Firebase GenkitでVertex AI Vector Searchの起動/停止を自動化し、開発コストを最適化する

はじめに

前回は関連記事として、Firebase Genkitを活用して、Function Callingから自己学習ループまでを備えたパーソナルAIエージェントのバックエンドを構築しました。

このAIエージェントの「長期記憶」を支えるコア技術として、Vertex AI Vector Searchを利用したハイブリッド検索を採用しています。

しかし、開発フェーズや社内PoCの段階において、「Vector Searchのインデックスを24時間稼働させ続けるとランニングコストが高くついてしまう」 というインフラ運用上の課題に直面しました。

そこで今回は、Firebase GenkitのフローとCloud Schedulerを組み合わせ、「利用しない夜間や休日はインデックスをアンデプロイし、業務開始前に自動でデプロイするバッチ処理」 を実装し、コストを大幅に最適化する方法とその知見をまとめます。

対象読者

• Firebase Genkitを使った実践的な運用・インフラ管理に関心がある方
• Vertex AI Vector Searchを利用中で、開発・検証環境のコスト削減を図りたい方
• Firebase Cloud Functions (v2) のスケジュール実行 (onSchedule) の実装例を知りたい方

課題：Vector Searchの待機コスト

Vertex AI Vector Searchは、数百万〜数十億スケールの高次元ベクトルをミリ秒単位で検索できる非常に強力なサービスですが、検索クエリを受け付けるためには「インデックスをエンドポイントにデプロイ」した状態にしておく必要があります。

この「デプロイされたインデックス」は、検索リクエストの有無にかかわらず、稼働している時間（ノードの時間）に対して課金が発生 します。

24時間365日フル稼働させた場合、社内検証用の小規模なノードであっても、月額で数万円単位のコストがかかってしまいます。

「平日の日中（業務時間中）しかテストを行わない」のであれば、夜間や休日はアンデプロイしておくことで、ランニングコストを半分以下に抑えることが可能です。

解決策：Genkit Flow × Cloud Schedulerによる自動化

この起動・停止のオペレーションを手動で行うのは現実的ではないため、Firebase Genkit の機能を使って自動化します。

アーキテクチャとしては非常にシンプルで、以下の2つの要素で構成されます。

1. Genkit Flow: @google-cloud/aiplatform SDKを使用して、実際にデプロイ/アンデプロイのAPIを叩く処理
2. Cloud Functions (onSchedule): 指定した時間（cron）に上記のFlowを呼び出すトリガー

実装

実際に稼働しているバックエンドのコードをベースに解説します。

1. デプロイ / アンデプロイを実行するGenkit Flow

まず、Vector Searchを操作するためのフローを定義します。

daily.ts

（抜粋）
import { z } from 'genkit';
import { ai } from '../core/bootstrap';
import { IndexEndpointServiceClient } from '@google-cloud/aiplatform';
import { PROJECT_ID, VECTOR_SEARCH_LOCATION, PUBLIC_ENDPOINT_ID, INDEX_ID, PUBLIC_DEPLOYED_ID } from '../constants/config';

/**
 * Vector Searchインデックスをデプロイするフロー
 */
export const deployVectorIndexFlow = ai.defineFlow(
  { name: 'deployVectorIndexFlow', inputSchema: z.void(), outputSchema: z.void() },
  async () => {
    console.log('[Vector Deploy] Starting Vertex AI Vector Search index deployment...');

    try {
      const client = new IndexEndpointServiceClient({
        apiEndpoint: `${VECTOR_SEARCH_LOCATION}-aiplatform.googleapis.com`,
      });

      const indexEndpoint = `projects/${PROJECT_ID}/locations/${VECTOR_SEARCH_LOCATION}/indexEndpoints/${PUBLIC_ENDPOINT_ID}`;
      const index = `projects/${PROJECT_ID}/locations/${VECTOR_SEARCH_LOCATION}/indexes/${INDEX_ID}`;

      const request = {
        indexEndpoint: indexEndpoint,
        deployedIndex: {
          id: PUBLIC_DEPLOYED_ID,
          displayName: PUBLIC_DEPLOYED_ID,
          index: index,
          dedicatedResources: {
            machineSpec: {
              machineType: 'e2-standard-2', // 用途に合わせてマシンスペックを指定
            },
            minReplicaCount: 1,
            maxReplicaCount: 1,
          },
        },
      };

      const [operation] = await client.deployIndex(request);
      console.log('[Vector Deploy] Deploy operation started. It will take 20-30 minutes to complete.');
    } catch (error: any) {
      // 既にデプロイ済みの場合はエラーを無視して処理を続行
      if (error.message && error.message.includes('is already deployed')) {
        console.log('[Vector Deploy] Index is already deployed. No action needed.');
      } else {
        console.error('[Vector Deploy] Failed to start index deployment:', error);
      }
    }
  }
);

/**
 * Vector Searchインデックスをアンデプロイするフロー
 */
export const undeployVectorIndexFlow = ai.defineFlow(
  { name: 'undeployVectorIndexFlow', inputSchema: z.void(), outputSchema: z.void() },
  async () => {
    console.log('[Vector Undeploy] Starting Vertex AI Vector Search index undeployment...');

    try {
      const client = new IndexEndpointServiceClient({
        apiEndpoint: `${VECTOR_SEARCH_LOCATION}-aiplatform.googleapis.com`,
      });

      const request = {
        indexEndpoint: `projects/${PROJECT_ID}/locations/${VECTOR_SEARCH_LOCATION}/indexEndpoints/${PUBLIC_ENDPOINT_ID}`,
        deployedIndexId: PUBLIC_DEPLOYED_ID,
      };

      const [operation] = await client.undeployIndex(request);
      console.log('[Vector Undeploy] Undeploy operation started.');

    } catch (error: any) {
      console.error('[Vector Undeploy] Failed to start index undeployment:', error);
    }
  }
);

実装のポイント:

• GCPの IndexEndpointServiceClient を利用してAPIを呼び出しています
• デプロイ処理（deployIndex）は 完了までに20〜30分程度かかる 非同期オペレーションですが、ここでは「処理の開始（リクエストの送信）」のみを待機して関数を終了させています
• 何らかの理由で既にデプロイされている状態（is already deployed）でフローが実行されても、エラーでクラッシュしないようにハンドリングしています

2. Firebase Functionsでのスケジュール設定

作成したFlowを、指定した時間に自動実行させるために onSchedule を使ってエクスポートします。

index.ts

（抜粋）
import { onSchedule } from 'firebase-functions/v2/scheduler';
import { deployVectorIndexFlow, undeployVectorIndexFlow } from './flows';

// Vector Searchをデプロイ（平日朝9時に実行）
export const deployVectorIndex = onSchedule({ 
  region: 'asia-northeast1', 
  schedule: "every mon,tue,wed,thu,fri 09:00", 
  memory: '1GiB', 
  timeZone: 'Asia/Tokyo' 
}, async (event) => {
  await deployVectorIndexFlow.run();
});

// Vector Searchをアンデプロイ（平日夜18時に実行）
export const undeployVectorIndex = onSchedule({ 
  region: 'asia-northeast1', 
  schedule: "every mon,tue,wed,thu,fri 18:00", 
  memory: '1GiB', 
  timeZone: 'Asia/Tokyo' 
}, async (event) => {
  await undeployVectorIndexFlow.run();
});

スケジュールのポイント:

• schedule にcron形式（every mon,tue,wed,thu,fri 09:00）で稼働させたい時間を指定します
• 前述の通り、Vector Searchのデプロイには20〜30分程度の時間がかかります
• そのため、業務開始時間（例：9:30）に合わせてデプロイするのではなく、十分な余裕を持って（例：9:00）にスケジュールを設定しておくのがベストプラクティスです

デプロイと運用確認

上記の設定ができたら、Firebaseにデプロイします。

firebase deploy --only functions

デプロイ後、GCPの「Cloud Scheduler」のコンソールを確認すると、指定したタイムゾーン（Asia/Tokyo）でジョブが登録されていることが確認できます。
※上記のキャプチャでは、 デプロイ6:00実行 / アンデプロイ23:00実行 としています。

おわりに

今回は、Firebase GenkitとCloud Schedulerを活用し、Vertex AI Vector Searchの稼働時間をコントロールする自動化バッチの実装について紹介しました。

このような運用スクリプトも、メインのAI機能（LLMの呼び出し等）と同じ「Genkit Flow」として一元管理することで、コードの統一性が保たれ、ローカルのDeveloper UI (genkit start) から手軽にテスト実行できるという大きなメリットがあります。