本記事は
【Advent Calendar 2025】
8日目の記事です。
🌟🎄
7日目
▶▶ 本記事 ▶▶
9日目
🎅🎁
こんにちは。横田です。 今回はVertex AIのFunction Calling（関数呼び出し）機能を使って、計算機能を持った簡易的なAIチャットボットを作成する方法をご紹介します。 想定する読者層は以下の通りです。
- Vertex AIを使い始めたばかりの方
- Function Calling（関数呼び出し）を実際に試してみたい方
1. はじめに
使用するサービスはVertex AIです。 開発環境にはVertex AI Workbenchを使用します。 Vertex AI Workbenchは、Jupyterノートブックベースのフルマネージドな開発環境です。 Vertex AI Workbenchを利用することで、認証周りの設定や環境構築の手間を省き、即座に開発に取り掛かることが可能です。
Function Calling（関数呼び出し）とは、LLMに外部ツール(自作関数やAPI)の定義をあらかじめ教えておき、ユーザーの質問に対して「ツールを使う必要があるか」をモデル自身に判断させる機能です。 Function Callingを使うことで、外部APIで最新情報を取得したり、正確な計算を行ったりすることが可能になります。 これにより、ハルシネーション（もっともらしい嘘）の抑制や、回答精度の向上が期待できます。
2. 実装
それでは、実装していきます。 参考にしたドキュメントは下記になります。
Vertex AI Workbench の概要 | Google Cloud Documentation
関数呼び出しの概要 | Generative AI on Vertex AI | Google Cloud Documentation
関数呼び出しのリファレンス | Generative AI on Vertex AI | Google Cloud Documentation
2.1 開発のための初期設定
まずは、必要なライブラリのインストールと環境設定を行います。 Vertex AI SDKのバージョンは1.128.0を使用しています。
#ライブラリのインストール ! pip3 install --upgrade --quiet --user google-cloud-aiplatform==1.128.0 #カーネル再起動 import IPython app = IPython.Application.instance() app.kernel.do_shutdown(True)
次に、Project IDやRegionなどの環境変数を設定し、Vertex AI SDKを初期化します。
#初期設定 import vertexai PROJECT_ID = ! gcloud config get-value project PROJECT_ID = PROJECT_ID[0] LOCATION = "us-central1" # @param {type:"string"} print(PROJECT_ID) vertexai.init(project=PROJECT_ID, location=LOCATION) # Geminiモデルを使うための準備 import requests from vertexai.generative_models import ( Content, FunctionDeclaration, GenerationConfig, GenerativeModel, Part, Tool, )
2.2 関数の作成とツールの定義
呼び出しを行うための関数を作成します。 シンプルに「加算（足し算）」と「乗算（掛け算）」を行う2つのPython関数を用意しました。
#関数作成 #2つの数値入力を加算し、結果を返す関数 def add_fun(x,y): print("Calling add function") return int(x)+int(y) #2つの数値入力を乗算し、結果を返す関数 def multiply_func(x,y): print("Calling multiply function") return int(x)*int(y) #関数宣言を作成 add_function = FunctionDeclaration( name="add", description="質問から計算方法を判別し、加算を算出します。", parameters={ "type": "object", "properties": { "x": {"type": "string", "description": "x."}, "y": {"type": "string", "description": "y."}, }, }, ) multiply_function = FunctionDeclaration( name="multiply", description="質問から計算方法を判別し、乗算を算出します。", parameters={ "type": "object", "properties": { "x": {"type": "string", "description": "x."}, "y": {"type": "string", "description": "y."}, }, }, )
関数機能を使用するためのToolsを定義し、AIモデルを初期化します。 使用するAIモデルは「gemini-2.5-flash」です。 ここで注目して欲しいのが「system_instruction」パラメータです。 これはAIに対する「役割の設定」を自然言語で行っています。 今回はFunction Callingの挙動を明確にするため、提供された関数で計算できない質問には「答えない」というルールを設定しています。
tool = Tool(
function_declarations=[
add_function,
multiply_function,
],
)
# モデルの定義
model = GenerativeModel(
model_name="gemini-2.5-flash",
generation_config=GenerationConfig(temperature=0),
system_instruction=[
"""
あなたはユーザーの指示に従います。
用意された関数を求められたら、用意された関数を呼び出します。
必要であれば、もう一度用意された関数を呼び出します。
用意された関数に関係ないことを聞かれた場合は、「その質問には答えられません。違うエージェントに聞いてみてください。」と答えてください。
""",
],
tools=[tool],
)
ユーザーの入力に対し、モデルが「関数の呼び出し」を要求した場合、自動でその関数を実行して結果を返すロジックを実装します。
def handle_response(response): if response.candidates[0].function_calls: function_call = response.candidates[0].function_calls[0] else: print(response.text) return # add関数を要求した場合 if function_call.name == "add": # 関数で使用する引数を抽出 x_args = function_call.args.get('x') y_args = function_call.args.get('y') # 関数を呼び出す z_add = add_fun(x_args,y_args) # 結果をモデル経由でチャットセッションに送信 response = chat.send_message( Part.from_function_response( name=function_call.name, response={ "content": z_add, }, ), ) # 再帰処理 return handle_response(response) # multiply関数を要求した場合 elif function_call.name == "multiply": # 関数内で使用する引数を抽出 x_args = function_call.args.get('x') y_args = function_call.args.get('y') # 関数を呼び出す z_add = multiply_func(x_args,y_args) # 結果をモデルと共にチャット セッションに送信 response = chat.send_message( Part.from_function_response( name=function_call.name, response={ "content": z_add, }, ), ) # 再帰処理 return handle_response(response) else: # 例外処理 print(function_call)
2.3 チャットの開始
モデルを使用して、対話を行うためのチャットセッションを開始します。
chat = model.start_chat()
2.4 チャットしてみる
準備が整いました。実際にチャットを開始して挙動を確認しましょう。 まずは加算処理を行うようにチャットします。 出力の1行目は呼び出した関数、2行目にチャットの回答を表示しています。
response = chat.send_message("大谷選手は54本の本塁打を打ちました。昨年は44本打ちました。大谷選手は合計で何本の本塁打を打ちましたか。")
handle_response(response)
次に、乗算処理を行うようにメッセージを入力します。
# 関数呼び出しの確認(multiply_func関数) response = chat.send_message("54本塁打を5年続けると何本塁打になりますか。") handle_response(response)
関数の再帰処理を行うようにチャットします。
# 関数の再帰呼び出しの確認 response = chat.send_message("大谷選手は54本塁打を打ちました。鈴木選手は21本塁打を打ちました。1本塁打につき4塁打になります。合わせて何塁打になりますか。") handle_response(response)
最後に、関数呼び出しを行わない「計算以外の質問」をしてみます。
# 関数で定義していない質問に対しての回答 response = chat.send_message("東京の天気は？") handle_response(response)
設定通り、定義されていない質問には回答しない（ハルシネーションを起こさない）ことが確認できました。
3. まとめ
本ブログでは、Vertex AI Workbenchを使用してFunction Calling（関数呼び出し）機能をもつAIチャットボットモデルを作成しました。ポイントをまとめると以下になります。
- 関数呼び出し機能を使うことでAIモデルの出力精度を高めることが可能
- System Instructionを使うことで、回答のルールを制御できる
最後までお読みいただきありがとうございました。
