はじめに
OracleのAI Agentサービスとして、Oracle AI Agent Platform(OCI Generative AI Agents)があります。RAGを作成したり、オーケストレーションしたりできます。
ドキュメントやマニュアルを読み、技術的に正確な情報を把握することは重要ですが、まず触ってみることもかなり重要だと思います。
ひとまず触ってみたい、試してイメージを掴みたいときに、設定で躓くとやる気が無くなってしまいますよね。
環境を構築するのに時間がかかると、私の場合、すぐに飽きてしまうこともよくあります。
今回は、とにかく簡単に、すぐに、早くOracle AI Agent Platform(OCI Generative AI Agents)を試す方法をまとめてみました。
所要時間
1時間程度
ゴール
PythonでOracle AI Agent Platform(OCI Generative AI Agents)のクイックスタート・チュートリアルを実行すること
参考URL
- https://qiita.com/xcat-iwamoto/items/4e7668b5cfbf27e5f62c
- https://docs.oracle.com/ja-jp/iaas/Content/generative-ai-agents/adk/api-reference/quickstart.htm
- https://docs.oracle.com/ja-jp/iaas/Content/generative-ai-agents/setup-oci-api-auth.htm#set-up-api-auth
- https://docs.oracle.com/ja-jp/iaas/Content/generative-ai-agents/add-tool-adk.htm#set-up-api-auth
注意
学習でもコンピュートやLLMで課金が発生する場合があるので請求状況を確認してください。
1. コンピュート・インスタンスの作成
まず、OCIでコンピュート・インスタンスを作成します。
こちらを参考にインスタンスを作成します。
ここで注意すべき点は、イメージの選択になります。
Oracle AI Agent Platformのチュートリアルを開始するにはpython3.10以上が必要となります。
最初からpython3.12がインストールされているOracle Linux 10の選択がおすすめです！
個人のプライベートOCIアカウントで試す方は適宜Always Freeのシェイプを選択します。
2. インスタンスのセットアップ
OCIのAPI認証の設定
こちらを参考に、秘密キー・ファイル（.pem）をダウンロードし、configファイルをローカルに作成します。
下記の内容で、userとfingerprintとtenancy、regionを埋めて、key_fileは下記の内容にします。
[DEFAULT]
user=<ocid1.user.xxx..xxx>
fingerprint=<xx:xx:xx:xx>
tenancy=<ocid1.tenancy.xxx..xxx>
region=region=ap-osaka-1
# (大阪リージョンの場合「ap-osaka-1」、シカゴリージョンの場合「us-chicago-1」など記載)
key_file=/home/opc/.oci/oci_api_key.pem
# (↑このファイル名はダウンロードした実際のpemのファイル名にしてください。)
configファイルの適用
先ほど作成したコンピュート・インスタンスにssh接続します。
VS Codeなどを使うとやりやすいと思います。
私はAntigravityを使いました。
ターミナルで下記を入力します。
cd ~
mkdir .oci
cd .oci
touch config
ここで作ったconfigファイルの中に、先ほどの内容をコピペします。
もしくはローカルで作成したしたconfigファイルをVS CodeやAntigravityでドラッグアンドドロップでインスタンスへ転送します。
また、ダウンロードした秘密キー・ファイル（.pem）をconfigと同じ階層(/home/opc/.oci/)に配置します。
3. Oracle AI Agent Platform(OCI Generative AI Agents)の作成
リージョンの選択
対応リージョンはこちらを確認してください。
今回はOsakaリージョンに設定をします。
エージェントの作成
アナリティクスとAI > 生成AIエージェント
を選択します。
エージェントの作成をクリックし、名前を付けます。
どんな名前でも問題ありませんが、今回は「OCI_GEN_AI_AGENT」としました。
ルーティングLLMタイプを「生成AIモデル」に設定し、生成AIモデルからお好みのLLMを選択します。
（実際には要件に応じてLLMを選択しますが、今回は学習目的なのでお好みのLLMを選んでも問題ありません。）
LLMの選択が完了したら「次」をクリックします。
ツールは何も作成せず、「次」をクリックします。
エージェント・エンドポイントの設定はデフォルトのまま「次」をクリックします。
内容を確認して、「エージェントの作成」をクリックして、エージェントを作成します。
作成したエージェントを確認します。
エンドポイントをクリックします。
赤枠のOCIDからエンドポイントのIDをコピーします。
後で使うので、取っておきます。
OCIDの例：ocid1.genaiagentendpoint.oc1.ap-osaka-1.abcdefghijklmnopqrstuvwxyz
4. OCI ADKのセットアップ
OCI ADKとは？
OCIエージェント開発キット(ADK)は、OCI生成AIエージェント・サービス上でのエージェント・アプリケーションの構築を簡素化するクライアント側ライブラリです。
要約すると、ADKはOCI Generative AI Agentsを簡単に操作できるツールだと思います。
詳しくはこちらのドキュメントをご確認ください。
ADKのインストール
まず、Pythonの仮想環境を作成します。
作成したコンピュート・インスタンスのターミナルで下記を実行します。
mkdir oci-genAI-project
cd oci-genAI-project
python -m venv genAI-env
source genAI-env/bin/activate
作成した仮想環境内で下記を実行してADKをインストールします。
pip install "oci[adk]"
5. プログラムの実行
pythonコードの作成
quickstart.pyを作成し、下記をコピペします。
こちらのコードを使います。日本語にしたものを用意したので、quickstart.pyを作成して下のコードをコピペします。
from typing import Dict
from oci.addons.adk import Agent, AgentClient, tool
# @tool を使用して、この Python 関数が「関数ツール」であることを示します。
# """ を付けて、関数および引数（パラメータ）の説明を記載します。
@tool
def get_weather(location: str) -> Dict[str, str]:
"""
指定された場所の天気を取得します。
Args:
location(str): 天気を問い合わせる対象の場所
"""
return {"location": location, "temperature": -3, "unit": "度"}
def main():
# 認証情報とリージョンの設定を指定して、エージェントクライアントを作成します。
# auth_type は、使用したい認証方式に合わせて置き換えてください。
# .oci/configに認証情報がある場合には、auth_type="api_key"で自動的に認証情報が読み込まれます。
# regionはGenerative AI Agentsを作成したリージョンを指定します。
client = AgentClient(
auth_type="api_key",
profile="DEFAULT",
region="ap-osaka-1",
)
# クライアント、指示（instructions）、ツールを指定してローカルのエージェントオブジェクトを作成します。
# 併せてエージェントのエンドポイントIDも必要です。
agent = Agent(
client=client,
agent_endpoint_id="#3. でメモしたエンドポイントのOCIDをコピペします。例：ocid1.genaiagentendpoint.oc1.ap-osaka-1.abcdefghijklmnopqrstuvwxyz",
instructions="あなたはツールを使って天気の問い合わせを行います。",
tools=[get_weather]
)
# ローカルの指示（instructions）とツールをリモートのエージェントリソースに同期します。
# setup() を呼び出す必要があるのは、指示やツールを変更したときだけです。
agent.setup()
# エージェントを実行します。このメソッドは Web アプリや Slack ボットなどに組み込むこともできます。
# ユーザーのリクエストを処理したいときに run() を呼び出します。
input = "東京は寒いですか？"
response = agent.run(input)
# Print the response
response.pretty_print()
if __name__ == "__main__":
main()
下記で実行してみます。
python quickstart.py
実行結果の全文はこちら
(myenv) [opc@instance-20260205-1828 oci_agent]$ python quickstart.py
[02/05/26 09:50:33] INFO Checking integrity of agent details...
INFO Checking synchronization of local and remote agent settings...
INFO Checking synchronization of local and remote function tools...
╭─ Local and remote function tools found ─╮
│ Local function tools (1): │
│ ['get_weather'] │
│ │
│ Remote function tools (1): │
│ ['get_weather'] │
╰─────────────────────────────────────────╯
[02/05/26 09:50:34] INFO Checking synchronization of local and remote RAG tools...
INFO Checking synchronization of local and remote SQL tools...
╭─ Local and remote SQL tools found ─╮
│ Local SQL tools (0): │
│ [] │
│ │
│ Remote SQL tools (0): │
│ [] │
╰────────────────────────────────────╯
╭──────────────────────────────── Chat request to remote agent: None ─────────────────────────────────╮
│ (Local --> Remote) │
│ │
│ user message: │
│ 東京は寒いですか？ │
│ │
│ performed actions by client: │
│ [] │
│ │
│ session id: │
│ ocid1.genaiagentsession.oc1.ap-osaka-1.amaaaaaa7mjirbaad3qgs3scokegnasfwzfzq6t7pyshq3nqvj7a5oabcija │
╰─────────────────────────────────────────────────────────────────────────────────────────────────────╯
╭────────────────── Chat response from remote agent ──────────────────╮
│ (Local <-- Remote) │
│ │
│ agent message: │
│ null │
│ │
│ required actions for client to take: │
│ [ │
│ { │
│ "action_id": "7fece03f-b4c4-4079-94d7-54ab7219cced", │
│ "required_action_type": "FUNCTION_CALLING_REQUIRED_ACTION", │
│ "function_call": { │
│ "name": "get_weather", │
│ "arguments": "{\"location\": \"\u6771\u4eac\"}" │
│ } │
│ } │
│ ] │
│ │
│ guardrail result: │
│ None │
│ │
│ │
╰─────────────────────────────────────────────────────────────────────╯
╭─ Function call requested by agent and mapped local handler function ─╮
│ Agent function tool name: │
│ get_weather │
│ │
│ Agent function tool call arguments: │
│ {'location': '東京'} │
│ │
│ Mapped local handler function name: │
│ get_weather │
╰──────────────────────────────────────────────────────────────────────╯
╭─────── Obtained local function execution result ────────╮
│ {'location': '東京', 'temperature': -3, 'unit': '度）'} │
╰─────────────────────────────────────────────────────────╯
╭───────────────────────────────────────────────────── Chat request to remote agent: None ──────────────────────────────────────────────────────╮
│ (Local --> Remote) │
│ │
│ user message: │
│ null │
│ │
│ performed actions by client: │
│ [{'action_id': '7fece03f-b4c4-4079-94d7-54ab7219cced', 'performed_action_type': 'FUNCTION_CALLING_PERFORMED_ACTION', 'function_call_output': │
│ '{"location": "\\u6771\\u4eac", "temperature": -3, "unit": "\\u5ea6\\uff09"}'}] │
│ │
│ session id: │
│ ocid1.genaiagentsession.oc1.ap-osaka-1.amaaaaaa7mjirbaad3qgs3scokegnasfwzfzq6t7pyshq3nqvj7a5oabcija │
╰───────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────╯
╭───────────────────────── Chat response from remote agent ─────────────────────────╮
│ (Local <-- Remote) │
│ │
│ agent message: │
│ { │
│ "role": "AGENT", │
│ "content": { │
│ "text": "\u6771\u4eac\u306e\u6c17\u6e29\u306f-3\u5ea6\u3067\u3059\u3002", │
│ "citations": null, │
│ "paragraph_citations": null │
│ }, │
│ "time_created": "2026-02-05T09:50:37.353000+00:00" │
│ } │
│ │
│ required actions for client to take: │
│ null │
│ │
│ guardrail result: │
│ None │
│ │
│ │
╰───────────────────────────────────────────────────────────────────────────────────╯
╭── Agent run response ──╮
│ agent text message: │
│ 東京の気温は-3度です。 │
╰────────────────────────╯
╭── Agent run response ──╮
│ agent text message: │
│ 東京の気温は-3度です。 │
╰────────────────────────╯
結果が出ました。
まとめ
Oracle AI Agent Platform(OCI Generative AI Agents)のチュートリアルにあるクイックスタートをなるべく簡単に、すぐに試す方法をまとめました。
これで、とりあえず動かしたい場合やイメージを掴みたい場合に、気軽に短時間でOracle AI Agent Platform(OCI Generative AI Agents)を試すことができます。
これだけだと感動は少ないかもしれませんが、次回、複数のツールを使ったオーケストレーションについて書いてみたいと思います。