    engine_id: str = 'DISCOVERY_ENGINE_ID'

↓

@app.post('/api/retriever')
def retriever_service(question: Question):
    search_query = question.query
    project_id
    location: str = "global"
    engine_id: str = os.environ['DISCOVERY_ENGINE_ID']

動作確認

QUESTION='{"query":"情報セキュリティにおいて気をつけるべきことを教えてください"}'

curl -X POST -H "Content-Type: application/json" -d "$QUESTION" -s http://localhost:8000/api/llm | jq .

参考）ソースコード差分

retriever_serviceで得た検索結果をcontextに by shu-kob · Pull Request #4 · shu-kob/rag-app-handson · GitHub

フロントエンドの実装

フォルダ整理

これまでバックエンドを追加してきたのと同じリポジトリでフロントエンドも管理いたします。

そのためにこれまで追加してきたファイルをバックエンド用のフォルダに移動させます。

mkdir backend

# 下記以外にも必要なファイル、フォルダはbackendに移動してください。
# - __pycache__とfastapi-envは削除してください。
# - .gitがある場合は移動も削除もしないでください。
mv *.md *.py *.txt .env backend

アプリ作成

アプリの雛形を作成し、起動を確認します。

npx --yes create-react-router@latest --install --no-git-init frontend
cd frontend
npm run dev

ブラウザでhttp://localhost:5173/を開いてReact Routerの画面が表示されればOKです。

画面を変更してみる

見た目を定義しているコンポーネントはfrontend/app/welcome/welcome.tsxです。

Welcomeコンポーネントを以下のように変更します。

export function Welcome() {
  return (
    <main className="flex items-center justify-center pt-16 pb-4">
      <div className="flex-1 flex flex-col items-center gap-16 min-h-0">
        <div>
          <div>
            <label htmlFor="message">メッセージ</label>
          </div>
          <div>
            <textarea
              id="message"
              rows={4}
              cols={50}
              style={{
                padding: "0.5rem",
                border: "1px solid #ccc",
                outline: "none",
                boxShadow: "none",
              }}
            />
          </div>
          <div>
            <button
              type="button"
              style={{
                border: "1px solid #ccc",
                padding: "0.5rem 1rem",
              }}
            >
              送信
            </button>
          </div>
        </div>
      </div>
    </main>
  );
}

画面に入力欄とボタンが表示されればOKです。

入力をコントロールする

上記で入力欄に文字を入力することはできますが、その値はブラウザ側で管理されており、Reactアプリ側では取得できません。

そこでstateを用いてアプリ側で入力を制御します。

import { useState } from "react";

export function Welcome() {
  const [input, setInput] = useState("");

  const onSend = () => {
    console.log(input)
  }

  return (
    <main className="flex items-center justify-center pt-16 pb-4">
      <div className="flex-1 flex flex-col items-center gap-16 min-h-0">
        <div>
          <div>
            <label htmlFor="message">メッセージ</label>
          </div>
          <div>
            <textarea
              id="message"
              rows={4}
              cols={50}
              style={{
                padding: "0.5rem",
                border: "1px solid #ccc",
                outline: "none",
                boxShadow: "none",
              }}
              value={input}
              onChange={(e) => setInput(e.target.value)}
            />
          </div>
          <div>
            <button
              type="button"
              style={{
                border: "1px solid #ccc",
                padding: "0.5rem 1rem",
              }}
              onClick={onSend}
            >
              送信
            </button>
          </div>
        </div>
      </div>
    </main>
  );
}

テキストを入力して送信ボタンをクリックするとログにテキストの内容が表示されるようになります。

ログの確認はブラウザの開発者ツールで行います。

バックエンドとの接続

フロントエンドはバックエンドと異なるオリジンで動かしているため、CORSエラーにならないようバックエンドを修正します。

backend/main.pyに以下を追加してください。

# CORSミドルウェアの設定
from fastapi.middleware.cors import CORSMiddleware

app.add_middleware(
    CORSMiddleware,
    allow_origins=["*"],  # すべてのオリジンを許可
    allow_credentials=True,
    allow_methods=["*"],  # すべてのメソッドを許可
    allow_headers=["*"],  # すべてのヘッダーを許可
    expose_headers=["*"]  # すべてのヘッダーを公開
)

変更後、バックエンドを起動します。

python -m venv fastapi-env

source fastapi-env/bin/activate

Windowsのコマンドプロンプトの場合

fastapi-env/Scripts/activate

uvicorn main:app --reload

送信ボタンが押された際に入力されたテキストをバックエンドに送信し、生成AIの回答を取得できるようにします。

レスポンスの確認はブラウザの開発者ツールで行います。

  const onSend = () => {
    fetch("http://localhost:8000/api/llm", {
      method: "POST",
      headers: {
        "Content-Type": "application/json",
      },
      body: JSON.stringify({ query: input }),
    })
  }

演習

バックエンドのResponseを画面に表示させましょう

例

バックエンドからのresponseをフロントエンドに表示 by shu-kob · Pull Request #6 · shu-kob/rag-app-handson · GitHub

2025-04-28

RAGアプリ開発ハンズオン（前編：バックエンド編）

genai-users.connpass.com

上記ハンズオン勉強会の資料になります。

ソースコード

github.com

FastAPIの準備

python -m venv fastapi-env

source fastapi-env/bin/activate

Windowsのコマンドプロンプトの場合

fastapi-env/Scripts/activate

pip install fastapi uvicorn

touch main.py

from fastapi import FastAPI

app = FastAPI()

@app.get('/')
def index():
  return 'hello'

実行

uvicorn main:app --reload

別ターミナルにて

curl -s http://localhost:8000/

POSTも追加

from pydantic import BaseModel

class User(BaseModel):
    name: str

@app.post('/api/hello')
def hello_service(user: User):
    resp = { 'message': 'Hello, {}!'.format(user.name) }
    return resp

USER='{"name":"平賀源内"}'
curl -X POST -H "Content-Type: application/json" -d "$USER" -s http://localhost:8000/api/hello | jq .

Google Cloudでサービスアカウントの準備

Geminiマルチモーダルプログラミングハンズオン - Toilを無くして徒然なるままに日暮し硯に向かひたいの記事を参考に、ロールへ

Vertex AI ユーザー
ディスカバリーエンジンユーザー

を追加し、環境変数の設定

Geminiを呼び出すコードを記載

main.pyの上に以下を追加

import vertexai
from vertexai.generative_models import GenerativeModel

main.pyの下に以下を追加

class Question(BaseModel):
    query: str

@app.post('/api/llm')
def llm_service(question: Question):
    prompt = question.query

    vertexai.init(location="us-west1") # vertexaiの初期化で、ロケーションを設定

    model = GenerativeModel("gemini-2.0-flash-001") # モデルを設定

    response = model.generate_content( # プロンプトをモデルに入れて出力(レスポンスを得る)
        prompt
    )

    print(response.text) # コンソールログにresponseのテキストを表示
    resp = { 'answer': response.text } # responseを形作る
    return resp

ライブラリのインストール

requirements.txtに以下を記載

google-cloud-aiplatform==1.83.0
vertexai==1.43.0
langchain_core==0.3.33
langchain_google_vertexai==2.0.12
google===3.0.0
google-cloud-discoveryengine==0.13.6

pip install -r requirements.txt

--break-system-packagesをつけよ、とエラーが出たら以下

pip install --user -r requirements.txt --break-system-packages

実行方法

uvicorn main:app --reload

別ターミナルにて

QUESTION='{"query":"プロンプトエンジニアリングとは何ですか？"}'

curl -X POST -H "Content-Type: application/json" -d "$QUESTION" -s http://localhost:8000/api/llm | jq .

LangChainを用いる

import vertexai # 削除
from vertexai.generative_models import GenerativeModel # 削除

from langchain_google_vertexai import VertexAI # 追記
from langchain_core.prompts import PromptTemplate # 追記

@app.post('/api/llm')
def llm_service(question: Question):
    human_question = question.query
    model = VertexAI(model_name="gemini-2.0-flash-001", location="us-west1")
    template = """質問: {question}

    ステップバイステップで考えてください。"""

    prompt_template = PromptTemplate.from_template(template)

    chain = prompt_template | model # prompt_templateをmodelに引き渡す処理を"|"を用いて簡単に実現

    response = chain.invoke({"question": human_question}) # invokeは全ての処理が終わってから値を返す。他にはstreamなど
    print(response)
    resp = { 'answer': response }
    return resp

RAG構築

Google Cloud Vertex AI Agent Builderの使い方 - Toilを無くして徒然なるままに日暮し硯に向かひたいの記事を参考に、Google Cloud Storageにドキュメントを格納し、Agent Builderで検索アプリを作ります。

main.pyの上に追記

from google.api_core.client_options import ClientOptions
from google.cloud import discoveryengine_v1 as discoveryengine
import os
import google.auth

credentials, project_id = google.auth.default()

main.pyの下に追記
'DISCOVERY_ENGINE_ID'を書き換えます

@app.post('/api/retriever')
def retriever_service(question: Question):
    search_query = question.query
    project_id
    location: str = "global"
    engine_id: str = 'DISCOVERY_ENGINE_ID' # AI Applicationsで作成したアプリケーションのIDに変更する
    def search(
        project_id: str,
        location: str,
        engine_id: str,
        search_query: str,
    ) -> discoveryengine.services.search_service.pagers.SearchPager:
        client_options = (
            ClientOptions(api_endpoint=f"{location}-discoveryengine.googleapis.com")
            if location != "global"
            else None
        )

        client = discoveryengine.SearchServiceClient(client_options=client_options)

        serving_config = f"projects/{project_id}/locations/{location}/collections/default_collection/engines/{engine_id}/servingConfigs/default_config"

        content_search_spec = discoveryengine.SearchRequest.ContentSearchSpec(
            snippet_spec=discoveryengine.SearchRequest.ContentSearchSpec.SnippetSpec(
                return_snippet=True
            ),
            summary_spec=discoveryengine.SearchRequest.ContentSearchSpec.SummarySpec(
                summary_result_count=3,
                include_citations=True,
                ignore_adversarial_query=True,
                ignore_non_summary_seeking_query=True,
                model_prompt_spec=discoveryengine.SearchRequest.ContentSearchSpec.SummarySpec.ModelPromptSpec(
                    preamble="文献の検索結果を要約してください"
                ),
                model_spec=discoveryengine.SearchRequest.ContentSearchSpec.SummarySpec.ModelSpec(
                    version="stable",
                ),
            ),
        )
        request = discoveryengine.SearchRequest(
            serving_config=serving_config,
            query=search_query,
            page_size=3,
            content_search_spec=content_search_spec,
            query_expansion_spec=discoveryengine.SearchRequest.QueryExpansionSpec(
                condition=discoveryengine.SearchRequest.QueryExpansionSpec.Condition.AUTO,
            ),
            spell_correction_spec=discoveryengine.SearchRequest.SpellCorrectionSpec(
                mode=discoveryengine.SearchRequest.SpellCorrectionSpec.Mode.AUTO
            ),
        )
        page_result = client.search(request)

        return page_result

    response = search(project_id, location, engine_id, search_query)
    resp = { 'search_result': response.summary.summary_text }
    print(resp)
    return resp

QUESTION='{"query":"情報セキュリティにおいて気をつけるべきことを教えてください"}'

curl -X POST -H "Content-Type: application/json" -d "$QUESTION" -s http://localhost:8000/api/retriever | jq .

課題

retriever_service を定義しましたが、検索結果をcontextとして、LLMへの問い合わせを行なってください。

次回、5月の回（日程未定）で解説します。

2024-12-17

プロンプトエンジニアリングプログラミングハンズオン

genai-users.connpass.com

この記事は上記勉強会の資料です。

shu-kob.hateblo.jp

↑上記記事を参考にサービスアカウントの設定をしてください。

※ Google Cloudの無料期間が終了していると、課金されますが、ハンズオンの内容だけだと数百円もいかないと考えています。

料金は確実には言えないので、Google Cloudはご自身の責任でご使用ください。

github.com

↑今回のサンプルコード

git clone https://github.com/shu-kob/prompt_engineering
cd prompt_engineering

pip install vertexai

LangChainを使わずVertex AIのライブラリを使用

シンプルなVertex AIでGeminiを実行

project_id = "PROJECT_ID" # 書き換える

実行

python3 generate_content.py

response = model.generate_content(
  "プロンプトエンジニアリングとは"
)

プロンプトを変更して実行してみましょう。

Zero Shot プロンプティング

project_id = "PROJECT_ID" # 書き換える

実行

python3 zero_shot_prompting.py

prompt = """
以下はニュース記事のタイトルです。「政治」「経済」「芸能」「スポーツ」「科学」「その他」のうち1つに分類してください。
回答だけ一言で出力してください
===========================
紅白出場歌手の選考基準 NHK公開
"""

プロンプトを変更して実行してみましょう。

Few Shot プロンプティング

project_id = "PROJECT_ID" # 書き換える

実行

python3 few_shot_prompting.py

prompt = """
以下はニュース記事のタイトルです。「政治」「経済」「芸能」「スポーツ」「科学」「その他」のうち1つに分類してください。
回答だけ一言で出力してください
===========================
「紅白出場歌手の選考基準 NHK公開」
===========================
以下は例です
「G20 バイデン氏不在で集合写真」:政治
「岡田将生&高畑充希結婚 SNS反応」:芸能
"""

プロンプトを変更して実行してみましょう。

LangChainを使用

langchain_google_vertexai を使用

pip install langchain_google_vertexai

python3 invoke.py

messages = [
  ("human", "ネコの鳴き真似をしてください。"),
]

プロンプトを変更して実行してみましょう。

PromptTemplateを使用

pip install langchain_core
pip install pydantic==2.9.0

実行

python3 prompt_template.py

template = """質問: {question}

ステップバイステップで考えてください。"""

question = """
10 + 2 * 3 - 4 * 2
"""

プロンプトテンプレートやQuestionを変更して実行してみましょう。

ChatPromptTemplateを使用

実行

python3 chat_prompt_template.py

prompt_template = ChatPromptTemplate.from_messages([
    ("system", "ステップバイステップで考えてください。"),
    ("human", "{question}"),
])

question = """
10 + 2 * 3 - 4 * 2
"""

システムプロンプトやQuestionを変更して実行してみましょう。