11月20日、Bala Priyaが「What I Learned From Kaggle + Google's Free Agentic AI Course」と題した記事を公開した。KaggleとGoogleが提供する無料のエージェントAI集中コース(5日間)の内容と、著者自身が得た学びのポイントをまとめたものだ。
無料で学べる「AIエージェント構築」の全体像
対象コースは**5-Day AI Agents Intensive Course**。元々は2025年11月10〜14日にライブ開催されたもので、現在はKaggle上でセルフペース形式の無料コースとして公開されている(本稿執筆時点では開催から約1年が経過しており、録画・資料はすべてアーカイブとして閲覧可能だ)。ホワイトペーパー、ハンズオンのコードラボ、ポッドキャスト、録画済みのライブストリームが揃っており、AIエージェントの仕組みと構築方法を体系的に学べる構成になっている。
前提知識はPythonと大規模言語モデル(LLM)APIの基本的な使い方のみ。エージェントの事前知識は不要とされている。
コースで使用するフレームワークはGoogleのオープンソースライブラリ**Agent Development Kit(ADK)**。各日にホワイトペーパーと2本のハンズオンNotebookが対応する構成になっている。
コースの核心:「エージェントらしさ」はループにある
単発のプロンプト呼び出しとエージェントの根本的な違いは、ループの存在だ。エージェントはモデルがアクションを選択し、ツールを呼び出し、返ってきた結果を読み、次のアクションを決める、という繰り返しの中で動く。このループがあるからこそ、一問一答では生じなかった問いが浮かび上がる。「直前のターンをどう記憶するか」「正しいツールを選んだかどうかをどう判断するか」「Notebook外で動かすとき何が変わるか」——コースはこれらを順番に解説する。
Day 1:エージェントの構造とマルチエージェント構成
ADKでのエージェントは、名前・モデル・他エージェントが読む説明文・動作を規定する指示・ツールのリスト、という小さな束として定義される。複数のエージェントを繋ぐアーキテクチャとして、コースは以下を紹介している:
- 親エージェントによるサブエージェントの選択
- 順次パイプライン(各エージェントが出力を次へ渡す)
- 並列ブランチ(同時実行)
- 条件ループ(条件を満たすまで繰り返す)
これらのアーキテクチャの中で、Bala Priyaは「まず順次パイプラインを選ぶべき」と自身の見解を述べている。コース本体の公式な推奨ではなく、著者の実践から来る知見だが、実行順が固定されているため失敗時にどのステージで問題が起きたかを特定しやすいという点で、納得感のある指摘だ。
📓 Notebook: From Prompt to Action / Agent Architectures
Day 2:ツールとMCP——エージェントを外の世界に繋ぐ
ツールはエージェントがテキスト生成以外のことをするための仕組みで、4種類が紹介される:
- ビルトインツール(Google Search等、モデルに付属)
- 関数ツール(自分のPython関数をラップしたもの)
- エージェントツール(別エージェントへのサブタスク委譲)
- MCPツール(Model Context Protocol経由で外部サービスに接続)
ここで重要なのが「モデルは関数シグネチャ(型ヒント等)とdocstringを手がかりにツールを呼び出す」という点だ。型ヒント・docstring・構造化された戻り値を丁寧に書くことが、誤った呼び出しを減らす直接の手段になる。「ツールを間違えたときはプロンプトより先にツールの説明文を見ろ」というBala Priyaの指摘は、コース内容を踏まえた著者自身の実践的なアドバイスとして紹介されている。
📓 Notebook: Tool Calling / MCP
Day 3:セッションと長期記憶
モデルは呼び出しをまたいで何も保持しない。ADKのメモリは2層に分かれる:
- 短期記憶=セッション:会話履歴をセッションサービスが管理。トークンコストに直結する
- 長期記憶:セッション外に保存され、メモリサービス経由で検索。次の会話にも情報を引き継げる
長期記憶の検索には2モードある。リアクティブ検索はエージェントが必要と判断したときだけ検索し、プロアクティブ検索は毎ターン前に自動検索してエージェントに結果を渡す。コスト対効果のトレードオフで使い分ける設計だ。
📓 Notebook: Agent Sessions / Agent Memory
Day 4:評価——「正解」だけでなく「プロセス」も採点する
エージェントは非決定論的だ。同じ入力でも毎回異なるパスを取りうる。だからスポットチェックでは品質を担保できない。コースは品質評価を設計の一部として扱い、2つの実践を示す:
- オブザーバビリティ:ログ・トレース・メトリクスで何が起きたかを記録する
- 評価:最終的な回答だけでなく、どのツールをどの順で呼んだかというプロセスも採点する
「正解を返しても、パスが悪ければ意味がない」という指摘がコースの核心をついている。同じ答えを返しても、ツールを3回呼ぶエージェントはコストが3倍かかる。
📓 Notebook: Agent Observability / Agent Evaluation
Day 5:Notebookの外へ——デプロイとエージェント間通信
最終日はデモが動いた後の話だ。異なるチームが異なるフレームワーク・言語で作ったエージェント同士が通信するための仕様として**Agent2Agent(A2A)プロトコル**が紹介される。エージェントをサービスとして公開し、「エージェントカード」で能力を宣言する仕組みだ。
デプロイ先としてはVertex AI Agent Engineが取り上げられ、CI/CDやAgentOpsの実践も紹介される。なお、ADKはPythonだけでなくGoとJavaにも対応している点も言及されている。
まとめ
このコースはエージェントの構築・ツール付与・メモリ管理・評価・デプロイという一連の流れをハンズオンで学べる構成になっている。ホワイトペーパーとNotebookが並走する形式のため、理論と実装を同時に追える。開催から時間が経った今もアーカイブとして無料・セルフペースで受講できるため、LLMアプリの一歩先に進みたいエンジニアにとって取り組みやすい入口となる。
詳細はWhat I Learned From Kaggle + Google's Free Agentic AI Courseを参照していただきたい。




