🌟 GCP AI学習カリキュラム：メインメニュー

このプロジェクトでは、GCP（Google Cloud Platform）のAI分野、特にVertex AIと生成AIを1日1時間の学習で習得することを目指します。

なお、初心者向けです。自分は AWS をメインとしています。

GCP は AWS のようにコミュニティが盛んではない印象であるため、とっつきにくかったのですが、AI 時代の世の中 GCP についても少しづつやっていこうという思いで作成しました。

📅 学習スケジュール概要

🛠 準備するもの

• Googleアカウント（Gmailなど）
• GCPプロジェクト（Phase 1で作成済みのもの）
• PC（VS Code, Pythonが動く環境）

🏗 Phase 3 詳細手順ガイド：AIアプリを作る（Python実践）

VS Code（ローカル環境）を使用して、Gemini APIをプロフェッショナルなワークフローで利用するためのガイドです。
※本ガイドは、最新の google-genai SDK（2026年以降の標準方式）に基づいています。

📅 Week 1: ローカル開発環境とSDKの基礎

目標: AI開発ができる環境を作る。

Day 1: VS Code環境構築

• Pythonインストール:公式サイトから最新のPythonをインストール。
• プロジェクト作成:適当なフォルダ（

  gemini-study

  ）をVS Codeで開く。
• 仮想環境の作成:ターミナルで

  python -m venv venv

  を実行。
• gcloud CLIのインストール:Google Cloud SDKをインストールし、

  gcloud init

  で初期設定。

Day 2: 認証(ADC) & 初回呼出

• ADCの設定:ターミナルで

  gcloud auth application-default login

  を実行。ブラウザが開くので許可。
• SDKインストール:

  pip install google-genai

• Hello World:

  main.py

  を作成。

day2.py

from google import genai

# 環境変数の設定
PROJECT_ID = "my-ai-study-494913"  # あなたの実際のプロジェクトIDに書き換えてください
LOCATION = "us-central1"

# クライアントの初期化 (Vertex AIモード)
client = genai.Client(
    vertexai=True,
    project=PROJECT_ID,
    location=LOCATION
)

# テキスト生成
response = client.models.generate_content(
    model="gemini-2.5-flash-lite", # 使用するモデルを指定
    contents="こんにちは Vertex AI!"
)

# 結果表示
print(response.text)

Day 3: テキスト生成詳細

• レスポンス構造:

  response

  オブジェクトの中身（

  candidates

  ,

  usage_metadata

  ）を

  print

  して観察。

Day 2のコードに以下を追加して、レスポンスの詳細を確認します。

day3_1.py

# 追加の情報も表示
print(response.candidates)
print(response.usage_metadata) 

• Markdown出力:AIの回答を Markdown ファイル（

  output.md

  ）として保存するコードを書く。

day3_2.py

# 生成されたテキストをファイルに保存
with open("output.md", "w") as f:
    f.write(response.text)

Day 4: ストリーミング実装

• Streaming:

  client.models.generate_content_stream

  を使用.
• リアルタイム表示:

  for chunk in response:

  を使い、

  print(chunk.text, end="", flush=True)

  で文字が流れる演出を実装。

day4.py

from google import genai

# 環境変数の設定
PROJECT_ID = "my-ai-study-494913"
LOCATION = "us-central1"

# クライアントの初期化(Vertex AIモード)
client = genai.Client(
    vertexai=True, 
    project=PROJECT_ID, 
    location=LOCATION
    )

# ストリーミングでテキスト生成
response = client.models.generate_content_stream(
    model="gemini-2.5-flash-lite",
    contents="こんにちは Vertex AI!"
)

# リアルタイムで表示
for chunk in response:
    print(chunk.text, end="", flush=True)

Day 5: チャットセッション（履歴管理）

• 状態保持:

  chat = client.chats.create(model=...)

  を使用。
• 対話型CLI:

  while True:

  ループを作成し、ターミナルでAIとチャットし続けられるプログラムを作成。

day5.py

from google import genai

# 環境変数の設定
PROJECT_ID = "my-ai-study-494913"
LOCATION = "us-central1"

# クライアントの初期化(Vertex AIモード)
client = genai.Client(
    vertexai=True, 
    project=PROJECT_ID, 
    location=LOCATION
)

# チャットセッション開始
chat = client.chats.create(
    model="gemini-2.5-flash-lite"
    )

# 対話型CLI
while True:
    user_input = input("You: ")
    if user_input.lower() in ["exit", "quit"]:
        print("Exiting chat.")
        break
    response = chat.send_message(user_input)
    print("AI:", response.text)

Day 6: マルチモーダル分析（ローカルファイル）

• メディアの渡し方:

  from google.genai import types

  の

  Part

  を使用。
• 実装:

  with open("image.jpg", "rb") as f:

  で画像を開き、AIに渡して説明させる。

day6.py

from google import genai
from google.genai import types

# 環境変数の設定
PROJECT_ID = "my-ai-study-494913"
LOCATION = "us-central1"

# クライアントの初期化(Vertex AIモード)
client = genai.Client(
    vertexai=True, 
    project=PROJECT_ID, 
    location=LOCATION
)
# 画像ファイルをAIに渡す
with open("image.jpg", "rb") as f:
    # 画像をPartオブジェクトに変換
    image_part = types.Part.from_bytes(
        data=f.read(),
        mime_type="image/jpeg"
    )

    # AIに画像を渡して説明させる
    response = client.models.generate_content(
        model="gemini-2.5-flash-lite",
        contents=image_part
    )

# 結果表示
print(response.text)

Day 7: パラメータ制御 & 安全設定

• GenerateConfig:

  types.GenerateContentConfig

  を使用して、温度や最大トークン数を調整。
• SafetySettings:

  types.SafetySetting

  を設定し、特定のカテゴリの有害な内容をブロックする例を実装。

day7.py

from google import genai
from google.genai import types

# 環境変数の設定
PROJECT_ID = "my-ai-study-494913"
LOCATION = "us-central1"

# クライアントの初期化(Vertex AIモード)
client = genai.Client(
    vertexai=True, 
    project=PROJECT_ID, 
    location=LOCATION
)

# パラメータ制御と安全設定の例
config = types.GenerateContentConfig(
    temperature=0.9,
    safety_settings=[
        types.SafetySetting(
            category='HARM_CATEGORY_HATE_SPEECH',
            threshold='BLOCK_LOW_AND_ABOVE'
        ),
        types.SafetySetting(
            category='HARM_CATEGORY_DANGEROUS_CONTENT',
            threshold='BLOCK_LOW_AND_ABOVE'
        )
    ]
)

# テキスト生成
response = client.models.generate_content(
    model="gemini-2.5-flash-lite",
    contents="こんにちは Vertex AI!",
    config=config
)

# 結果表示
print(response.text)

📅 Week 2: Grounding と高度な連携

目標: ローカル環境の機動性を活かし、外部知識やツールを統合する。

Day 8: Grounding (Google検索連携)

• 実践:

  tools=[types.Tool(google_search_retrieval=types.GoogleSearchRetrieval())]

  を設定に追加。

day8.py

from google import genai
from google.genai import types

# 環境変数の設定
PROJECT_ID = "my-ai-study-494913"
LOCATION = "us-central1"

# クライアントの初期化(Vertex AIモード)
client = genai.Client(
    vertexai=True, 
    project=PROJECT_ID, 
    location=LOCATION
)

# Google検索ツールを追加してテキスト生成
config = types.GenerateContentConfig(
    tools=[types.Tool(google_search=types.GoogleSearch())]
)

response = client.models.generate_content(
    model="gemini-2.5-flash-lite",
    contents="最新のAIニュースを教えてください。",
    config=config
)

# 結果表示
print(response.text)

Day 9 & 10: Function Calling (関数の定義と実装)

• 定義:AIが呼び出せるPython関数を定義します。
• 実装:自作関数を

  tools

  に渡し、AIが状況に応じて関数を呼び出し、その結果を元に回答するフローを実装します。

day9_10.py

from google import genai
from google.genai import types

PROJECT_ID = "my-ai-study-494913" 
LOCATION = "us-central1"

client = genai.Client(
    vertexai=True, 
    project=PROJECT_ID, 
    location=LOCATION
    )

# AIが呼び出す関数の定義 (Day 9)
def get_current_stock(product_name: str) -> int:
    """指定された製品の現在の在庫数を返します。"""
    # 実際にはここでDBやAPIを確認しますが、今回はデモ用に固定値を返します
    stocks = {"laptop": 5, "smartphone": 12, "tablet": 0}
    return stocks.get(product_name.lower(), 0)

# ツールとして関数を登録 (Day 10)
config = types.GenerateContentConfig(
    tools=[get_current_stock] 
)

# AIに在庫について質問
response = client.models.generate_content(
    model="gemini-2.5-flash-lite",
    contents="タブレット（tablet）の在庫はありますか？",
    config=config
)

# 結果の表示
print(response.text)

Day 11: システム指示の活用

• ロールプレイ:

  system_instruction

  を設定し、AIの役割や振る舞いを固定します。

day11.py

from google import genai

# 環境変数の設定
PROJECT_ID = "my-ai-study-494913" 
LOCATION = "us-central1"

# クライアントの初期化
client = genai.Client(
    vertexai=True, 
    project=PROJECT_ID, 
    location=LOCATION
    )

# システムプロンプトの設定
system_instruction = "あなたは熟練のGCPアーキテクトです。回答は常に簡潔に、技術的な正確さを重視して答えてください。"

response = client.models.generate_content(
    model="gemini-2.5-flash-lite",
    contents="Cloud Runのメリットを3つ教えて。",
    config={'system_instruction': system_instruction}
)

print(response.text)

Day 12: エラーハンドリング & リトライ

• 堅牢化:

  google.genai.errors

  を用いた例外処理を実装し、API制限やネットワークエラーに対応します。

day12.py

from google import genai
from google.genai import errors

client = genai.Client(vertexai=True, project="my-ai-study-494913", location="us-central1")

try:
    response = client.models.generate_content(
        model="gemini-2.5-flash-lite",
        contents="こんにちは！"
    )
    print(response.text)

except errors.ClientError as e:
    print(f"クライアントエラー（認証やプロジェクト設定の不備）: {e}")
except errors.ServerError as e:
    print(f"サーバーエラー（GCP側の問題）: {e}")
except Exception as e:
    print(f"予期せぬエラー: {e}")

Day 13-14: 総復習と調整 (実践：ログ分析ツール)

• 課題:「ローカルのログファイルを読み、異常があれば検索して解決策を提案する」統合ツールを作成します。

day13_14.py

from google import genai
from google.genai import types

# ダミーのログファイル作成
LOG_FILE = "app.log"
with open(LOG_FILE, "w") as f:
    f.write("INFO: Application started\n")
    f.write("ERROR: Connection failed to database - Error Code 5003\n")

# 環境変数の設定
PROJECT_ID = "my-ai-study-494913" 
LOCATION = "us-central1"

# クライアントの初期化
client = genai.Client(
    vertexai=True, 
    project=PROJECT_ID, 
    location=LOCATION
    )

# 1. ログの読み込み
with open(LOG_FILE, "r") as f:
    log_content = f.read()

# 2. Google検索(Grounding)を有効にした設定
config = types.GenerateContentConfig(
    tools=[types.Tool(google_search=types.GoogleSearch())],
    system_instruction="あなたはシステム管理者です。提供されたログからエラーを特定し、その解決策を最新の情報を元に提案してください。"
)

# 3. AIによる分析と提案
print("--- ログ分析中 ---")
response = client.models.generate_content(
    model="gemini-2.5-flash-lite",
    contents=f"以下のログを分析して、エラーの解決策を教えてください:\n\n{log_content}",
    config=config
)

# 4. 結果表示
print(response.text)

📅 Week 3: 実践アプリ開発

目標: 1つの完結したツールを形にする。

Day 15-21: アプリ開発 (AI インフラ・モニター)

目標: 1つの完結したツールを形にする。

• JSON出力:

  response_mime_type="application/json"

  を活用。
• 外部通知:最終結果を Slack や Discord に投稿。
• 仕上げ:ログ出力、設定の外部ファイル化（

  .env

  ）を行い、ツールとしての完成度を高めます。

1. 設定ファイル (

.env

)

.env

GCP_PROJECT_ID="your-project-id"
GCP_LOCATION="us-central1"
NOTIFICATION_WEBHOOK_URL="https://hooks.slack.com/services/..." 

2. メインプログラム (

monitor_app.py

)

day15_21.py

import os
import json
import logging
import httpx
from datetime import datetime
from dotenv import load_dotenv
from google import genai
from google.genai import types

# 環境変数の読み込みとロギング設定
load_dotenv()
logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')
logger = logging.getLogger(__name__)

PROJECT_ID = os.getenv("GCP_PROJECT_ID")
LOCATION = os.getenv("GCP_LOCATION", "us-central1")
WEBHOOK_URL = os.getenv("NOTIFICATION_WEBHOOK_URL")

# クライアントの初期化
client = genai.Client(
    vertexai=True, 
    project=PROJECT_ID, 
    location=LOCATION)

# 外部通知関数
def send_notification(message: str):
    """外部サービス(Slack/Discord等)に通知を送信する"""
    if not WEBHOOK_URL:
        logger.warning("通知先URL未設定のためスキップします。")
        return
    try:
        httpx.post(WEBHOOK_URL, json={"text": message}).raise_for_status()
        logger.info("外部通知の送信に成功しました。")
    except Exception as e:
        logger.error(f"通知送信エラー: {e}")

# AIによるログ解析関数
def run_ai_audit(log_data: str):
    """AIによるログ解析を実行し、JSON形式で結果を返す"""
    config = types.GenerateContentConfig(
        response_mime_type="application/json",
        system_instruction=(
            "あなたはシニアSREエンジニアです。ログを解析し、"
            "{'severity': 'HIGH/LOW', 'summary': '概要', 'action': '推奨アクション'} "
            "という形式のJSONで回答してください。"
        )
    )
    try:
        response = client.models.generate_content(
            model="gemini-2.5-flash-lite",
            contents=f"以下のログを解析してください:\n{log_data}",
            config=config
        )
        return json.loads(response.text)
    except Exception as e:
        logger.error(f"AI解析エラー: {e}"); return None

# メイン関数
def main():
    dummy_logs = "2026-05-19 10:05:01 ERROR Database connection timeout after 30s."
    audit_result = run_ai_audit(dummy_logs)

    if audit_result:
        notification_text = (
            f"🚨 *AIインフラ監視レポート*\n"
            f"【重要度】: {audit_result.get('severity')}\n"
            f"【概要】: {audit_result.get('summary')}\n"
            f"【対応】: {audit_result.get('action')}"
        )
        print(f"\n--- 解析結果 ---\n{notification_text}")
        send_notification(notification_text)

if __name__ == "__main__":
    main()