ツール

Gemini Decisions APIを深掘り:Agentの意思決定を評価する方法

GoogleはGeminiの意思決定処理を独立APIとしてявиした。Agent開発で重要なのは、接口 sausagesを追加することではなく、再現可能でデバッグと評価ができる意思決定フローを構築することだ。

文字サイズ

GoogleはGemini Decisions APIをリリースし、意思決定の呼び出しを独立したAPIとして提供した。Agentチームにとって重要なのは接口が増えることではなく、再現可能で、デバッグと評価ができる意思決定フローを整えることだ。

公式紹介:https://blog.google/innovation-and-ai/technology/developers-tools/gemini-decisions-api/

今回のリリースで何が変わったか

通常のGemini APIでは、メッセージが基本的な単位になる。開発者がコンテキストを入力し、モデルがテキストまたは構造化出力を生成する。

ツール呼び出しも通常は同じ仕組みで処理される。Function Callingでツール名、引数、用途を説明し、モデルに呼び出すかどうかを判断させる。モデルがtool callを返すと、アプリケーションがツールを実行し、結果をコンテキストに追加して次の推論へ進む。

Gemini Decisions APIは「意思決定」を独立した接口として提供し、複数の判断を含むAgentワークフロー向けに設計されている。Geminiをこのようなフローに組み込むための開発ハードルを下げることが目的だ。

3つの機能は、それぞれ焦点を異にする。

  • Gemini APIはモデル機能へアクセスする入口である。
  • Tool Callingはモデルが呼び出せる動作を定義する。
  • Decisions APIは、複数の判断を含むAgentワークフローを対象とする。

少なくとも製品上の位置付けを見ると、Googleは意思決定をPrompt内のロジックから切り出し、独立した接口へ移行させようとしている。

Decisions APIをワークフローエンジンと混同しない

接口名には注意が必要だ。Decisions APIという名称から、モデルが状態管理、障害復旧、実行戦略まで処理すると误解してはならない。

Agentが安定して動作できるかどうかは、アプリケーション層の制御に左右される。

1つ目は接口の契約だ。モデルが返した判断は、プログラムで検証できる必要がある。自由な形式のテキストを、そのまま本番環境の操作へ接続するのは適さない。開発チームはJSON Schema、構造化出力、明確なaction typeを使用し、未知のアクション、欠落したフィールド、権限外の操作を拒否する経路を設けるべきだ。

2つ目は状態管理だ。Agentは現在どのタスク段階にあるか、どのツールを呼び出したか、どのツールが失敗したかを把握する必要がある。状態は会話履歴の中だけに隠してはならない。

タイムアウト、ツールのエラー、重複した呼び出し、ループ実行は、ワークフローエンジンが処理する。

3つ目は再現性の制御だ。似た入力から似た判断が得られても、業務結果まで一致するとは限らない。ランダム性、モデルのバージョン、コンテキスト長、ツールの戻り値が、その後の経路を変える可能性がある。

本番システムでは、モデルと依存ライブラリのバージョンを固定し、各意思決定で使ったコンテキスト、ツール引数、実行結果を記録して、判断の轨迹を再生できるようにする必要がある。

ここで起きやすい誤りは、「回答がそれらしく見える」ことを「意思決定システムが使える」とみなすことだ。回答品質は最終出力だけをカバーする。Agentでは途中で誤ったツールを選ぶ、必要な工程を飛ばす、誤った状態のまま実行を続ける、という问题的のほうが一般的だ。

したがって、Decisions APIは長いPromptの別名ではなく、自動的に完全なワークフローエンジンをもたらすわけでもない。より正確な位置付けは、意思決定モデルを呼び出す標準の入口を提供し、その周囲に状態管理、実行、リトライ、評価の層を構築できるようにする Facilitating Interfaces thingだ。

Agent開発はDemoから評価へ移行する

組み込み後、最も価値のある成果物Demoのコードではなく、意思決定の評価データセットになる。

チームは過去のチケット、匿名化したログ、人間による対応記録を固定サンプルへ整理できる。各サンプルには初期状態、利用可能なツール、ゴール条件、期待結果を含める。Agentを隔離環境で実行し、完全な意思決定の軌跡を記録する。

少なくとも次の指標を個別に確認する必要がある。

  1. タスク成功率:規定された工程、予算、タイムアウト内でゴールを達成した割合。
  2. 誤りによるコスト:誤った操作がর্বilitした実際の損失。単に不正解の回数だけを数えるのではない。
  3. 平均呼び出し回数:ツール、モデル、外部APIを含めた総呼び出し回数の平均。
  4. P95レイテンシ:リクエスト開始からタスク完了までの95パーセンタイルの所要時間。
  5. 人間へのエスカレーション率:Agentが処理を継続できない、または人間の承認が必要な任务的割合。

これらは併せて評価する必要がある。ある方式ではモデル呼び出しが10回増えた代わりに成功率が92%から96%へ上がったとしても、P95レイテンシと推論コストが許容範囲を超えていれば採用できない。逆に、別の方式は誤りによるコストを抑えられるものの、多数の異常タスクを人間へ渡してしまう。

実用的なテスト構造は次のようになる。

import json
from dataclasses import asdict, dataclass

@dataclass
class DecisionCase:
    case_id: str
    initial_state: dict
    expected_outcome: str
    max_tool_calls: int = 8

def evaluate_decision(case, decision, tool_calls):
    checks = {
        "task_success": decision.get("outcome") == case.expected_outcome,
        "call_budget": len(tool_calls) <= case.max_tool_calls,
        "action_allowed": decision.get("action") in {
            "complete",
            "request_information",
            "escalate",
        },
    }
    return {
        "case_id": case.case_id,
        "passed": all(checks.values()),
        "checks": checks,
        "tool_calls": len(tool_calls),
    }

case = DecisionCase(
    case_id="refund-001",
    initial_state={"order_status": "delivered", "policy": "return_allowed"},
    expected_outcome="refund_eligible",
)

decision = {
    "outcome": "refund_eligible",
    "action": "complete",
}

result = evaluate_decision(case, decision, tool_calls=[])
print(json.dumps(asdict(result), ensure_ascii=False, indent=2))

このコードはDecisions APIのクライアントではない。公式센터 exponentialは接口の位置付けと使い方を理解するための資料であり、具体的なリクエスト形式、パラメータ、モデル名は公式ドキュメントで確認する必要がある。SDKとパラメータを検証していない段階で、動作するはずのAPI例を推測で作成してはならない。

実際に運用できるテストでは、3種類のデータを保存する。モデルごとの判断、ツールごとの呼び出し、最終的な業務結果だ。これにより、Agentがなぜその経路を選んだのか、モデルアップグレード後に本当に改善したのかを回答できる。

価格、レイテンシ、ロックインのリスク

現時点で入手できる情報だけでは、Gemini Decisions APIの公式単価、レート制限、利用可能地域を十分に確認できない。これらのデータは公式定价ページ、クォータ文書、実際の呼び出し結果を根拠に判断すべきで、通常のGemini APIの価格をそのまま適用してはならない。

コスト分析はentire entireチェーン全体の工程から行う必要がある。

def estimated_cost(cases, model_price_per_million, tool_price_per_call):
    total = 0.0
    for case in cases:
        total += case.input_tokens / 1_000_000 * model_price_per_million
        total += case.output_tokens / 1_000_000 * model_price_per_million
        total += case.tool_calls * tool_price_per_call
    return total

input_tokens、output_tokens、ツール呼び出し回数を、公式の課金項目にどう対応させるかを確認する必要がある。ツール自体にも利用料が発生する場合がある。

P95レイテンシも分解して測定する。モデルの推論、ツールの実行、逐次処理、リトライのすべてが積み上がる。

ロックインのリスクは通常のチャットより目立つ。Agentが専用の意思決定接口に依存すると、状態のシリアライズ、エラー時の意味、ツールプロトコル、評価データセットがその接口を前提に設計されることがある。他モデルへの移行は、modelパラメータを置き換えるだけでは終わらない。

結合度を beforehand下げる場合は、次の施策が有効だ。

  • 内部のaction schemaでベンダーのフィールドを分離する。
  • リクエスト、レスポンス、ツールの軌跡を完全に保存する。
  • 評価データセットを特定のSDKから切り離す。
  • 重要な経路には代替モデルまたはルールベースのフォールバックを用意する。
  • 権限チェックをアプリケーション層で行い、モデルに直接実行権限を与えない。

編集者の視点

今回のリリースの意義は、モデルへの入口が増えたことだけでなく、GoogleがAgentの意思決定層をPromptのロジックから独立したソフトウェア部品へ切り離している点にあるCollapse。过去には、多数のチームが制御ロジックをプロンプトに書き込み、実行結果を目視で確認していた。返金、調達、運用などの業務に入れば、最初に露見するのは言語能力ではなく、操作の再現性、誤りの原因特定、アップグレード後の比較可能性の欠如だった。

の見立てでは、このような接口はより厳格な契約テストと軌跡評価の整備を促す。Agentエンジニアリングの重点は「Promptをどれだけ,整えられるか」ではなく、「状態、操作、結果が検証できるか」へ移る。チャットモデルが追加されたのとは異なる。意思決定の誤りを誰が負担するか、どのように再生するか、いつ人間へ引き継ぐかを、チームが答えなければならないからだ。

ただし、現時点では成熟したワークフロープラットフォームとみなすべきではない。公式の位置付け、SDKの詳細、価格、クォータ、利用可能地域は、最新の文書と実測結果に基づいて確認する必要がある。公開されている紹介資料には、本番向けの永続状態、決定論的な再生、詳細なツール権限のppeents着那任 CumulativeなサポートNova economics涉及的体制を確認当时的.

真の分水嶺は、APIがリリースされたかどうかではない。実際の業務サンプルを使い、既存のPromptフローより信頼性が高く、コストを抑えられることをチームが証明できるかどうかにある。

出典

https://blog.google/innovation-and-ai/technology/developers-tools/gemini-decisions-api/

出典: https://blog.google/innovation-and-ai/technology/developers-tools/gemini-decisions-api/