はじめに
Oracle Autonomous AI Database(ADB)の売上データを使って、「売上が一番高い担当者を教えて」という質問に答えるチャットAPIを作ってみたいと思います。
前編では売上テーブルとSelect AI Agentを用意し、PostmanからA2A(Agent2Agent)APIで質問します。後編では同じAPIをStreamlitにつなぎ、続けて会話できるようなチャット画面を作ります。
1. 構成と前提
ADB Serverless、OCI Generative AI、Windows 11、SQL Developer、Postmanを使います。Oracle側の設定例は ap-osaka-1、モデルは openai.gpt-oss-120b です。 モデルのリージョン別提供状況
売上データは APP_DATA.SALES に置きます。SQL Developerでは ADMIN としてテーブル、AIプロファイル、チームを作成します。Postmanのトークン取得にも ADMIN を使います。APP_DATA は表の所有スキーマです。
OCI側ではADBの設定を変更できる権限と、OCI Generative AIを呼び出せるOCIユーザーのAPIキーを用意します。 A2Aの前提条件 / OCI Generative AIのIAMポリシー
■全体の流れ
Postman
↓
A2A Server
↓
Team
↓
Agent + Task
↓
Tool → Table(SALES)
| 項目 | 役割 |
|---|---|
| Team | どのAgentがどのTaskを担当するかを定義する |
| Agent | Taskの指示に従って処理する |
| Task | 作業内容と使うToolを指定する |
| Tool | SQLで売上テーブル SALES を照会する |
2. 営業の売上データを作る
SQL Developerで対象ADBに ADMIN として接続します。記事用のオブジェクトを新規作成するSQLです。APP_DATA を作成済みで SALES が未作成なら、既存スキーマの表領域クォータを確認して CREATE TABLE から進めます。
<APP_DATA_PASSWORD> を検証用の値に置き換え、スクリプト実行します。
CREATE USER APP_DATA IDENTIFIED BY "<APP_DATA_PASSWORD>";
ALTER USER APP_DATA QUOTA 10M ON DATA;
CREATE TABLE APP_DATA.SALES (
sale_id NUMBER(10) PRIMARY KEY,
sales_date DATE NOT NULL,
sales_rep VARCHAR2(50 CHAR) NOT NULL,
amount_yen NUMBER(12, 0) NOT NULL
);
COMMENT ON TABLE APP_DATA.SALES IS '営業担当者別の売上明細。1行が1件の売上';
COMMENT ON COLUMN APP_DATA.SALES.sales_date IS '売上計上日';
COMMENT ON COLUMN APP_DATA.SALES.sales_rep IS '営業担当者名';
COMMENT ON COLUMN APP_DATA.SALES.amount_yen IS '売上金額(円)';
INSERT ALL
INTO APP_DATA.SALES VALUES (1, DATE '2026-10-03', 'Alex', 800000)
INTO APP_DATA.SALES VALUES (2, DATE '2026-10-19', 'Alex', 450000)
INTO APP_DATA.SALES VALUES (3, DATE '2026-10-08', 'Bob', 700000)
INTO APP_DATA.SALES VALUES (4, DATE '2026-10-22', 'Bob', 350000)
INTO APP_DATA.SALES VALUES (5, DATE '2026-10-10', 'Cris', 950000)
INTO APP_DATA.SALES VALUES (6, DATE '2026-10-25', 'Cris', 50000)
INTO APP_DATA.SALES VALUES (7, DATE '2026-09-29', 'Cris', 2000000)
SELECT 1 FROM dual;
COMMIT;
SELECT sales_rep, SUM(amount_yen) AS total_yen
FROM APP_DATA.SALES
WHERE sales_date >= DATE '2026-10-01'
AND sales_date < DATE '2026-11-01'
GROUP BY sales_rep
ORDER BY total_yen DESC;
10月の集計結果は Alexが1,250,000円で1位、Bobが1,050,000円で2位、Crisが1,000,000円で3位です。Crisには9月にも売上があるため、期間を指定した集計と全期間の集計で順位が変わります。
3. Select AI Agentを作る
OCI Generative AIの資格情報を登録する
引き続きADMINとして、OCIユーザーに公開鍵を登録し、対応するパスフレーズなしの秘密鍵のBase64本文とフィンガープリントを指定します。PEMの BEGIN 行と END 行は取り除きます。 OCI API署名キーの準備 / CREATE_CREDENTIAL
BEGIN
DBMS_CLOUD.CREATE_CREDENTIAL(
credential_name => 'SALES_GENAI_CRED',
user_ocid => '<OCI_USER_OCID>',
tenancy_ocid => '<TENANCY_OCID>',
private_key => '<PRIVATE_KEY_BASE64>',
fingerprint => '<API_KEY_FINGERPRINT>'
);
END;
/
AIプロファイルとチームを作る
<GENAI_COMPARTMENT_OCID> はOCI Generative AIを利用するコンパートメントのOCIDです。region にはモデルを利用するリージョンを指定します。
object_list と enforce_object_list でSQL生成の参照先を APP_DATA.SALES に絞り、comments でテーブルと列の意味を伝えます。出力トークンの上限は 8192 の設定例です。Taskの {query} に利用者の質問が入ります。 AIプロファイルの設定 / Select AI Agentの構成例
BEGIN
DBMS_CLOUD_AI.CREATE_PROFILE(
profile_name => 'SALES_AI',
attributes => '{
"provider": "oci",
"credential_name": "SALES_GENAI_CRED",
"oci_compartment_id": "<GENAI_COMPARTMENT_OCID>",
"model": "openai.gpt-oss-120b",
"region": "ap-osaka-1",
"max_tokens": 8192,
"object_list": [{"owner": "APP_DATA", "name": "SALES"}],
"enforce_object_list": "true",
"comments": true
}'
);
DBMS_CLOUD_AI_AGENT.CREATE_TOOL(
tool_name => 'SALES_SQL',
attributes => '{
"tool_type": "SQL",
"tool_params": {"profile_name": "SALES_AI"}
}'
);
DBMS_CLOUD_AI_AGENT.CREATE_AGENT(
agent_name => 'SALES_AGENT',
attributes => '{
"profile_name": "SALES_AI",
"role": "営業の売上データを集計し、日本語で回答するアシスタントです。",
"tools": ["SALES_SQL"]
}'
);
DBMS_CLOUD_AI_AGENT.CREATE_TASK(
task_name => 'SALES_TASK',
attributes => '{
"instruction": "質問は {query} です。必ずSALES_SQLでAPP_DATA.SALESを照会し、取得したデータに基づいて日本語で回答してください。売上順位は対象期間の担当者別売上合計で決めます。続きの質問で期間が省略された場合は、前の質問の期間と集計条件を補ってからSQLツールに渡してください。",
"tools": ["SALES_SQL"],
"enable_human_tool": false
}'
);
DBMS_CLOUD_AI_AGENT.CREATE_TEAM(
team_name => 'SALES_TEAM',
attributes => '{
"agents": [{"name": "SALES_AGENT", "task": "SALES_TASK"}],
"process": "sequential"
}'
);
END;
/
DB内で動作を確認する
ADMIN で次を実行します。期待する回答は Alexの1,250,000円 です。
SET SERVEROUTPUT ON
DECLARE
l_conversation_id VARCHAR2(4000);
l_answer CLOB;
BEGIN
l_conversation_id := DBMS_CLOUD_AI.CREATE_CONVERSATION();
l_answer := DBMS_CLOUD_AI_AGENT.RUN_TEAM(
team_name => 'SALES_TEAM',
user_prompt => '2026年10月の売上合計が最も高い営業担当者と金額を教えて',
params => '{"conversation_id":"' || l_conversation_id || '"}'
);
DBMS_OUTPUT.PUT_LINE(DBMS_LOB.SUBSTR(l_answer, 4000, 1));
END;
/
4. A2A Serverを有効化する
OCIコンソールで対象ADBの詳細を開き、タグのタブからキー/値を追加し。A2Aサーバの機能を有効にします。 Oracle公式の設定手順
以下はタグのキーをadb$feature 値を{"name":"a2a_server","enable":true} を設定した時の画面です。
5. Postmanで質問を送って回答を取得する
Postmanで環境を作成して選びます。region にADBのリージョン、adb_ocid に対象ADBのOCID、db_password にADBの ADMIN パスワードを設定します。パスワードとトークンはPostmanのローカル値で管理します。 Postmanの環境変数
■トークン取得から質問・回答を取得するまでの流れ
トークン取得
↓
質問 [message/send] *taskIdを取得
↓
回答 [tasks/get] *taskIdから回答を取得
5.1. アクセストークンを取得する
Authorizationは No Auth、Bodyは raw / JSON にします。 Bearerトークンの生成
POST https://dataaccess.adb.{{region}}.oraclecloudapps.com/adb/auth/v1/databases/{{adb_ocid}}/token
Content-Type: application/json
Accept: application/json
{
"grant_type": "password",
"username": "ADMIN",
"password": "{{db_password}}"
}
レスポンスの access_token を環境変数 access_token に入れます。自動で保存する場合は、Scriptsの Post-response に次を設定します。
const { access_token } = pm.response.json();
if (pm.response.code === 200 && access_token) {
pm.environment.set("access_token", access_token);
} else {
pm.environment.unset("access_token");
}
5.2. message/send で質問する
Authorizationは Bearer Token を選び、Token欄に {{access_token}} を入れます。Bodyは raw / JSON です。URLの末尾にはチーム名 SALES_TEAM を指定します。
POST https://dataaccess.adb.{{region}}.oraclecloudapps.com/adb/a2a/v1/databases/{{adb_ocid}}/agents/SALES_TEAM
Content-Type: application/json
Accept: application/json
Authorization: Bearer {{access_token}}
{
"jsonrpc": "2.0",
"id": "sales-send",
"method": "message/send",
"params": {
"configuration": {
"acceptedOutputModes": ["text/plain"]
},
"message": {
"kind": "message",
"role": "user",
"messageId": "{{$guid}}",
"parts": [
{
"kind": "text",
"text": "2026年10月の売上合計が2番目高い営業担当者と金額を教えて"
}
]
}
}
}
{{$guid}} は、Postmanがリクエストごとに生成するメッセージIDです。
リクエストが正常に受け付けられるとstateがsubmittedとなり、taskIdが返ってきますので、固定文字か変数{{task_id}}にセットする等して次のPOSTで利用します。
・レスポンス例
{
"jsonrpc": "2.0",
"id": "sales-send",
"result": {
"id": "7aa6076c-7057-4a95-a1ea-dad7a0880d5e",
"contextId": "60311934-C4DB-6ECA-E063-EE17000A3F21",
"status": {
"state": "submitted",
"message": {
"role": "agent",
"parts": [
{
"text": "Task has been submitted.",
"kind": "text"
}
],
"messageId": "08cfe7e1-3d6a-415a-b5e0-2e9bcdde12b4",
"contextId": "60311934-C4DB-6ECA-E063-EE17000A3F21",
"taskId": "7aa6076c-7057-4a95-a1ea-dad7a0880d5e",
"kind": "message"
},
"timestamp": "2026-11-17T03:52:07.296550666Z"
},
"artifacts": [],
"history": [],
"kind": "task"
}
}
5.3. tasks/get で回答を取得する
5.2と同じURLに、同じBearerトークン、先ほどのtaskIdを使って次のようにPOSTします。
{
"jsonrpc": "2.0",
"id": "sales-result",
"method": "tasks/get",
"params": {
"id": "{{task_id}}"
}
}
submitted や working なら少し待って再送します。completed のレスポンスでは result.artifacts[].parts[].text を確認します。期待する結果は Bobの1,050,000円 です。HTTP 200でも、本文に error があれば、そのメッセージを確認します。 A2AのJSON-RPC仕様
Agent not found が出た場合は、URLのOCID、チーム名 SALES_TEAM、トークン取得に使った ADMIN を照合します。 エージェント一覧の取得
・レスポンス例
{
"jsonrpc": "2.0",
"id": "sales-result",
"result": {
"id": "7aa6076c-7057-4a95-a1ea-dad7a0880d5e",
"contextId": "60311934-C4DB-6ECA-E063-EE17000A3F21",
"status": {
"state": "completed",
"timestamp": "2026-11-17T03:54:59.753379789Z"
},
"artifacts": [
{
"artifactId": "54e73cd2-8798-45a8-8277-e1a8e50f0c70",
"name": "select_ai_agent_result",
"description": "Contains the result returned from SELECT AI Agent.",
"parts": [
{
"text": "2026年10月の売上合計が2番目に高い営業担当者は **Bob** で、売上金額は **1,050,000円** です。",
"kind": "text"
}
]
}
],
"history": [],
"kind": "task"
}
}
以上、ADBのA2A APIを使って外部から自然言語で問合せして、テーブル内部の情報をLLMに回答してもらうことができました。
後編へ
後編ではここで使ったトークン取得、message/send、tasks/get をStreamlitから実行します。contextIdを保持して継続した会話ができるようにします。

