ADK エージェント向け Google Gemma モデル¶
ADKでサポートPython v0.1.0
ADK エージェントは、幅広い機能を提供する Google Gemma 系の生成AIモデルを利用できます。ADK は ツール呼び出し や 構造化出力 を含む多くの Gemma 機能をサポートしています。
Gemma 4 は Gemini API 経由で利用できるほか、 Google Cloud 上のさまざまなセルフホスティング विकल्पでも利用できます: Vertex AI、 Google Kubernetes Engine、 Cloud Run。
Gemini API の例¶
Google AI Studio で API キーを作成します。
# GEMINI_API_KEY 環境変数に API キーを設定します。
# export GEMINI_API_KEY="YOUR_API_KEY"
from google.adk.agents import LlmAgent
from google.adk.models import Gemini
# 試しに使えるシンプルなツール
def get_weather(location: str) -> str:
return f"場所: {location}. 天気: 晴れ、華氏76度、風速8mph。"
root_agent = LlmAgent(
model=Gemini(model="gemma-4-31b-it"),
name="weather_agent",
instruction="現在の天気を案内できる役立つアシスタントです。",
tools=[get_weather]
)
// GEMINI_API_KEY 環境変数に API キーを設定します。
// export GEMINI_API_KEY="YOUR_API_KEY"
import com.google.adk.agents.LlmAgent;
import com.google.adk.tools.Annotations.Schema;
import com.google.adk.tools.FunctionTool;
LlmAgent weatherAgent = LlmAgent.builder()
.model("gemma-4-31b-it")
.name("weather_agent")
.instruction("""
現在の天気を案内できる役立つアシスタントです。
""")
.tools(FunctionTool.create(this, "getWeather"))
.build();
@Schema(
name = "getWeather",
description = "指定した場所の天気予報を取得します。"
)
public Map<String, String> getWeather(
@Schema(
name = "location",
description = "天気予報を取得する場所"
)
String location
) {
return Map.of(
"forecast",
"場所: " + location + ". 天気: 晴れ、華氏76度、風速8mph。"
);
}
vLLM の例¶
これらのサービスで Gemma 4 エンドポイントにアクセスするには、Python 用の LiteLLM ライブラリと Java 用の LangChain4j を通じて vLLM モデルを利用できます。
以下の例では、ADK エージェントで Gemma 4 vLLM エンドポイントを使う方法を示します。
セットアップ¶
- モデルのデプロイ: 選んだモデルを
Vertex AI、
Google Kubernetes Engine、
または Cloud Run にデプロイし、
OpenAI 互換 API エンドポイントを使用します。
API のベース URL には
/v1が含まれる点に注意してください（例:https://your-vllm-endpoint.run.app/v1）。- ADK ツールで重要: デプロイ時には、利用するサービングツールが互換性のある tool/function calling と reasoning parser をサポートし、有効化していることを確認してください。
- 認証: エンドポイントが認証をどのように処理するかを決めます（例: API key、bearer token）。
コード¶
import subprocess
from google.adk.agents import LlmAgent
from google.adk.models.lite_llm import LiteLlm
# --- vLLM エンドポイント上のモデルを使うサンプルエージェント ---
# モデルデプロイで提供されるエンドポイント URL
api_base_url = "https://your-vllm-endpoint.run.app/v1"
# 利用中の vLLM エンドポイント設定で認識されるモデル名
model_name_at_endpoint = "openai/google/gemma-4-31B-it"
# 試しに使えるシンプルなツール
def get_weather(location: str) -> str:
return f"場所: {location}. 天気: 晴れ、華氏76度、風速8mph。"
# 認証例: Cloud Run デプロイで gcloud identity token を使用
# エンドポイントのセキュリティ方式に合わせて調整してください。
try:
gcloud_token = subprocess.check_output(
["gcloud", "auth", "print-identity-token", "-q"]
).decode().strip()
auth_headers = {"Authorization": f"Bearer {gcloud_token}"}
except Exception as e:
print(f"警告: gcloud トークンを取得できませんでした - {e}.")
auth_headers = None # 必要に応じて適切にエラー処理してください。
root_agent = LlmAgent(
model=LiteLlm(
model=model_name_at_endpoint,
api_base=api_base_url,
# 必要なら認証ヘッダーを渡します。
extra_headers=auth_headers,
# エンドポイントが API キーを使う場合は次のように指定できます。
# api_key="YOUR_ENDPOINT_API_KEY",
extra_body={
"chat_template_kwargs": {
"enable_thinking": True # 思考機能を有効化
},
"skip_special_tokens": False # False に設定する必要があります。
},
),
name="weather_agent",
instruction="現在の天気を案内できる役立つアシスタントです。",
tools=[get_weather], # ツール登録
)
vLLM でホストされた Gemma を使うには、OpenAI 互換ライブラリを使用する必要があります。
LangChain4j は pom.xml に追加できる OpenAI 依存関係を提供します。
<!-- LangChain4j to ADK bridge -->
<dependency>
<groupId>com.google.adk</groupId>
<artifactId>google-adk-langchain4j</artifactId>
<version>${adk.version}</version>
</dependency>
<!-- Core LangChain4j library -->
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j-core</artifactId>
<version>${langchain4j.version}</version>
</dependency>
<!-- OpenAI compatible model -->
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j-open-ai</artifactId>
<version>${langchain4j.version}</version>
</dependency>
OpenAI 互換のチャットモデル（ストリーミングまたは非ストリーミング）を作成し、LangChain4j ラッパーで包んでから LlmAgent に渡します。
import com.google.adk.agents.LlmAgent;
import com.google.adk.models.langchain4j.LangChain4j;
import com.google.adk.tools.Annotations.Schema;
import com.google.adk.tools.FunctionTool;
import dev.langchain4j.model.chat.StreamingChatModel;
import dev.langchain4j.model.openai.OpenAiStreamingChatModel;
// モデルデプロイで提供されるエンドポイント URL
String apiBaseUrl = "https://your-vllm-endpoint.run.app/v1";
// 利用中の vLLM エンドポイント設定で認識されるモデル名
String gemmaModelName = "gg-hf-gg/gemma-4-31b-it";
// まず LangChain4j で OpenAI 互換チャットモデルを定義します。
StreamingChatModel model =
OpenAiStreamingChatModel.builder()
.modelName(gemmaModelName)
// エンドポイントに API キーが必要なら使用します。
// .apiKey("YOUR_ENDPOINT_API_KEY")
.baseUrl(apiBaseUrl)
.customParameters(
Map.of(
"skip_special_tokens", false,
"chat_template_kwargs", Map.of("enable_thinking", true)
)
)
.build();
// LangChain4j ラッパーモデルでエージェントを構成します。
LlmAgent weatherAgent = LlmAgent.builder()
.model(new LangChain4j(model))
.name("weather_agent")
.instruction("""
現在の天気を案内できる役立つアシスタントです。
""")
.tools(FunctionTool.create(this, "getWeather"))
.build();
@Schema(
name = "getWeather",
description = "指定した場所の天気予報を取得します。"
)
public Map<String, String> getWeather(
@Schema(
name = "location",
description = "天気予報を取得する場所"
)
String location
) {
return Map.of(
"forecast",
"場所: " + location + ". 天気: 晴れ、華氏76度、風速8mph。"
);
}
Gemma 4, ADK, Google Maps MCP を使ったフードツアーエージェントの作成¶
このサンプルでは、Gemma 4、ADK、Google Maps MCP サーバーを使って、パーソナライズされたフードツアーエージェントを作成する方法を示します。エージェントは、ユーザーが提供した料理の写真またはテキスト説明、場所、任意の予算を受け取り、食事場所を提案して徒歩ルートにまとめます。
前提条件¶
- Google AI Studio で API キーを取得します。
GEMINI_API_KEY環境変数を Gemini API キーに設定します。 - Google Cloud Console で Google Maps API を有効にします。
- Google Maps Platform API key を作成します。
MAPS_API_KEY環境変数を API キーに設定します。 - ADK をインストールして Python 環境で設定するか、Java プロジェクトで Java 依存関係を設定します。
プロジェクト構成¶
プロジェクト全体は こちら で確認できますagent.py
import os
import dotenv
from google.adk.agents import LlmAgent
from google.adk.models import Gemini
from google.adk.tools.mcp_tool.mcp_toolset import MCPToolset
from google.adk.tools.mcp_tool.mcp_session_manager import StreamableHTTPConnectionParams
dotenv.load_dotenv()
system_instruction = """
You are an expert personalized food tour guide.
Your goal is to build a culinary tour based on the user's inputs: a photo of a dish (or a text description), a location, and a budget.
Follow these 4 rigorous steps:
1. **Identify the Cuisine/Dish:** Analyze the user's provided description or image URL to determine the primary cuisine or specific dish.
2. **Find the Best Spots:** Use the `search_places` tool to find highly rated restaurants, stalls, or cafes serving that cuisine/dish in the user's specified location.
**CRITICAL RULE FOR PLACES:** `search_places` returns AI-generated place data summaries along with `place_id`, latitude/longitude coordinates, and map links for each place, but may lack a direct, explicit name field. You must carefully associate each described place to its provided `place_id` or `lat_lng`.
3. **Build the Route:** Use the `compute_routes` tool to structure a walking-optimized route between the selected spots.
**CRITICAL ROUTING RULE:** To avoid hallucinating, you MUST provide the `origin` and `destination` using the exact `place_id` string OR `lat_lng` object returned by `search_places`. Do NOT guess or hallucinate an `address` or `place_id` if you do not know the exact name.
4. **Insider Tips:** Provide specific "order this, skip that" insider tips for each location on the tour.
Structure your response clearly and concisely. If the user provides a budget, ensure your suggestions align with it.
"""
MAPS_MCP_URL = "https://mapstools.googleapis.com/mcp"
def get_maps_mcp_toolset():
dotenv.load_dotenv()
maps_api_key = os.getenv("MAPS_API_KEY")
if not maps_api_key:
print("Warning: MAPS_API_KEY environment variable not found.")
maps_api_key = "no_api_found"
tools = MCPToolset(
connection_params=StreamableHTTPConnectionParams(
url=MAPS_MCP_URL,
headers={
"X-Goog-Api-Key": maps_api_key
}
)
)
print("Google Maps MCP Toolset configured.")
return tools
maps_toolset = get_maps_mcp_toolset()
root_agent = LlmAgent(
model=Gemini(model="gemma-4-31b-it"),
name="food_tour_agent",
instruction=system_instruction,
tools=[maps_toolset],
)
環境変数¶
エージェントを実行する前に必要な環境変数を設定します。
使用例¶
Food Tour Agent の機能を試すには、次のプロンプトをチャットに貼り付けてみてください。
- "トロントでラーメンツアーをしたいです。1日の予算は60ドルです。上位3スポットの徒歩ルートを作って、それぞれで何を注文すべきか教えてください。"
- "このディープディッシュピザの写真 [画像URLを挿入] があります。シカゴの Navy Pier 周辺でこれに最適な場所を見つけたいです。徒歩ツアーを構成して、各立ち寄り先で必食の一切れを教えてください。"
- "ダウンタウン・オースティンで本格的な BBQ ツアーを探しています。予算は100ドル以下に抑えたいです。評価の高い3か所をつなぐ徒歩ルートを作り、最高の肉の部位についての内部情報を教えてください。"
エージェントは次のことを行います。
- 可能性の高い料理や料理スタイルを推測します。
- Google Maps MCP ツールを使って関連する場所を検索します。
- 選択した立ち寄り先の間の徒歩ルートを計算します。
- 推薦と内部情報を含む構造化されたフードツアーを返します。