Google Gemini APIのManaged Agentsを本番運用向けに拡張｜2026年の最新情報

2026年7月8日2026年8月9日

Google Gemini APIのManaged Agentsを本番運用向けに拡張 2026最新【2026年最新】のアイキャッチ

📅 公開日: 2026年7月8日🔄 最終更新: 2026年8月9日

記事が完成しました。FAQの前に `

Google Gemini APIのManaged Agentsを本番運用向けにするには？
Managed AgentsはセッションのループとツールのループをGoogleのマネージドランタイムが担う設計になっており、開発者はエージェントの「何をするか」の定義に集中できる。

本番運用向けに展開するには、2025年4月に公開されたADK（Agent Development Kit）でエージェントを定義し、Vertex AI Agent Engineにデプロイする構成が基本となる。

サンプルと本番の間を埋めるために、スケーリング設定・コスト管理・Cloud Logging/Traceを使ったモニタリングの設計を事前に固めておくことが安定稼働の前提条件となる。

Gemini APIのManaged Agentsを本番環境で動かしたいが、何から始めればいいのかわからないと感じていないだろうか。

2025年4月にGoogle ADK（Agent Development Kit）が発表され、Vertex AI Agent Engineへのデプロイが大幅に簡素化された。

しかし、サンプルコードを動かすことと、本番スケールで安定運用することの間には埋めるべきギャップがいくつも存在する。

この記事では、2026年6月時点の公開情報をベースに、Managed Agentsの基本から本番運用に必要な設計パターン・セキュリティ・コスト最適化まで、実務で使える形でまとめた。

Managed AgentsはVertex AI上でどう動くのか、全体像が把握できていない
マルチエージェント設計でオーケストレーターとサブエージェントをどう分ければいいかわからない
本番で同時リクエストが増えた時のスケーリング設定が不安
コスト管理とモニタリングをどの粒度で設計すれば運用に耐えられるか

岡田颯太

AIは「使い方を設計できた人」が伸びます。

偏差値39から起業した僕でも再現できたので、まずは一つの作業から試してみてください。

この記事でわかること

Managed Agentsとは何か・全体像
2026年6月時点の主要機能
Vertex AI Agent Engineへのデプロイ
マルチエージェント設計パターン
本番スケーリング設定
セキュリティとIAMアクセス制御
可観測性とモニタリング
コスト最適化

Managed Agentsとは何か・全体像

Managed Agentsが解決する課題

従来のLLMアプリケーションでは、モデルへの問い合わせとツール実行のループをアプリケーション層で自前実装する必要があった。

セッション状態の管理、リトライ制御、ツール呼び出し結果のコンテキストへの統合、エラー時の回復ロジック——これらをすべて手書きすると、本質的なビジネスロジックよりもインフラコードが肥大化するという問題が繰り返し発生してきた。

Gemini APIのManaged Agentsは、このループを管理レイヤーとして抽象化したマネージドランタイムだ。

開発者はエージェントの「何をするか」を定義することに集中でき、「どのようにループを回すか」はGoogleのインフラが担う設計になっている。

コンポーネントの全体像

Managed Agentsを構成する要素は大きく5層に分かれる。

第1層がモデル層で、Gemini 2.5 Pro・2.5 Flash・2.0 Flashのどれを使うかを選択する。

第2層がツール層で、Function Calling・グラウンディング・コード実行・外部APIとの統合が含まれる。

第3層がオーケストレーション層で、ADK（Agent Development Kit）がこの役割を担い、マルチターン対話とツール呼び出しのループを管理する。

第4層がランタイム層で、Vertex AI Agent Engine（旧称：Reasoning Engine）がGCP上でのスケーリングと状態管理を担当する。

第5層が可観測性層で、Cloud Logging・Cloud Trace・監査ログが連携する。

2026年6月時点の主要機能

グラウンディングとコード実行

グラウンディング with Google Searchは、リアルタイムのGoogle検索結果をエージェントのコンテキストに統合する機能だ。

通常のRAGとの大きな違いは、検索クエリの生成・実行・結果の取り込みをモデル自身が判断して行う点にある。

開発者がクエリを明示的に組み立てる必要がなく、エージェントが「この質問には最新情報が必要だ」と判断した場合に自律的に検索を実行する。

コード実行ツールは、Pythonコードをサンドボックス環境で実行し、計算結果・グラフ・データ変換の結果をエージェントのレスポンスに組み込む機能だ。

サンドボックスはGCP側のマネージド環境であるため、実行環境の構築や分離管理を自前で行う必要がない。

数値計算・データ分析・フォーマット変換を伴うエージェントで特に有効な機能となっている。

関数呼び出しとマルチターン

Function Callingは、外部APIやカスタムロジックをツールとして定義し、エージェントが必要に応じて呼び出す仕組みだ。

ツールはJSONスキーマで定義し、引数の型・必須フィールド・説明文をモデルが読める形で宣言する。

モデルはこの定義を解釈して適切なタイミングでツール呼び出しを判断する。

ADKでは複数のツールを束ねてエージェントに渡すことができ、「まずAを試して失敗したらBにフォールバックする」という分岐もモデルの判断で自然に行われる。

マルチターン対話では、セッション状態がManaged Agentsのランタイムに保持される。

前のターンでユーザーが提供した情報・実行したツールの結果・中間的な推論ステップがコンテキストとして維持されるため、ステートフルな業務フローを実装できる。

Vertex AI Agent Engineへのデプロイ

ADKとAgent Engineの関係

Google ADK（Agent Development Kit）は2025年4月に発表されたPython/TypeScript対応のエージェント構築ライブラリだ。

ADKで定義したエージェントをVertex AI Agent Engine（旧Reasoning Engine）に渡すことで、GCPのマネージドランタイム上でスケーラブルに動かせる。

ローカルでの開発中はADKのローカル実行環境でデバッグし、本番投入時にAgent Engineへのデプロイに切り替えるというワークフローが標準的なパターンとなっている。

Agent Engineはエージェントのバージョン管理・ロールバック・A/Bデプロイをサポートしており、インフラ管理の大部分をGCPに委譲できる。

具体的なデプロイパラメータや制限値は公式ドキュメントで確認することを推奨する。

デプロイの実際のステップ

Agent Engineへのデプロイは、大まかに4つのステップで構成される。

まずADKでエージェントクラスを定義し、ツールとモデルを設定する。

次に依存パッケージをrequirements.txtで宣言する。

続いてVertex AI SDKのReasoningEngineクラスを使ってAgent Engineインスタンスを作成・デプロイする。

この時点でGCPのArtifact Registryへのコンテナイメージの登録・Cloud Run上へのデプロイが自動で行われる。

最後にデプロイ済みエージェントのエンドポイントに対してクエリを送信し、動作を確認する。

エンドポイントはVertex AI APIを通じて呼び出せるため、既存のGCPサービスとの統合がスムーズだ。

デプロイ所要時間・リソース割り当て・料金体系は構成によって異なるため、公式コンソールで確認することを推奨する。

マルチエージェント設計パターン

オーケストレーターとサブエージェントの分割原則

複数のエージェントを組み合わせて複雑なタスクを処理するマルチエージェント設計では、役割の分割とコミュニケーションの設計が品質を左右する。

オーケストレーターエージェントはユーザーの意図を解釈し、タスクを分解して適切なサブエージェントに委譲する役割を担う。

自分自身では直接ツールを実行せず、他のエージェントを呼び出すことに特化させる設計が一般的だ。

サブエージェントは特定のドメインや機能に特化した処理を担当する。

検索特化エージェント・計算特化エージェント・データベースアクセス特化エージェントのように、単一責任の原則に従って設計すると、デバッグ・テスト・差し替えが容易になる。

ADKではエージェントをツールとして別のエージェントに渡す構造が設計上サポートされており、オーケストレーターがサブエージェントをFunction Callingと同じ感覚で呼び出せる。

A2Aプロトコルによるエージェント間通信

Agent2Agent（A2A）プロトコルは、Googleが2025年に発表したエージェント間通信の標準規格だ。

A2Aの核心は異なるフレームワーク・異なるベンダーで実装されたエージェント同士が標準化されたAPIで通信できるという点にある。

従来はエージェントAがエージェントBを呼び出す際に、双方のフレームワーク依存のインタフェースを実装する必要があった。

A2Aはこの結合を疎にし、Gemini AgentsとAnthropicのClaudeエージェントが同一のマルチエージェントパイプラインに参加できる将来像を描いている。

2026年6月時点のA2AのGemini Managed Agentsへの統合深度・サポート状況は公式で確認を推奨する。

標準化の動きは継続中であり、実装詳細は変化している可能性がある。

本番スケーリング設定

同時リクエストとリトライ設計

本番環境で最初に直面する課題のひとつが同時リクエスト数の急増とモデルAPIのレートリミットだ。

Gemini APIには1分あたりのリクエスト数・トークン数のクォータが設定されている。

具体的な上限値はプロジェクトのGCPコンソール内の「Quotas」ページで確認できる。

デフォルトクォータは本番トラフィックには不足する場合があるため、事前に増加申請を行っておくことが重要だ。

リトライ設計では、Exponential Backoff（指数バックオフ）の採用が標準的なアプローチだ。

レート制限エラー（429）・一時的なサービス不可（503）に対して、初回リトライを1秒後、2回目を2秒後、3回目を4秒後のように間隔を倍増させながらリトライする。

最大リトライ回数とジッター（ランダムな待機時間のばらつき）を組み合わせることで、複数のクライアントが同時にリトライする「サンダーリング・ハード」問題を回避できる。

タイムアウト設計とサーキットブレーカー

エージェントは複数のツール呼び出しを連鎖させることがあるため、全体のレイテンシが予測しにくいという特性を持つ。

タイムアウトは単一のツール呼び出しレベル・エージェント全体レベルの2層で設定することを推奨する。

ツールレベルのタイムアウトを短めに設定しておくと、一部のツール呼び出しの遅延が全体を巻き込む障害を防止できる。

サーキットブレーカーパターンを適用すると、特定のサブエージェントやツールが連続して失敗した場合に一定時間そのコンポーネントへの呼び出しを停止し、システム全体への影響を局所化できる。

Agent Engine自体のスケーリング設定（最小・最大インスタンス数）については、公式ドキュメントのVertex AI Agent Engineのページを参照することを推奨する。

セキュリティとIAMアクセス制御

最小権限の原則とサービスアカウント設計

本番Gemini Agentsのセキュリティ設計の基本は、各エージェントに必要最小限のGCP権限のみを付与するサービスアカウント設計だ。

オーケストレーターエージェント・各サブエージェント・バックエンドツールにそれぞれ専用のサービスアカウントを作成し、アカウント間の権限の漏洩が起きても被害範囲を限定できる設計にしておくことが重要だ。

Vertex AI Agent Engineを実行するサービスアカウントに必要な最小IAMロールは「roles/aiplatform.user」または相当の権限となる。

外部ツールとしてCloud Storage・BigQuery・Cloud SQLを呼び出す場合は、それぞれのリソースに対する最小限の読み書き権限を個別に付与する設計が安全だ。

VPC Service ControlsとAPIキー管理

VPC Service Controlsを有効にすると、GCPサービスへのアクセスを特定のVPCネットワーク・特定のIPレンジに限定できる。

Vertex AI APIの呼び出しがインターネットを経由せずVPC内のプライベートネットワーク内で完結するように構成することで、データの境界を定義し外部への意図しない流出リスクを低減できる。

Function Callingで外部APIを呼び出す場合のAPIキー管理には、GCPのSecret Managerを使用することを推奨する。

コード内・環境変数への直接埋め込みを避け、実行時にSecret Managerから取得するパターンで実装することで、シークレットのローテーションをコード変更なしに実施できる。

エージェントがユーザーの個人情報・決済情報を扱う場合は、データのマスキング・ログへの出力制御・保持期間の定義を設計段階で決めることが重要だ。

後付けは対応コストが大きくなる。

可観測性とモニタリング

Cloud LoggingとCloud Traceの活用

エージェントの動作をブラックボックスにしないためには、各ターンのユーザー入力・ツール呼び出し・モデル出力・エラーを構造化ログで記録する設計が欠かせない。

Agent Engineデプロイ済みのエージェントは、デフォルトでCloud Loggingにログを出力する。

jsonPayloadフィールドに構造化データを詰めることで、Log Explorerでの検索・フィルタリング・BigQueryへのエクスポートが容易になる。

Cloud Traceを使うと、マルチエージェント構成でのリクエスト全体のフローを視覚的に追跡できる。

オーケストレーターがサブエージェントAを呼び出し、サブエージェントAがツールXを実行する——という連鎖の中のどのステップに時間がかかっているかをウォーターフォール表示で可視化できる。

監査ログとアラート設計

Cloud Audit Logsは、誰がいつどのリソースにアクセスしたかをGCPレベルで記録する仕組みだ。

Vertex AI Agent Engineへのデプロイ・エンドポイントへのアクセス・IAMポリシーの変更が監査ログに記録されるため、コンプライアンス要件の証跡として機能する。

Cloud Monitoringのアラートポリシーを設定することで、エラー率が一定閾値を超えた場合・レイテンシが規定値を超えた場合に自動で通知を送ることができる。

株式会社S.Line代表・岡田颯太（偏差値39から起業）は「エージェントのモニタリングはSNS運用のアナリティクスとよく似ている。

数字が動いてから後追いするのではなく、どの指標が動いたら何を意味するかをあらかじめ設計しておくことが、問題を小さいうちに潰す唯一の方法だ」と述べている。

コスト最適化

コンテキストキャッシュの活用

Gemini APIのコンテキストキャッシュ（Context Caching）は、頻繁に使うシステムプロンプト・ツール定義・参照ドキュメントをキャッシュしてトークンコストを削減する機能だ。

エージェントの実装では、ほぼすべてのリクエストに同じシステムプロンプトとツール定義が含まれる。

これらはリクエストごとに毎回課金されるトークンだが、コンテキストキャッシュを使うとキャッシュヒット分の入力トークンが大幅に割安になる。

具体的な削減率・料金は公式で確認することを推奨する。

キャッシュを有効活用するためには、キャッシュするコンテンツをリクエストの先頭に配置し、会話履歴やユーザー固有の入力をその後ろに続けるという構成が必要だ。

この順序を誤るとキャッシュヒットが発生しない。

モデル選択によるコスト設計

すべてのタスクに最上位モデルを使う必要はない。

タスクの複雑さに応じてモデルを使い分けることがコスト最適化の核心だ。

複雑な推論・長文生成・高精度が求められるタスクにはGemini 2.5 Proを、速度とコストのバランスが必要なタスクにはGemini 2.5 Flashを、実験的なマルチモーダル処理にはGemini 2.0 Flashをという使い分けが基本的な考え方だ。

マルチエージェント構成では、オーケストレーターに2.5 Proを使い、単純な情報取得・フォーマット変換を担うサブエージェントには2.5 Flashを使うという非対称な設計がコスト効率を高める。

また、長いコンテキストを扱う場合はThink機能（Gemini 2.5 Flash搭載）の「思考予算」設定を調整することで、推論の深さとコストのバランスを制御できる。

Managed Agentsのデメリットと注意点

ベンダーロックインとコールドスタート

Managed Agentsの利点は同時にトレードオフでもある。

本番投入前に把握しておくべき制約が複数存在する。

第1の課題はベンダーロックインだ。

Agent EngineはGCPのマネージドサービスのため、AWSやAzureへの移行コストは相応に大きくなる。

A2Aプロトコルによるポータビリティの向上は期待されているが、2026年6月時点でその恩恵を実感できる段階かどうかは公式の対応状況を確認することを推奨する。

第2の課題はコールドスタートレイテンシだ。

Agent Engineのインスタンスがスケールインされた状態から最初のリクエストを処理するまでに数秒から数十秒の初期化時間が発生する場合がある。

レイテンシに敏感な用途では最小インスタンス数を1以上に設定してウォームアップ状態を維持する設計が必要になる。

デバッグの難しさと仕様変更リスク

第3の課題はマルチターン・マルチエージェント構成のデバッグの難しさだ。

エージェントの判断がどのような推論を経て行われたかをトレースするには、適切なロギング設計が事前に必要だ。

後付けでログを追加しようとすると、デプロイのやり直しと本番環境への影響を伴う。

第4の課題は仕様変更のペースが速い点だ。

ADK・Agent Engine・A2Aプロトコルはいずれも発展途上の技術であり、2025年から2026年にかけて機能追加・APIの変更が繰り返されてきた。

本番システムのアップデートには検証コストが伴うことを前提に運用設計することが重要だ。

第5の課題はコスト予測の難しさだ。

エージェントがどれだけのツール呼び出しを行い、どれだけのトークンを消費するかはユーザーの入力によって大きく変動する。

予算の上限設定とコスト監視の仕組みを本番投入前に整えておかないと、予期しない請求が発生するリスクがある。

ユースケース事例

カスタマーサポート自動化でのManaged Agents活用

Managed Agentsが実際の業務で価値を発揮しやすいユースケースのひとつがカスタマーサポートの自動化だ。

ユーザーの問い合わせを受け取るオーケストレーターエージェントが、問い合わせの種別を判断して、注文履歴検索エージェント・FAQエージェント・エスカレーション判断エージェントにタスクを振り分ける構成が典型的なパターンだ。

グラウンディング with Google Searchを組み合わせると、製品の最新仕様・サービスの最新情報をリアルタイムで参照しながら回答を生成できる。

静的なFAQデータベースでは対応できない「最新の状況を反映した回答」が必要な場合に特に有効だ。

マルチターン対話の状態管理がManaged Agentsのランタイムで行われるため、「さっき言った注文番号に関して追加で聞きたいのですが」という文脈を引き継いだ会話が自然に実現できる。

データ分析・レポート自動化への応用

コード実行ツールを組み合わせたデータ分析エージェントも、Managed Agentsが力を発揮するユースケースだ。

ユーザーが自然言語で「先月の売上を製品カテゴリ別に分析して傾向を教えて」と依頼すると、エージェントがBigQueryへのクエリ生成・実行・結果の取得・Pythonでのグラフ生成・自然言語での解釈を自律的に連鎖させて回答を生成する。

定期レポートの自動生成にも応用できる。

Cloud Schedulerからエージェントエンドポイントを定期的に呼び出し、最新データをもとにしたレポートをSlack・メール・Google Driveに自動配信するパイプラインを比較的シンプルな構成で実現できる。

SNS運用代行・SEO・コンテンツマーケティングの領域では、複数ソースのパフォーマンスデータを収集・統合・解釈して次のアクションを提案するエージェントが実用的な価値を持つ。

繰り返し判断が必要な定型業務をエージェントに委譲することで、人間は例外処理と戦略判断に集中できる。

比較項目	Gemini 2.5 Pro	Gemini 2.5 Flash	Gemini 2.0 Flash
主な用途	複雑な推論・長文生成・高精度タスク	速度とコストのバランスが必要なタスク	マルチモーダル処理・実験的機能検証
コスト傾向	3モデル中最も高価	2.5 Proより低コスト	低コスト帯（公式で確認）
速度	3モデル中最も低速	高速	高速
コンテキスト長	長大（公式で確認）	長い（公式で確認）	公式で確認
Think機能	搭載（公式で確認）	搭載（思考予算設定可）	非搭載または限定的（公式で確認）
Managed Agentsでの推奨用途	オーケストレーター・高精度判断	サブエージェント・頻繁な呼び出しタスク	マルチモーダルツール・プロトタイプ

比較項目	Gemini Managed Agents（Vertex AI）	AWS Bedrock Agents	Azure AI Agents
基盤モデル	Gemini 2.5 Pro / Flash / 2.0 Flash	Claude / Titan / Llama等	GPT-4o / GPT-4.1等
マネージドランタイム	Vertex AI Agent Engine	Bedrock Agents	Azure AI Foundry Agent Service
ツール統合	Function Calling / グラウンディング / コード実行	Action Groups / Knowledge Bases	Function Calling / Code Interpreter
エージェント間通信標準	A2Aプロトコル（Googleが2025年に発表）	独自実装が中心	独自実装が中心
GCPサービスとの親和性	非常に高い（BigQuery / Cloud Storage / Secret Manager等）	AWSサービスとの統合が中心	Azureサービスとの統合が中心
Python SDK	Google ADK / Vertex AI SDK	Boto3 / Bedrock SDK	Azure AI SDK
コンプライアンス対応	VPC Service Controls / 監査ログ	VPC / CloudTrail	Private Endpoints / Azure Monitor

よくある質問

Q1. Managed AgentsとLangChain・LlamaIndexの違いは何ですか？

A. LangChain・LlamaIndexはフレームワークであり、エージェントの実行ランタイムを自前のサーバーや関数として実装する必要があります。

Gemini Managed Agentsは、Google ADKでエージェントを定義した後、Vertex AI Agent Engineというマネージドランタイムにデプロイすることでスケーリング・状態管理・バージョン管理をGCPに委譲できます。

インフラ管理コストを削減したい場合はManaged Agentsが有利で、フレームワークの自由度・ポータビリティを優先する場合はLangChain等を選ぶという使い分けが現実的です。

Q2. Google ADKはどのプログラミング言語に対応していますか？

A. 2025年4月の発表時点でPythonとTypeScriptに対応しています。

最新の対応言語・バージョン要件は公式GitHubリポジトリで確認することを推奨します。

本番システムでの採用前に、使用するフレームワークバージョンのサポート期間も確認しておくことが重要です。

Q3. Vertex AI Agent EngineとCloud Run上での自前ホスティングはどちらを選ぶべきですか？

A. Agent Engineはデプロイ・スケーリング・バージョン管理を抽象化してくれるため、インフラ管理コストを最小化したいチームに向いています。

一方、Cloud Run上での自前ホスティングはエージェントの実行環境を細かく制御できる反面、スケーリング設定・ログ収集・バージョン管理を自前で設計する必要があります。

初期段階ではAgent Engine、独自要件が生じた場合に自前ホスティングへ移行するという段階的なアプローチが現実的です。

Q4. グラウンディング with Google SearchはどのGeminiモデルで使えますか？

A. 2026年6月時点でGemini 2.5 Pro・2.5 Flash等の主要モデルでサポートされていますが、モデルバージョンによる対応状況・地域別の提供状況は変化している可能性があります。

Vertex AI APIのモデルカード・公式リリースノートで最新の対応状況を確認することを推奨します。

Q5. コンテキストキャッシュを使うにはどのくらいのトークン数が必要ですか？

A. コンテキストキャッシュには最小トークン数の要件が設定されています。

具体的な数値はモデルによって異なるため、公式ドキュメントの「Context caching」のページで確認してください。

システムプロンプトとツール定義を合わせた分量が最小要件を超えている場合にキャッシュが有効になります。

Q6. A2Aプロトコルは現在実運用で使えますか？

A. Agent2Agent（A2A）プロトコルはGoogleが2025年に発表した標準規格で、オープンソースのリファレンス実装が公開されています。

2026年6月時点での本番利用事例・サポートレベルは発展途上です。

実運用での採用前に公式リポジトリの更新状況・コミュニティの動向・エンタープライズサポートの有無を確認することを推奨します。

Q7. マルチエージェント構成でのコスト管理はどうすればいいですか？

A. GCPのCloud Billing予算アラートを設定し、月次・週次の予算上限に対してアラートが発火するように構成することが第一歩です。

エージェント別・ユーザー別のトークン消費をCloud Loggingに記録し、BigQueryでのコスト分析クエリを定期実行することで、どのエージェント・どの用途がコストの大半を占めているかを把握できます。

サブエージェントには2.5 Flashを使うモデルの使い分けと、コンテキストキャッシュの活用を組み合わせることが効果的なコスト削減策です。

Q8. ユーザーデータのプライバシーはどのように守れますか？

A. GCPのData Processing Addendum（DPA）の内容を確認し、Vertex AI APIに送信するデータがGoogleのモデル学習に使用されるかどうかを把握することが出発点です。

個人情報を含むデータをエージェントに渡す前にマスキング・仮名化処理を行い、Secret ManagerでAPIキー・認証情報を管理し、VPC Service Controlsでデータの境界を定義することが基本的なプライバシー保護の構成です。

コンプライアンス要件（GDPR・個人情報保護法等）の対応状況はGCPのコンプライアンスページで確認することを推奨します。

用語集

用語	説明
ADK（Agent Development Kit）	Googleが2025年4月に発表したエージェント構築ライブラリ。Python/TypeScript対応。エージェントの定義・ツール統合・マルチエージェント構成を提供する
Vertex AI Agent Engine	ADKで定義したエージェントをGCPのマネージドランタイムとしてデプロイ・スケーリングできるサービス。旧称：Reasoning Engine
A2Aプロトコル	Agent2Agentの略。Googleが2025年に発表したエージェント間通信の標準規格。異なるフレームワーク・ベンダーのエージェントが相互通信できることを目指す
グラウンディング	GeminiモデルがリアルタイムのGoogle検索結果等の外部情報を参照しながら回答を生成する機能
Function Calling	モデルが外部ツールやAPIを呼び出すための仕組み。ツールをJSONスキーマで定義し、モデルが必要に応じて呼び出す
コンテキストキャッシュ	頻繁に使うシステムプロンプト・ツール定義等をキャッシュしてトークンコストを削減するGemini APIの機能
Exponential Backoff	APIリクエストが失敗した際に待機時間を指数的に増やしながらリトライする設計パターン。レート制限対策の標準手法
VPC Service Controls	GCPサービスへのアクセスを特定のVPCネットワーク・IPレンジに限定するセキュリティ境界の仕組み
Think機能（Thinking Budget）	Gemini 2.5 Flashに搭載された機能で、モデルの推論の深さ（思考トークン数）を設定によって制御できる。コストと精度のバランスを調整できる
Cloud Audit Logs	GCPサービスへのアクセス・設定変更・APIコールを記録する監査ログ。コンプライアンスの証跡として機能する
サーキットブレーカー	特定のコンポーネントが連続して失敗した場合に一時的にそのコンポーネントへの呼び出しを停止し、システム全体への障害の伝播を防ぐ設計パターン
オーケストレーター	マルチエージェント構成において、ユーザーの意図を解釈しタスクを分解して他のサブエージェントに委譲する役割を担うエージェント