データ エージェントの統合パターン

このページでは、データ エージェント エクスペリエンスをアプリケーションに埋め込むための統合パターンについて説明します。これらのパターンは、埋め込みチャット コンポーネントからオーケストレートされたマルチエージェント システムまで、複雑さの範囲が多岐にわたります。

このガイドは、生成 AI アプリケーションを設計するクラウド アーキテクトとデータ エンジニアを対象としています。 Google Cloud のコンセプト、Identity and Access Management、REST API について基本的な知識が必要です。また、アプリケーションで使用するデータソースのアーキテクチャについても理解しておく必要があります。

統合パターンの概要

このガイドは、出発地に応じて次の主なトラックに分類されています。

  • Looker トラック: Looker エンベディング、Looker API、または会話型分析 API を介してチャット機能を提供する場合は、このトラックを選択します。
  • BigQuery とデータベースのトラック: BigQuery、データポータル、またはサポートされている運用データベースを使用するカスタム アプリケーションを構築する場合は、このトラックを選択します。

次の表に、使用可能な統合パターンをまとめます。

統合パターン 説明 データソース
Looker iframe 埋め込み 最小限のコードで、標準のチャット インターフェースをアプリケーションに追加します。 Looker
Looker API と SDK 認証に Looker API を使用するカスタム チャット インターフェースを構築します。 Looker
会話型分析 API（Looker ソース） 複数のサーフェスとマルチエージェント システムで動作する Google Cloud リソースとして Looker データ エージェントを管理します。 Looker
Direct API（単一エージェント） テキストから回答へのフローに直接 API 統合を使用します。 BigQuery、データベース、Looker
Direct API（オーケストレーター） 関数呼び出しを使用して、API と他のツールの間でクエリをルーティングします。 BigQuery、データベース、Looker
BigQueryToolset を使用した ADK（スキーマ駆動型） ask_data_insights ツールを使用して、テーブル参照から迅速な分析情報を生成します。 BigQuery
DataAgentToolset を使用した ADK（ガバナンス適用） ask_data_agent ツールを使用する事前構成済みデータ エージェントをクエリして、一貫した動作を確保します。 BigQuery、データベース、Looker
ADK（カスタム ストリーミング） カスタム エージェント クラスを使用して、グラフと SQL のリアルタイム ストリーミングをサポートします。 BigQuery、データベース、Looker
McpToolset または ToolboxToolset を使用した MCP Model Context Protocol（MCP）を使用するデータツールにアプリケーションを接続します。 BigQuery Looker
A2A プロトコル 異なるシステムで動作する特化型エージェント間の安全なコラボレーションを可能にします。 フレームワークに依存する

Looker の統合オプション

Looker を使用している場合は、次のパターンで Looker 会話型分析をユーザーに提供できます。

Looker 統合パターンの概要

次の表に、Looker の主な統合パターンをまとめます。

パターン 最適な用途 利点 考慮事項
iframe で埋め込む: 標準の Looker チャット エクスペリエンスをアプリケーションにすばやく追加するローコード メソッド。 カスタム開発を最小限に抑え、プロダクション レディ（な）会話型分析エクスペリエンスを必要とするチーム。
  • 実装に必要なコードが最小限で済みます。
  • 既存の Looker セキュリティ モデルを自動的に適用します。
  • 別の Google Cloud 認証は必要ありません。
  • Looker Embed SDK をサポートしています。この SDK は、iframe のライフサイクルとイベントの受け渡しを管理することで、開発を加速します。
  • UI のカスタマイズは限定的で、標準の Looker チャット ユーザー インターフェースに依存します。
  • Looker インスタンスは、Looker によりホストされている必要があります。
Looker API と SDK を使用して構築する: 認証とエージェント管理を Looker 内に維持しながら、カスタム チャット インターフェースを構築するための柔軟なアプローチ。 カスタムのチャット ユーザー エクスペリエンスが必要だが、ユーザー認証とエージェント管理は Looker エコシステム内に維持したいチーム。このパターンは、Looker 埋め込みまたは API をすでに使用しているアプリケーションに最適です。
  • 単一の認証レイヤを提供し、ユーザー インターフェースを完全に制御できます。
  • 既存の Looker ユーザーのアーキテクチャを簡素化します。
  • Looker セマンティック レイヤを使用してクエリの精度を向上させます。
  • 別の Google Cloud 認証は必要ありません。
  • Looker API 開発の専門知識が必要です。
  • Looker データソースのみが対象です。
  • エージェントは Looker 内で管理され、他の Google Cloud サービスに移植することはできません。
会話型分析 API を使用する: API と直接統合して、エージェントをクラウドレベルのリソースとして管理します。 データ エージェントのクロス プラットフォーム ポータビリティを必要とする Looker のお客様。
  • データ エージェントがすべての Google Cloud サーフェスで移植可能であることを保証します。
  • Identity and Access Management によって一元的に管理されます。
  • データ エージェントを ADK または MCP ワークフローに統合できます。
  • Google Cloud と Looker の認証の両方を含む、完全な統合スタックを管理する必要があります。
  • データ エージェントは、Looker ユーザー インターフェースとは別に管理されます。

iframe を使用して埋め込む

会話型分析を iframe として埋め込むことで、Looker UI の外部でチャット エクスペリエンスを提供できます。このパターンは、カスタム UI の開発、バックエンド オーケストレーション、API 状態管理を必要としない会話型分析を提供する直接的な方法です。このパターンを使用するには、事前フォーマットされた URL をアプリケーションに追加します。

Looker Embed SDK には、安全な URL の生成、iframe のライフサイクル管理、ホスト アプリケーションと iframe 間の JavaScript イベントの受け渡しなどのタスクを管理するツールが用意されています。アプリケーションに事前フォーマットされた URL を追加することで、[エージェント] ページ、[会話] ページ、または特定の会話を埋め込むことができます。

埋め込みコンテンツには、次の認証方法を使用できます。

  • プライベート埋め込み: 既存の Looker 認証情報を使用してユーザーを認証します。埋め込み URL を iframe のソースとして設定すると、ユーザーは Looker アカウントでログインします。このメソッドは、追加の Identity and Access Management の構成やトークン マッピングを必要とせずに、既存のロール、コンテンツ アクセス、データレベルの権限（アクセス フィルタやアクセス許可など）を自動的に適用します。
  • 署名付き埋め込み: シングル サインオン（SSO）を使用して、アプリケーションを介してユーザーを認証します。会話型分析のコンテンツ パスを含む署名付き URL を作成すると、付与する権限を動的に指定できます。

Looker API と SDK を使用して構築する

チャット エクスペリエンスの柔軟性を高めるには、Looker API の ConversationalAnalytics メソッドを使用するか、Looker SDK を使用してカスタム アプリケーションを構築します。このアプローチでは、Looker エンドポイントと直接通信するカスタム フロントエンドを構築できます。

Looker API と統合すると、次のメリットがあります。

  • Looker で認証のみを管理します。会話型分析 API で個別に認証する必要はありません。
  • Looker の埋め込みまたは API をすでに使用しているアプリケーションの場合、このパターンを使用すると、セカンダリ認証メカニズムを回避し、外部データ エージェントを管理する必要がなくなるため、プロジェクト アーキテクチャが簡素化されます。
  • チャット インターフェース、会話フロー、アプリケーションが結果（グラフや表など）をレンダリングする方法を完全に制御できます。

リファレンス実装については、GitHub の 会話型分析 Looker API ガイドをご覧ください。

Looker データで会話型分析 API を使用する

次のいずれかのタスクを実行する必要がある場合は、geminidataanalytics.googleapis.com で 会話型分析 API と直接統合できます。

  • カスタム ウェブ アプリケーション、Google Chat、Gemini Enterprise などの複数の Google Cloud サーフェスで同じデータ エージェントを共有する
  • Looker データソースを BigQuery または運用データベース ソースと組み合わせて、単一のマルチエージェント システムを構築する
  • Looker の権限モデルではなく、Identity and Access Management に則って管理されるクラウドレベルのリソースとしてデータ エージェントを管理する

Conversational Analytics API の一般的なアーキテクチャ パターンの詳細については、BigQuery とデータベースの統合オプションをご覧ください。

BigQuery とデータベースの統合オプション

このセクションでは、BigQuery、データポータル、またはサポートされている Google Cloud 運用データベースを使用して、会話型分析 API でカスタム エクスペリエンスを構築するアプリケーションのアーキテクチャ パターンについて説明します。

Looker データソースで会話型分析 API を使用する場合、このセクションで説明するパターンも統合に適用されます。

会話型分析 API には、データを操作するための次の主なメソッドが用意されています。

  • chat メソッド: BigQuery、Looker、データポータル、運用データベースをサポートします。
  • queryData メソッド: AlloyDB、GoogleSQL for Spanner、Cloud SQL for MySQL、Cloud SQL for PostgreSQL などの運用データベースをサポートします。

カスタム アプリケーションを構築する際は、次の統合パターンを 1 つ以上使用できます。

  • API の直接統合: 最も柔軟性の高いカスタム アプローチですが、認証、会話管理、レスポンス解析用のインフラストラクチャを構築する必要があります。
  • フレームワーク駆動型オーケストレーション（ADK）: マルチエージェントのルーティング、ツールの実行、状態管理に Agent Development Kit（ADK）を使用するアプローチ。
  • 垂直統合（MCP）: Model Context Protocol（MCP）を使用して、さまざまな環境で AI アプリケーションをツールやデータソースに接続する統一された方法を提供するアプローチ。
  • 水平オーケストレーション（A2A）: Agent-to-Agent（A2A）プロトコルを使用して、異なるシステム上の特殊なエージェントがカスタム統合コードを必要とせずに安全に連携できるようにするアプローチ。

BigQuery とデータベースの統合パターンの概要

次の表に、BigQuery と運用データベースの具体的な実装パターンをまとめます。

パターン 最適な用途 利点 考慮事項
単一エージェント統合（直接 API）: アプリケーションが API を直接呼び出して、データソースから分析情報を返すパターン。 すべての API 呼び出しを直接制御する必要がある単一エージェント アプリケーション、プロトタイプ、マイクロサービス。
  • フレームワークの依存関係なしで、きめ細かい制御を提供します。
  • 単一エージェントのユースケースに最もシンプルなアーキテクチャを提供します。
  • ステートフル モードとステートレス モードの両方をサポートします。
  • 認証、状態管理、レスポンスの解析、エラー処理、ストリーミング、デプロイのすべてのインフラストラクチャを構築する必要があります。
  • マルチエージェントのシナリオには適していません。
カスタム オーケストレーター（直接 API）: ルート エージェントと関数呼び出しを使用して、会話型分析 API と他のツールやサービス間でクエリをルーティングするパターン。 データクエリと、メールやドキュメントなどの他のタスクを 1 つの会話フローに組み合わせたアプリケーション。
  • フレームワークの依存関係なしで、最大限のオーケストレーション制御を提供します。
  • モデルがツール間でどのようにルーティングするかを正確に定義できます。
  • 任意の Gemini モデルで動作します。
  • ツール定義、会話ループ、マルチターンの状態、エラー処理、デプロイを手動で管理する必要があります。
  • ADK などのフレームワークを使用する場合と比較して、開発オーバーヘッドが負担になる可能性があります。
BigQueryToolset（ADK）によるスキーマ駆動型統合: テーブル参照を使用してデータ分析情報を迅速に返すパターン。 迅速なプロトタイピング、データ ガバナンスの重要性が低い内部ツール、データ分析が ADK エージェントの複数の機能の 1 つであるシナリオ。
  • ADK フレームワーク内で最速の統合パスを提供します。
  • データ エージェントの事前構成は必要ありません。
  • データベース テーブル名を直接処理します。
  • セマンティック ガバナンスがなく、スキーマ推論からのみ SQL を生成します。
  • API レベルでステートレス モードで動作します。
  • テキストのみの回答を提供し、グラフはサポートしていません。
DataAgentToolset（ADK）によるガバナンス対象の統合: エージェントの ID を参照して、事前構成されたデータ エージェントをクエリするパターン。 一貫したデータアクセスを必要とする本番環境アプリケーション、またはデータ エージェントが信頼できる再利用可能なコンポーネントであるマルチエージェント システム。
  • すべてのコンシューマーにわたってセマンティック ガバナンスと一貫した動作を提供します。
  • 検証済みのクエリとビジネス用語集を使用して精度を向上させます。
  • ADK、MCP、直接 API 統合でデータ エージェントを再利用できるようにします。
  • データ エージェント リソースを事前に構成する必要があります。
  • API レベルでステートレス モードで動作します。
  • テキストのみの回答を返し、グラフはサポートしていません。
カスタム サブエージェント（ADK）: カスタム エージェント クラスを使用して API に直接接続し、データチャンクをユーザーにストリーミングするパターン。 応答レイテンシの短縮が優先されるユーザー向けアプリケーション、またはデータ取得によってダウンストリーム エージェントにデータが供給されるマルチエージェント パイプライン。
  • リアルタイムのストリーミング フィードバックを提供します。
  • グラフ、表、SQL など、すべての回答タイプにアクセスします。
  • セッション状態を介して他の ADK エージェントと構成可能。
  • カスタム ADK エージェント クラスを構築するには、より多くの開発作業が必要です。
  • ストリーミング接続とレスポンスの解析を直接管理する必要があります。
Model Context Protocol（MCP）: オープン スタンダードを使用して、さまざまな環境のデータソースとツールに AI アプリケーションを接続するパターン。 複数の AI クライアントと IDE 間でツールの相互運用性を必要とする組織、または ADK フレームワーク、IDE、カスタム アプリケーションから同じデータツールにアクセスする必要があるチーム。
  • あらゆる MCP 準拠クライアントで動作するユニバーサル ツール標準を使用します。
  • ツール実装をコンシューマー アプリケーションから切り離します。
  • Google Cloud MCP サーバーなどのマネージド サーバー オプションを提供します。
  • ツールボックス サーバー用の追加のインフラストラクチャ レイヤが必要です。
  • Agent Development Kit（ADK）ツールセットよりも統合が緩やかです。
  • MCP ツールボックスのエコシステムの進化によって異なります。
  • ステートレス モードで動作します。このモードでは、マルチターンの状態を外部で管理する必要があります。
エージェント間（A2A）: A2A プロトコルを使用するパターン。A2A プロトコルは、異なるシステム上の特殊なエージェントがカスタム統合コードを必要とせずに安全に連携できるようにするオープン スタンダードです。 中央ルーティング エージェントが、異なるシステムまたはネットワークで動作するデータ エージェントにタスクを委任する必要がある、高度に分散されたエンタープライズ環境。
  • 異なるフレームワーク間のカスタム統合コードの必要性が軽減されます。
  • シームレスなクロス プラットフォームの相互運用性を実現します。
  • 安全で標準化された機能検出を提供します。
  • 内部サブエージェントと比較して、ネットワーク レイテンシがわずかに発生します。
  • A2A サーバー設定を構成する必要があります。

API との直接統合

API を直接統合すると、アプリケーションのロジックとアーキテクチャをきめ細かく制御できますが、サポート インフラストラクチャを構築する必要があります。このアプローチでは、認証、会話管理、レスポンスの解析、デプロイなどのタスクはユーザーの責任となります。

このセクションでは、次の項目について説明します。

単一エージェントの統合

単一エージェント統合では、バックエンドは REST またはクライアント ライブラリを使用して Conversational Analytics API を直接呼び出し、ユーザーのクエリとコンテキストを渡します。このパターンは、単純なテキストから回答へのフローを使用するウェブアプリ、社内チャットツール、マイクロサービスなどの複雑性の低いアプリケーションに適しています。このアプローチは、プロトタイピングや概念実証にも使用できます。

このパターンは、Google が会話履歴を管理するステートフル チャットと、アプリケーションが履歴を管理するステートレス チャットの両方をサポートしています。

リファレンス実装については、GitHub の 会話型分析 API クイックスタートまたは 会話型分析 API Golden Demo をご覧ください。

カスタム オーケストレーターの統合

このアプローチでは、アプリケーションのプライマリ エントリ ポイントとコーディネーターとして機能するルート エージェントを構築します。ルート エージェントは、関数呼び出しを介してツールを備えた標準の Gemini モデルを使用します。ユーザーがデータ関連の質問をすると、ルート エージェントは会話型分析 API にツール呼び出しを発行し、結果を受け取ります。その後、推論を続行したり、ダウンストリームの他のツールを呼び出したりできます。

関数呼び出しには次のステージが含まれます。

  1. 宣言: パラメータ定義を含む FunctionDeclaration オブジェクトとしてツール スキーマを定義します。
  2. 呼び出し: モデルは、関数名と引数を含む構造化された functionCall メッセージを返します。
  3. 実行: アプリケーションが API 呼び出しを実行し、結果を FunctionResponse メッセージで返します。
  4. 合成: Gemini モデルは、結果を使用して最終的な回答を生成するか、次のアクションを決定します。

このアプローチは、ユーザーが他のタスクと並行してデータ分析情報を求める可能性があるアプリケーションに適しています。たとえば、ユーザーがエージェントに「売上を表示してから、営業チームにメールの下書きを作成して」と依頼する可能性があります。ルート エージェントは、データに関する質問を 会話型分析 API に転送し、データ以外のタスクには他のツールを使用できます。

リファレンス実装については、GitHub の 会話型分析 API Golden Demo の orchestrate ページまたは multimodal ページをご覧ください。

フレームワーク駆動型オーケストレーション（ADK）

Agent Development Kit（ADK）は、マルチエージェント ルーティング、ツール実行、状態管理の複雑さを管理する AI エージェントを構築するためのコードファースト フレームワークです。ADK フレームワークは、Gemini Enterprise を支えるフレームワークと同じです。

ADK を使用すると、会話型分析 API を他のツールやエージェントと連携させて、複雑なアクションを実行できます。

このセクションでは、次の項目について説明します。

BigQueryToolset とのスキーマ駆動型統合

ADK フレームワークの BigQueryToolset ツールセットには、ビルド済みの ask_data_insights ツールが含まれています。このツールを使用するには、テーブル名とユーザーの質問をツールに渡します。ツールは、インライン コンテキストを使用して会話型分析 API を呼び出します。

ツールを呼び出すと、指定された BigQuery テーブル参照を含むステートレス リクエストが 会話型分析 API に送信されます。API はデータベース スキーマを推論し、SQL クエリを生成して実行し、テキストの回答を返します。結果はツール レスポンスとして ADK エージェントに返されます。

このパターンは、会話型分析をエージェントにすばやく追加する効果的な方法です。ただし、API への呼び出しはステートレスでガバナンスがないため、API はセマンティック ガードレールなしでテーブル スキーマのみに基づいて SQL を生成します。このパターンはデプロイが高速になりますが、命名規則、ビジネス ロジック、アクセス制御が適用される本番環境のビジネス ロジックではリスクが高くなります。

DataAgentToolset とのガバナンス統合

ADK フレームワークの DataAgentToolset ツールセットは、ID で事前構成されたデータ エージェントを参照する事前構築済みの統合を提供します。ADK エージェントはユーザーの質問を ask_data_agent ツールに渡し、ask_data_agent ツールは指定されたデータ エージェント コンテキストで 会話型分析 API を呼び出します。

データ エージェントは、会話型分析 API を使用してプログラマティックに作成するか、 Google Cloud コンソールの Agent Catalog から作成できます。データ エージェントには次のコンポーネントが搭載されています。

  • ナレッジソース: エージェントがクエリできるテーブル、ビュー、ユーザー定義関数（UDF）
  • 構造化コンテキスト: エージェントが基盤となるデータを理解するのに役立つテーブルと列の説明
  • 手順: エージェントがデータソースを解釈してクエリを実行するための追加のガイダンス
  • 検証済みのクエリ: 一般的な質問の例として使用される事前検証済みの SQL クエリ
  • 用語集: エージェントがドメイン固有の言語を理解するのに役立つビジネス用語の定義

エージェント カタログを使用してエージェントを作成する方法について詳しくは、BigQuery の会話型分析の Codelab をご覧ください。

エージェントは管理対象ユニットとして定義されているため、どのアプリケーションまたはサブエージェントが呼び出すかに関係なく、同じ信頼できるロジック、コンテキスト、ガードレールを使用します。

カスタム サブエージェントとの高度な UX 統合

BigQueryToolset ツールセットと DataAgentToolset ツールセットは、API リクエストの処理が完了するまでユーザーに結果を返しません。ADK フレームワークは API を完了までレスポンスをブロックするツールとして扱うため、実行時間の長いクエリではユーザーにフィードバックが返されない可能性があります。

応答レイテンシの短縮が優先されるアプリケーションや、データ取得がダウンストリーム エージェントにフィードされるアプリケーションの代替として、会話型分析 API に直接接続し、データをチャンク単位でユーザーに非同期でストリーミングするカスタム ADK エージェント クラスを構築できます。このパターンは、生成された次のレスポンス タイプをサポートしています。

  • 思考メッセージ: データ エージェントが質問を解釈する際の推論プロセス。
  • 進行状況メッセージ: データソースのデータ取得中のステータスの更新。
  • クエリ生成: 生成された SQL クエリまたは Looker クエリ。生成されたときにストリーミングされます。
  • Data: JSON 形式のデータ結果。
  • 可視化: Vega-Lite グラフの仕様。
  • 概要: 最終的なテキストベースの回答。

返されるデータの種類の完全なリストについては、API リファレンス ドキュメントの SystemMessage タイプをご覧ください。

この非同期アプローチにより、ユーザーは複雑なデータ取得プロセスが完全に終了するまで待つ必要がなくなります。データ エージェントがクエリプロセスを通過するにつれて、テキストの要約、生データ、グラフの構成などの増分更新を一時的な共有ワークスペースに継続的に共有します。このデータはユーザーにリアルタイムでレンダリングされ、追加のタスクを実行するために専門のサブエージェントと共有されます。

ルート エージェント、データ サブエージェント、可視化エージェントを含むリファレンス実装については、GitHub の ADK ストリーミング デモをご覧ください。

垂直統合（MCP）

Model Context Protocol（MCP）は、AI アプリケーションが外部のツールやデータソースに接続するための統一された方法を提供するオープン スタンダードです。MCP は、AI モデルと使用するツール間のインターフェースを標準化します。

このセクションでは、次の項目について説明します。

データベース向け MCP ツールボックス

専用の会話型分析 API MCP サーバーはありませんが、データベース向け MCP ツールボックス サーバーを介して API にアクセスできます。このオープンソース サーバーは、会話型分析 API の chat メソッドを公開する、MCP 互換の事前構築済みツールを提供します。

MCP は、Conversational Analytics API の個別の実行モデルではなく、会話型分析機能をツールとして MCP 互換クライアントに公開する相互運用レイヤです。

スタンドアロン アーキテクチャと ADK アーキテクチャの MCP 実装パターン

MCP は、次のパターンで実装できます。

パターン 詳細
スタンドアロン MCP（ADK なし）

MCP Toolbox for Databases サーバーをスタンドアロン サーバーとして使用して、MCP 準拠のクライアントに接続します。このパターンは、次のタスクでよく使用されます。

  • IDE 統合: Antigravity、Cursor、VS Code などの IDE をサーバーに接続して、エディタから会話形式でデータをクエリします。
  • カスタム MCP クライアント: サーバーを使用して、複数の AI プロバイダにわたって統一されたツール インターフェースを提供するアプリケーションを構築します。
  • Gemini CLI: ターミナルベースのデータ会話の MCP クライアントとして CLI を使用します。
ADK 内の MCP

ADK フレームワークは、MCP サーバーをエージェント ワークフローに統合するための次のメカニズムを提供します。

  • ToolboxToolset: 複数の認証方法をサポートするデータベース向け MCP ツールボックス サーバーの特殊なバリアント。
  • McpToolset: ローカルまたはリモートの MCP サーバー接続を使用して、ADK エージェントを任意の MCP サーバーに接続します。サーバーのツールを自動的に検出し、エージェントに公開します。

FastMCP フレームワークを使用して MCP サーバーを構築し、ADK フレームワークで構築されたツールを MCP 準拠のクライアントに公開することもできます。このアプローチにより、ADK エージェントを他のエコシステムのツールとして利用できるようになります。

アプリケーションの特定のアーキテクチャ要件に基づいて、統合パターンを選択します。

  • BigQueryToolset や DataAgentToolset などの組み込みの Agent Development Kit（ADK）ツールセットを使用すると、外部サーバーの依存関係なしで統合を強化できます。このアプローチは、ADK フレームワーク内に完全に存在するシステムに最適です。
  • MCP ツールボックスのツールを使用すると、MCP 準拠のクライアント間で相互運用性が実現します。このアプローチは、複数のコンシューマー アプリケーションまたはサードパーティ製 IDE にサービスを提供する必要があるデータツールに最適です。

水平オーケストレーション（A2A）

Agent-to-Agent（A2A）プロトコルは、異なるシステム上の特殊なエージェントがカスタム統合コードを必要とせずに安全に通信し、連携できるようにするオープン スタンダードです。

システムがスケーリングされると、組織は多くの場合、異なるフレームワークやクラウド インフラストラクチャ上に構築された複数の専門エージェントをデプロイします。A2A は、これらの自律型エージェントのユニバーサル メッセージング レイヤを確立します。カスタム API を使用する代わりに、各エージェントはエージェントの機能、サポートされているデータ形式、セキュリティ要件を詳しく説明する検出可能なプロファイルであるエージェントカードを公開します。

中央オーケストレータまたはピア エージェントが分析データを必要とする場合、構造化された A2A メッセージングを介して、タスクをデータ エージェントに安全に委任します。データ エージェントはリクエストを自律的に処理し、検出結果を返します。これにより、実行ロジックがリクエスト元から切り離されます。

統合パターンを選択する

次の表で、各統合パターンの複雑さ、ガバナンス、機能を比較します。

複雑さのレベルは次のように定義されます。

  • 低: カスタムコードを最小限に抑え、事前構築済みのユーザー インターフェースまたはツールに依存するパターン。
  • 中: カスタム フロントエンド開発と API または SDK の統合が必要だが、複雑なバックエンド オーケストレーション インフラストラクチャは回避するパターン。
  • 高: フルスタックのアプリケーション開発、会話の状態管理、複数の認証レイヤ、中間オーケストレーター インフラストラクチャを必要とするパターン。
  • 変動: 複雑さが選択した基盤となる統合方法によって異なるパターン。
統合パターン 複雑さ カスタマイズ エージェント ガバナンス アクセス制御 マルチエージェント ストリーミング ポータビリティ
Looker iframe 埋め込み 低 低 Looker を通じて管理されています Looker × 組み込み Looker のみ
Looker API と SDK 中 高 Looker を通じて管理されています Looker × 組み込み Looker のみ
Looker ソースを使用した会話型分析 API 場合によって異なる 高 API を通じて管理 Looker と IAM ○ ○ 任意の Google Cloud サーフェス
単一エージェント（直接 API） 中 高 API を通じて管理 IAM × はい（サポートされています） 任意の Google Cloud サーフェス
カスタム オーケストレーター 高 非常に高い API を通じて管理 IAM 手動 手動 任意の Google Cloud サーフェス
BigQueryToolset（ADK）によるスキーマ駆動型 低 中 なし（スキーマ推論） IAM はい（ADK） いいえ（ブロック） ADK エコシステム
DataAgentToolset（ADK）で管理 低 中 API を通じて管理 IAM はい（ADK） いいえ（ブロック） ADK エコシステム
カスタム ストリーミング サブエージェント（ADK） 高 非常に高い API を通じて管理 IAM はい（ADK） はい（カスタム） ADK エコシステム
スタンドアロン MCP 中 中 なし（スキーマ推論） IAM × × 任意の MCP クライアント
ADK 内の MCP 中 高 なし（スキーマ推論） IAM はい（ADK） × ADK クライアントと MCP クライアント
A2A プロトコル 高 高 フレームワークに依存する IAM ○ ○ クロス プラットフォーム

次のステップ