0
1

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

【OCI】Autonomous AI DatabaseのSelect AI AgentをA2Aで呼び出す(前編・API)

0
Last updated at Posted at 2026-11-17

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

■構成
PostmanからADBのSelect AI Agentを呼び出す構成

■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。

フリーフォーム・タグによるA2A Serverの設定例

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。

0
1
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
0
1

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?