← バックナンバーEVALS Google Developers 2026.07.31
Gemini Enterprise Agent Platform、エージェント評価機能をGA化 Google Developersは、Gemini Enterprise Agent PlatformのAgent and Model Evaluationsが一般提供になったと発表しました。20以上の事前構築済み指標、DeepMind backed adaptive rubrics、コードベース評価、LLM-as-a-judge、ユーザー・環境シミュレーター、中央管理されたバージョン付きレジストリを提供します。
本番エージェントでは、公開前の単発テストだけでなく、開発、CI、実トラフィックを同じ評価基盤で測り、品質基準を更新管理する運用が必要になります。
01 Agent Platformの評価機能が一般提供になった Google Developersは2026年7月31日、Gemini Enterprise Agent PlatformのAgent and Model Evaluationsが一般提供になったと発表しました。開発者がローカル実験から本番トラフィックまで、同じ基準でエージェント品質を測れる評価エンジンとして説明しています。発表では、Agent Platform SDK、agents-cli、ADKとの統合が示され、評価を個別の後工程ではなく、開発ワークフローとCIに組み込む前提が強調されています。
02 20超の指標と独自評価を同じ基盤で扱う 提供内容には、20以上のpre-built metrics、DeepMind-backed adaptive rubrics、custom code-based metrics、LLM-as-a-judge metricsが含まれます。評価基準は中央管理されたversioned registryに保存できるため、どのバージョンの基準で品質を測ったかを追跡しやすくなります。発表は、単一ターンの回答品質だけでなく、複数ターンのタスク、ツール利用、環境との相互作用を含む評価を想定しています。ユーザーと環境のシミュレーターも用意され、複雑な対話テストを自動化できます。
03 本番エージェントでは評価の継続運用が要件になる 企業がエージェントを導入する際は、初回リリース前のベンチマークだけでは品質を保証できません。ツール、プロンプト、モデル、権限、接続先データが変わるたびに挙動が変わるため、評価基準の版管理と継続実行が必要になります。GoogleのGA化は、エージェントを作る機能と、エージェントを測る機能を同じプラットフォームに置く流れを示しています。実装チームは、成功条件、失敗時の分類、人の確認が必要な場面をあらかじめ評価指標へ落とし込む必要があります。
04 品質基準を誰が承認するかが論点になる 評価基盤が整っても、どの指標を合格基準にするかは組織側の判断です。顧客対応、社内検索、コード変更、調達支援では、許容できる誤りやエスカレーション条件が異なります。LLM-as-a-judgeを使う場合も、判定モデル、ルーブリック、テストデータの偏りを確認する必要があります。Agent Platformの評価GAは、エージェント開発を速くする一方で、品質基準の所有者、レビュー頻度、監査ログの扱いを明確にする運用設計を求めます。導入初期は、失敗例の収集方法と再評価の頻度を決めることが、モデル選定と同じくらい重要になります。
公式発表を読む