メインコンテンツへスキップ
見出し画像

ServiceNow × Google ADK A2A連携:物流リスク評価エージェントを作った話

    前回の記事↓ にてGoogle ADKで作成した2つのAI Agentを作りました。
    ※無償版ngrokの制限により本記事内では統合版に変更

    今回はA2A(Agent-to-Agent)を使い、ServiceNowのAI AgentからGoogle ADK  AI Agentと繋いでみます。

    作成途中で、「ngrok無償版は1エンドポイントしか作れない!」などの都合で、大幅な変更を余儀なくされたりの悪戦苦闘しました💦

    最終的には、なんとか動くところまで持っていけるようになりましたので、最後までお読みいただければ幸いです。

    1.30秒でわかるA2A(Agent-to-Agent)

    A2A(Agent-to-Agent)は、AIエージェント同士が「HTTP+JSON」で会話するための標準プロトコルです。仕組みは3つだけ:

    1. Agent Card — 「私はこんなことができます」という自己紹介書をJSON形式で公開

    2. Task送信 — 呼び出し元Agentが「この仕事をやってください」とHTTPでリクエスト

    3. Result受信 — 呼ばれたAgentが結果を返す

    画像
    A2Aの3つの仕組み

    MCPが「AIとツールを繋ぐ」プロトコルなのに対して、A2Aは「AIとAIを繋ぐ」プロトコルです。

    2.今回作成するAI Agentのユースケース

    朝、物流担当者がServiceNow画面を開くと、当日の配送ルート一覧に天気・交通リスクが自動表示されているというAI Agentを作成してみます。

    全体の構成は以下図の通りです。

    画像
    A2Aを使った連携ユースケースの全体図

    今回の連携構成では、ServiceNowは社内業務の司令塔、Google ADKエージェントは外の世界のデータ専門家——図のように役割分担できるのがA2Aの面白さです。

    3.配送ケース管理アプリの作成


    ここでは、App Engineを使って配送ケース管理を行うアプリをサクッと簡単に作ります。今回のブログはこのアプリ作成はメインではないので、要点だけ書き残します。

    【環境や利用ツール】
    ・インスタンスバージョン:Zurich
    ・開発ツール: ServiceNow Studio、Action Designer、Flow Designer

    ①アプリケーション名&スコープの定義
    ・Logisctics Risk Manager
    ※スコープ名が既存のものと干渉してうまく作れない場合には、任意の名前で大丈夫です。

    画像
    アプリケーションスコープの作成

    ②データモデル(テーブル&フィールド)の定義
    2つのテーブルをゼロ・スクラッチで作成します。
    ※テーブル拡張はさせません。

    1) Logistics Route(配送ルートマスタ)
    以下図のようなフィールドで構成で作成します。

    画像
    Logistcs Routeテーブルのフィールド定義

    以下のようなテーブルを定義します。

    画像
    Logistics Routeテーブルのフィールド定義

    テーブル作成&フィールドの定義完了後に、以下CSVファイルをExcelファイルに変換してインポートします。

    name,origin,destination,driver,departure_time
    東京→横浜ルート,新宿,横浜,田中 太郎,08:00
    東京→千葉ルート,秋葉原,千葉,鈴木 次郎,08:30
    東京→埼玉ルート,池袋,大宮,佐藤 三郎,09:00
    

    データインポート機能を使ってサクッとマスター・データを作ります。

    画像
    データインポート

    フィールドマップの定義。フィールド名が同じなので自動でマッピングしてくれます。

    画像
    フィールドマッピング

    インポートを実行すると、3レコードデータの取り込みが完了します。

    画像
    インポート後のマスターデータ・レコード


    2) Delivery Case(配送ケース/日次リスク判定 Txnテーブル)
    以下図のようなフィールドで構成で作成します。

    画像
    Delvery Caseテーブル&フィールド定義

    テーブルを以下のように定義します。

    画像
    Delvery Caseテーブルのフィールド定義

    テーブル作成&フィールドの定義完了後に、以下CSVファイルをインポートします。

    route,case_date,weather_status,temperature,traffic_condition,risk_level,risk_summary,state
    東京→横浜ルート,2026-04-14,,,,,,open
    東京→千葉ルート,2026-04-14,,,,,,open
    東京→埼玉ルート,2026-04-14,,,,,,open

    ③Workspaceアプリケーション画面の作成
    ここから、GUIを作成します。これも簡単に済ませます。
    ・名前:Logistcs Risk Manager

    画像
    Workspaceの作成

    ④リストやフォームの成形
    以下図のような構成を任意で良いので作成します。

    画像
    リスト


    画像
    フォーム

    ⑤Workspace向け専用ダッシュボードの作成
    朝一で確認するダッシュボードを作成します。既存のウィジェットは削除します。

    以下2つのウィジェットを構成するようにします。

    1)リスク分布:ドーナツ円カウントグラフ
    ・テーブル:Delivery Case
    ・Group by:risk_level
    ・タイトル:リスク分布

    2)リスト
    ・テーブル:Delivery Case
    ・タイトル:本日の配送リスク一覧
    ・列 :case_date / route / weather_status / traffic_condition / risk_level /
    ・stateFilter:case_date =今日
    ・ソート:Sortrisk_level 

    画像
    ダッシュボードの作成

    一覧のwethaer_statusとtraffic_conditionがNULLですね。この値を外部のAI Agentから取得して埋めるというのが今回のゴールです。

    4.2つのAI Agentを1つにマージ


    これは、、本構成を組んでいた時に気づいたのですが、

    ・無償版ngrokでは、公開用エンドポイントを2つ作成できない

    という仕様でした。

    この仕様により、先に作成したAI Agentをそれぞれ個別エンドポイントで公開できないということが分かりました(💦)

    そこで、今回はやむなく、2つのAI Agentを1つにマージして公開するように構成を作り直します。

    C:\work\adk-a2a-demo\my_agent\agent.pyを以下コードに書き換えます。
    ※お天気調査AI Agentファイルです。オリジナルは別途退避しておきます。

    import os
    import requests
    from datetime import datetime, timedelta
    from dotenv import load_dotenv
    from google.adk.agents import Agent
    
    load_dotenv(r"C:\work\adk-a2a-demo\.env")
    
    
    def get_weather(city: str) -> dict:
        """指定した都市のリアルタイム天気情報を返す"""
        city_coords = {
            "東京": {"lat": 35.6762, "lon": 139.6503},
            "大阪": {"lat": 34.6937, "lon": 135.5023},
            "札幌": {"lat": 43.0618, "lon": 141.3545},
            "名古屋": {"lat": 35.1815, "lon": 136.9066},
            "福岡": {"lat": 33.5904, "lon": 130.4017},
            "新宿": {"lat": 35.6938, "lon": 139.7034},
            "秋葉原": {"lat": 35.7022, "lon": 139.7741},
            "池袋": {"lat": 35.7295, "lon": 139.7109},
            "横浜": {"lat": 35.4437, "lon": 139.6380},
            "千葉": {"lat": 35.6073, "lon": 140.1063},
            "大宮": {"lat": 35.9065, "lon": 139.6239},
            "埼玉": {"lat": 35.8617, "lon": 139.6455},
        }
    
        coords = city_coords.get(city)
    
        if coords is None:
            for key, val in city_coords.items():
                if key in city or city in key:
                    coords = val
                    break
    
        if coords is None:
            try:
                res = requests.get(
                    "https://msearch.gsi.go.jp/address-search/AddressSearch",
                    params={"q": city}
                )
                results = res.json()
                if results:
                    coords = {
                        "lon": results[0]["geometry"]["coordinates"][0],
                        "lat": results[0]["geometry"]["coordinates"][1],
                    }
            except Exception:
                pass
    
        if coords is None:
            return {"error": f"{city}の座標データがありません"}
    
        lat = coords["lat"]
        lon = coords["lon"]
    
        url = (
            f"https://api.open-meteo.com/v1/forecast"
            f"?latitude={lat}&longitude={lon}"
            f"&current=temperature_2m,relative_humidity_2m,weather_code"
            f"&timezone=Asia/Tokyo"
        )
    
        response = requests.get(url)
        data = response.json()
        current = data["current"]
    
        weather_codes = {
            0: "快晴", 1: "晴れ", 2: "一部曇り", 3: "曇り",
            45: "霧", 48: "霧氷",
            51: "霧雨", 53: "霧雨", 55: "霧雨",
            61: "小雨", 63: "雨", 65: "大雨",
            71: "小雪", 73: "雪", 75: "大雪",
            80: "にわか雨", 81: "にわか雨", 82: "激しいにわか雨",
            95: "雷雨", 99: "雷雨(ひょう)",
        }
    
        code = current["weather_code"]
        status = weather_codes.get(code, f"天気コード{code}")
    
        return {
            "city": city,
            "status": status,
            "temp": current["temperature_2m"],
            "humidity": current["relative_humidity_2m"],
        }
    
    
    def get_traffic(place_name: str) -> dict:
        """指定した地名の道路交通量を返す"""
    
        def geocode(name: str) -> dict:
            url = "https://msearch.gsi.go.jp/address-search/AddressSearch"
            res = requests.get(url, params={"q": name})
            results = res.json()
            if not results:
                return {"error": f"{name}の座標が見つかりません"}
            lon = results[0]["geometry"]["coordinates"][0]
            lat = results[0]["geometry"]["coordinates"][1]
            return {"name": results[0]["properties"]["title"], "lat": lat, "lon": lon}
    
        geo = geocode(place_name)
        if "error" in geo:
            return geo
    
        lat = geo["lat"]
        lon = geo["lon"]
        offset = 0.1
    
        now = datetime.now() - timedelta(minutes=30)
        minutes = (now.minute // 5) * 5
        time_code = now.strftime("%Y%m%d") + f"{now.hour:02d}{minutes:02d}"
    
        url = "https://api.jartic-open-traffic.org/geoserver"
        params = {
            "service": "WFS",
            "version": "2.0.0",
            "request": "GetFeature",
            "typeNames": "t_travospublic_measure_5m",
            "srsName": "EPSG:4326",
            "outputFormat": "application/json",
            "exceptions": "application/json",
            "cql_filter": (
                f"道路種別=3 AND 時間コード={time_code} AND "
                f"BBOX(ジオメトリ,{lon - offset},{lat - offset},"
                f"{lon + offset},{lat + offset},'EPSG:4326')"
            )
        }
    
        response = requests.get(url, params=params)
        data = response.json()
        features = data.get("features", [])
    
        if not features:
            return {
                "place": geo["name"],
                "time_code": time_code,
                "message": "観測データなし",
                "congestion": "不明",
            }
    
        total_up = 0
        total_down = 0
        point_count = len(features)
    
        for f in features:
            props = f.get("properties", {})
            up = (props.get("上り・小型交通量") or 0) + (props.get("上り・大型交通量") or 0)
            down = (props.get("下り・小型交通量") or 0) + (props.get("下り・大型交通量") or 0)
            total_up += up
            total_down += down
    
        avg = (total_up + total_down) // point_count if point_count > 0 else 0
    
        if avg > 200:
            congestion = "混雑"
        elif avg > 100:
            congestion = "やや混雑"
        else:
            congestion = "スムーズ"
    
        return {
            "place": geo["name"],
            "time_code": time_code,
            "観測地点数": point_count,
            "上り平均交通量": total_up // point_count,
            "下り平均交通量": total_down // point_count,
            "congestion": congestion,
            "center_map_url": f"https://maps.google.com/maps?q={lat},{lon}&z=13",
        }
    
    
    root_agent = Agent(
        name="logistics_agent",
        model="gemini-2.5-flash",
        description="天気と交通情報を提供する物流支援エージェント",
        instruction=(
            "あなたは物流支援AIアシスタントです。"
            "天気情報はget_weatherツール、交通情報はget_trafficツールを使って取得してください。"
            "回答は必ず以下のフォーマットのみで返してください。マークダウン・箇条書き・余分な説明は一切不要です:\n"
            "天気:[weather]\n"
            "気温:[temp]\n"
            "湿度:[humidity]\n"
            "混雑:[congestion]\n\n"
            "例:\n"
            "天気:快晴\n"
            "気温:13.5\n"
            "湿度:94\n"
            "混雑:やや混雑"
        ),
        tools=[get_weather, get_traffic],
    )

    1つのpyファイルにマージしたので、ステップ数が多くなりましたが、これで、AI Agentが公開できるようになります。

    ファイルの保存後に、起動確認してみます。

    cd C:\work\adk-a2a-demo
    adk api_server --port 8000

    以下をブラウザのURLアドレスバーに入力して、応答があるかを確認します。

    http://localhost:8000/apps/my_agent/app-info

    以下のような画面が応答されていれば、成功です。

    画像
    応答の確認

    一旦、Ctrl + Cで停止します。次のngrokの公開作業に移ります。

    5.ngrokを使ったAI Agentの公開

    トンネリングツールのngrokを使い安全にインターネット上にAI Agentを公開します。

    ngrokのインストールやAuthkeyの取得手順については、以前ngrokを使ってFast MCPサーバーを公開したブログを掲載してます。
    ↓こちらを参考にしてください。

    インストール&Authtokenの追加を実施完了後に、作製されたymlファイルパスを以下コマンドで把握します。

    type %USERPROFILE%\AppData\Local\ngrok\ngrok.yml

    このngrok.ymlファイルをメモ帳で開き、最終行に以下を追記します。
    ※authtokenの行は触らないで、そのまま残しておきます。

    version: "2"
    tunnels:
      logistics:
        proto: http
        addr: 8000

    では、1つにマージしたAI Agentを起動します。

    cd C:\work\adk-a2a-demo
    adk api_server --port 8000

    続いて、別ウィンドウ上でngrokを起動します。

    ngrok start --all

    以下標準出力された中の
    ・ForwardingのURLアドレスをコピー

    画像
    ForwardingのURLコピー

    ブラウザのURLアドレスバーにペーストして応答を確認。以下のメッセージが応答されれば、公開成功です!

    ["my_agent"]

    6.ServiceNow側のツール作成

    まず、以下2つの機能を搭載したフローを作成します。

    ・公開できたAI AgentへHTTPでリクエストを送り、応答を受領
    ・応答値を配送ケースレコードデータへ更新

    今回この機能は、ServiceNow側のAI Agentより呼び出すツールとして”サブフロー”に搭載させます。

    そして、そのサブフローの中に、Google側のAI Agentを呼び出して、応答受領できるようにするためのカスタムアクション機能を作成します。

    ①カスタムアクション機能の作成
    今回、技術検証したところ、作成すべきステップは以下の処理シーケンスでした。

    画像
    カスタムアクションの処理シーケンス

    1)ダミーのPOSTリクエストを送信して、AI Agentと対話するためのセッションIDを受領。
    2)ScriptステップでセッションIDを抽出次のリクエストにはこのセッションIDを相関して発行。
    3)Google AI Agentに向けて、情報検索をリクエスト。天気と交通状況のデータを受領
    4)Scriptステップでデータ抽出し、後続の出力値へ引き継ぎ

    各ステップの開発した画面ショットおよびコードは以下です。
    ・アクション入力変数:origin
    →ユーザー入力値として受ける地名文字列変数

    1)セッション取得用RESTステップ
    ・ベースURL:ngrokで公開したURL
    ・リソースパス:/apps/my_agent/users/servicenow/sessions
    ・メソッド:POST
    ・ヘッダー:
        ngrok-skip-browser-warning=true, Content-Type=application/json
    ・データ:{}

    画像
    セッション取得ステップ

    2)セッション取得用スクリプトステップ
    ・入力変数定義:以下画面

    画像
    入力変数

    ・スクリプトコード

    (function execute(inputs, outputs) {
        var raw = inputs.SessionResponse;
        var response = JSON.parse(raw);
        outputs.mySession = response['id'];
    })(inputs, outputs);

    3)Google AI AgentへのリクエストRESTステップ

    1)セッション取得用RESTステップ
    ・ベースURL:ngrokで公開したURL
    ・リソースパス:/run
    ・メソッド:POST

    画像
    Google AI AgentへのリクエストRESTステップ

    ・ヘッダー:
        ngrok-skip-browser-warning=true, Content-Type=application/json

    ・要求本文:

    {
      "app_name": "my_agent",
      "user_id": "servicenow",
      "session_id": "[mySession]",
      "new_message": {
        "role": "user",
        "parts": [
          {
            "text": "[origin]の天気と交通情報を教えてください"
          }
        ]
      }
    }

     ・mySession:
      前ステップで受領したセッションID値をデータピルより指定
     ・origin:
      ユーザーからの入力された地名変数をデータピルより指定

    4)値取得用Scriptステップ
    ・入力変数:ADK Response
    →前ステップで受領した応答本文をドラッグ&ドロップで指定

    画像
    入力変数

    ・コードステップ

    (function execute(inputs, outputs) {
        var text = inputs.AdkResponse;
        var parsed = JSON.parse(text);
    
        // 最終テキストを取得
        var summary = "";
        for (var i = parsed.length - 1; i >= 0; i--) {
            var parts = parsed[i].content && parsed[i].content.parts;
            if (parts && parts[0] && parts[0].text) {
                summary = parts[0].text;
                break;
            }
        }
    
        // 固定フォーマットから抽出
        var weatherMatch = summary.match(/天気:(.+)/);
        var tempMatch = summary.match(/気温:([\d.]+)/);
        var humidityMatch = summary.match(/湿度:([\d.]+)/);
        var trafficMatch = summary.match(/混雑:(.+)/);
    
        var weather = weatherMatch ? weatherMatch[1].trim() : "";
        var temp = tempMatch ? tempMatch[1].trim() : "";
        var humidity = humidityMatch ? humidityMatch[1].trim() : "";
        var traffic = trafficMatch ? trafficMatch[1].trim() : "";
    
        // リスクレベル判定
        var risk = "low";
        if (traffic == "混雑") risk = "high";
        else if (traffic == "やや混雑") risk = "medium";
    
        outputs.risk_summary = summary;
        outputs.temperature = temp;
        outputs.weather_status = weather;
        outputs.traffic_condition = traffic;
        outputs.risk_level = risk;
    
    })(inputs, outputs);

    ・出力値定義

    画像
    スクリプト出力値定義

    ・アクション全体の出力値定義
    この設定で、SN platform側の処理へ出力値を引き継がせます。前スクリプトのステップで取得した出力値をここへバインドします。

    画像
    アクション出力値定義

    カスタムアクションの作成完了後に、[公開]します。

    最後に、このアクションを呼び出すサブフローを作成しておきます。

    画像
    サブフローのシーケンス

    1)サブフロー入力値
    ケースIDと地名を入力値として定義

    画像
    入力値

    2)レコード検索ステップ

    画像
    レコード検索ステップ

    3)AI Agent呼び出しカスタムアクション
    作成したカスタムアクションをこのステップで呼び出します。

    画像
    AI Agent呼び出し

    4)レコードの更新
    カスタムアクションで受領した値でレコードのフィールドを更新します。

    画像
    レコードの更新ステップ

    設定後に、[公開]します。

    7.ServiceNow側AI Agentの設定

    最後の仕上げです。ServiceNowのAI Agentを設定します。

    ・AI Agent名:Logistics Risk Agent
    ・AI Agent説明:配送ケースのリスク評価を行うエージェント

    画像
    AI Agentの概要設定

    ・ロール:

    あなたは物流リスク評価AIエージェントです。
    ユーザーからケース番号(例:DELCASE0001)と出発地を受け取り、
    Update Logistics Recordツールを呼び出して
    リスク評価結果をDelivery Caseレコードに記録します。

    ・ステップ:

    1. ユーザーからケース番号と出発地を受け取る
    2. Update Logistics Recordツールを呼び出す
       - 入力: case_number, origin
    3. ツールの実行結果(天気・気温・交通状況・リスクレベル)をユーザーに日本語で報告する
    画像
    ロールとステップ設定

    ・ツールの設定

    画像
    ツールの設定

    ・トリガー指定

    画像
    トリガー定義

    トリガーのテーブル先指定

    画像
    トリガーのテーブル先指定

    ロール設定を完了させ、これでAI Agentの設定は完了です。

    8.動作確認


    では、アプリで配送ケースを作成した後に、ServiceNowのAI Agentを起動させてみます。

    ①GoogleAI Agentの起動

    adk api_server --port 8000 --host 0.0.0.0

    ②ngrokの起動とAI Agentの公開

    ngrok start --all

    ③ServiceNow側で配送ケースを起票

    画像
    配送ケースの起票

    ④ServiceNow 側 AI Agentへリスク分析をリクエスト
    処理シーケンスが分かりやすいので、今回はテスト実行機能でリクエストを投げてみます。

    画像
    リスク分析を要求

    AI Agentが起動し、リスク評価開始プロセスの実行伺いをしてきましたので、[はい]と入力します。

    画像
    リスク分析実行の評価伺い

    Google側のAI Agentの実行に少々時間がかかります。
    Google AI Agentからの情報データを元にリスク評価処理が完了しました。

    画像
    実行完了

    では、配送ケースを見てみます。

    ・リスクレベル:mdedium
    ・交通状況:やや混雑
    ・天気:晴れ

    画像
    配送ケースの更新状況

    Google AI Agentから得た天気と交通状況のデータからリスク評価を行ってます!

    最後に、配送担当者が確認する配送ケースのダッシュボードを見てみます。
    おおっ! リスク分析評価により、情報が更新されています!

    配送担当者の方もこの画面から配送業務を行う上で経路変更などを考える上で1つの指標として使えるのではないでしょうか?

    画像
    配送ケース・ダッシュボード


    如何でしたでしょうか? 今回は 最新の A2A 技術を使い、AI Agent同士で対話させ、外側に存在するデータを取得してこちらの業務で活用させる仕組みを実装してみました。

    今後はこうしたAI Agent同士のコネクトから、様々な業務の自動化を実現するケースは増えてくるのではと思います。

    ご参考にして頂ければ幸いです。

    また、次回ブログにご期待ください! では。


     
     
    東京都在住/自動化(テスト・RPAなど)大好き/LLMへAPI接続して遊ぶことが趣味/外資系SaaSの導入向け技術職/中学受験向け我が家塾の経験/Gemini Enterprise / Google ADK / マルチエージェント(A2A・MCP)× エンタープライズ業務実装

    あなたへのおすすめ