Jonathan Simon - Elasticsearch Labs

Elastic Agent BuilderとStrands Agents SDKの使用を開始

Jonathan Simon — Mon, 15 Dec 2025 00:00:00 GMT

AIエージェントのアイデアをお持ちですか？おそらく、データを使って何かを行うことが関係しているでしょう。エージェントが有用なアクションを開始するには、決定を下す必要があり、正しい決定を下すには正しいデータが必要だからです。

Elastic Agent Builderは、データ接続型AIエージェントを簡単に構築できるようにします。このブログ記事でその方法を説明します。まず、Elasticに格納されているデータにアクセスするMCPツールを使ってエージェントを作成するのに必要なすべてのステップを見ていきましょう。次に、Strands Agents SDKとそのAgent2Agent（A2A）機能を使用してエージェントを操作します。Strands Agents SDKは、望む結果を得るために十分なコードでエージェント向けアプリを構築するマルチエージェントAI開発プラットフォームです。

AIエージェントを構築しましょう。このエージェントは、RPS+というゲームをプレイします。これは古典的な「じゃんけん」に追加のひねりを加えたもので、プレイヤーにいくつかの追加の選択肢を与えます。

要件

こちらのブログ記事の手順に従うために必要なものは次のとおりです。

ローカルコンピューターで実行されているテキストエディター
- このブログ記事の例ではVisual Studio Codeを使用します。
ローカルコンピューターで実行されているPython 3.10以上

Serverlessプロジェクトを作成する

最初に必要なのは、Elastic Agentビルダーを含むElasticsearch Serverlessプロジェクトです。

cloud.elastic.coに移動して新しいElasticsearch Serverlessプロジェクトを作成します。

インデックスを作成してデータを追加する

次に、Elasticsearchプロジェクトにデータを追加します。開発者ツールを開き、コマンドを実行して新しいインデックスを作成し、そこにデータを挿入します。トップレベルのナビゲーションメニューから「開発者向けツール」を選択します。

コピーして、以下のPUTコマンドを開発者向けツールコンソールのリクエストインプットエリアに貼り付けてください。この文は「game-docs」という名前のElasticsearchインデックスを作成します。

PUT /game-docs { "mappings": { "properties": { "title": { "type": "text" }, "content": { "type": "text" }, "filename": { "type": "keyword" }, "last_modified": { "type": "date" } } } }

開発者ツールのステートメントの右側に表示される [リクエストの送信] ボタンをクリックします。開発者向けツールの対応エリアにgame-docsインデックスが作成されたことを確認する通知が表示されるはずです。

game-docsという名前のインデックスは、作成中のゲームのデータを保存するのに最適な場所です。ゲームに必要なすべてのデータを含むこのインデックスに、rps+-mdという名前のドキュメントを配置しましょう。次のPUTコマンドをコピーして、開発者向けツールコンソールに貼り付けます。

PUT /game-docs/_doc/rps+-md { "title": "Rock Paper Scissors +", "content": " # Game Name RPS+ # Starting Prompt Let's play RPS+ ! --- What do you choose? # Game Objects 1. Rock 🪨 👊 2. Paper 📜 🖐 3. Scissors ✄ ✌️ 4. Light ☼ 👍 5. Dark Energy ☄ 🫱 # Judgement of Victory * Rock beats Scissors * because rocks break scissors * Paper beats Rock * because paper covers rock * Scissors beat Paper * because scissors cut paper * Rock beats Light * because you can build a rock structure to block out light * Paper beats Light * because knowledge stored in files and paper books helps us understand light * Light beats Dark Energy * because light enables humans to lighten up and laugh in the face of dark energy as it causes the eventual heat death of the universe * Light beats Scissors * because light is needed to use scissors safely * Dark Energy beats Rock * because dark energy rocks more than rocks. It rocks rocks and everything else in its expansion of the universe * Dark Energy beats Paper * because humans, with their knowledge stored in files and paper books, can't explain dark energy * Scissors beat Dark Energy * because a human running with scissors is darker than dark energy # Invalid Input I was hoping for an worthy opponent - but alas it appears that time has past - but alas there's little time for your todo list when [todo:fix this] is so vast # Cancel Game The future belongs to the bold. Goodbye.. ", "filename": "RPS+.md", "last_modified": "2025-11-25T12:00:00Z" }

ステートメントの横にある [リクエストの送信] ボタンをクリックして実行し、rps+-mdドキュメントをgame-docsのインデックスに追加してください。

クエリを実行するためのデータが用意されているはずです。Agent Builderを使用すると、クエリはこれまで以上に簡単になります。

トップレベルのナビゲーションメニューから [エージェント] を選択します。

あとは、デフォルトのElastic AI Agentに「どんなデータがありますか？」と聞くだけです。

Elastic AI Agentはデータを評価し、保有するデータの簡潔な説明を返します。

ツールを作成する

さて、Elasticにデータがいくつか入ったので、それを活用してみましょう。Agent Builderには、エージェントが必要なデータにアクセスし、タスクに適したコンテキストを得られるようにMCPツールを作成するための組み込みサポートが含まれています。ゲームデータを取得できるシンプルなツールを作りましょう。

Agent Builderのアクションメニューをクリックします。

メニューオプションから [すべてのツールを表示] を選択します。

[+ 新しいツール] をクリックします。

ツール作成フォームでES|QLを選択します。ツールタイプとして次の値を入力します。

ツールIDについて：

example.get_game_docs

説明について：

Get RPS+ doc from Elasticsearch game-docs index.

構成については、以下のクエリをES|QLクエリテキスト領域にします。

FROM game-docs | WHERE filename == "RPS+.md"

完了したツール作成フォームは次のようになります。ツールを作成するには、 [保存] をクリックします。

ツールラックに新しいツールが追加されました。ツールはラックに掛けておけばよいというものではなく、有効に活用されるべきものです。新しいカスタムツールを使用できるエージェントを作成しましょう。

エージェントを作成し、ツールを割り当てます。

Agent Builderを使えば、エージェントの作成は驚くほど簡単です。いくつかの詳細を記載したエージェントの指示を入力するだけで十分です。それではエージェントを作成しましょう。

[エージェントを管理] をクリックします。

[+ 新しいエージェント] をクリックします。

新しいエージェントフォームに次の情報を入力します。

エージェントIDには以下のテキストを入力します。

rps_plus_agent

カスタム指示テキスト領域には次の指示を入力します。

When prompted, if the prompt contains an integer, then select the corresponding numbered item in the list of "Game Objects" from your documents. Otherwise select a random game object. This is your chosen game object for a single round of the game. # General Game Rules * 2 players - the user: the person playing the game - you: the agent playing the game and serving as the game master * Each player chooses a game object which will be compared and cause them to tie, win or lose. # Start the game 1. This is the way each new game always starts. You make the first line of your response only the name of your chosen game object. 2. The remainder of your response should be the "Starting Prompt" text from your documents and generate a list of "Game Objects" for the person playing the game to choose a game object from. # End of Game: The game ends in one of the following three outcomes: 1. Invalid Input: If the player responds with an invalid game object choice, respond with variations of the "Invalid Input" text from your documents and then end the game. 2. Tie: The game ends in a tie if the user chooses the same game object as your game object choice. 3. Win or Lose: The game winner is decided based on the "Judgement of Victory" conditions from your documents. Compare the user's game object choice and your game object choice and determine who chose the winning game object. # Game conclusion Respond with a declaration of the winner of the game by outputting the corresponding text in the "Judgement of Victory" section of your documents.

表示名には以下のテキストを入力します。

RPS+ Agent

表示の説明には以下のテキストを入力します。

An agent that plays the game RPS+

[ツール] タブをクリックして、以前に作成したカスタムツールをエージェントに提供します。

先ほど作成したexample.get_game_docsツールのみを選択します。

[保存] をクリックして新しいエージェントを作成します。

新しいエージェントをテストしてみましょう。エージェントのリストから任意のエージェントとチャットを開始するための便利なリンクがあります。

「start game」と入力すると、ゲームが始まります。うまくいきました！

エージェントが応答の上部にゲームオブジェクトの選択を表示することがわかります。これは、エージェントの選択を確認し、ゲームが期待どおりに機能していることを確認できる点で便利です。しかし、自分が選択する前に相手の選択がわかっていると、じゃんけんゲームはあまり楽しくありません。ゲームを最終形に磨き上げるために、コードでエージェントを制御できるエージェントオーケストレーションプラットフォームを使用できます。

Strands Agents SDKがチャットに参加します。

Strands Agents SDK

新しいエージェント開発フレームワークを試してみたい場合は、Strands Agents SDKがおすすめです。Strands Agents SDKはAWSから2025年5月にオープンソースのPython実装としてリリースされ、現在はTypescript版もあります。

PythonでStrands Agents SDKの使用を開始

コーディングエンジンを起動して、Strandsエージェントを使用してA2Aプロトコル経由でRPS+エージェントを制御するサンプルアプリのクローン作成と実行のプロセスを早速実行してみましょう。RPS+ゲームの微調整バージョンを作成し、エージェントの選択がプレイヤーの選択後に明らかになるようにしてみましょう。結局のところ、じゃんけんのようなゲームを楽しいものにするのは推測と驚きの結果だからです。

ローカルコンピューターでVisual Studio Codeを開き、新しいターミナルを開きます。

新しく開いたターミナルで、以下のコマンドを実行してElasticsearch Labsリポジトリをクローンします。

git clone https://github.com/elastic/elasticsearch-labs

次のcdコマンドを実行して、ディレクトリをelasticsearch-labsディレクトリに変更します。

cd elasticsearch-labs

次に、次のコマンドを実行して、Visual Studio Codeでリポジトリを開きます。

code .

Visual Studio File Explorerで、supporting-blog-contentフォルダーとagent-builder-a2a-strands-agentsフォルダーを展開し、elastic_agent_builder_a2a_rps+.pyファイルを開きます。Visual Studio Codeで開いたファイルは次のようになります。

テキストエディターに表示されるelastic_agent_builder_a2a_rps+.pyの内容は次のとおりです。

import asyncio from dotenv import load_dotenv from uuid import uuid4 import httpx import os import random from a2a.client import A2ACardResolver, ClientConfig, ClientFactory from a2a.types import Message, Part, Role, TextPart DEFAULT_TIMEOUT = 60 # set request timeout to 1 minute def create_message(*, role: Role = Role.user, text: str, context_id=None) -> Message: return Message( kind="message", role="user", parts=[Part(TextPart(kind="text", text=text))], message_id=uuid4().hex, context_id=context_id, ) async def main(): load_dotenv() a2a_agent_host = os.getenv("ES_AGENT_URL") a2a_agent_key = os.getenv("ES_API_KEY") custom_headers = {"Authorization": f"ApiKey {a2a_agent_key}"} async with httpx.AsyncClient( timeout=DEFAULT_TIMEOUT, headers=custom_headers ) as httpx_client: # Get agent card resolver = A2ACardResolver(httpx_client=httpx_client, base_url=a2a_agent_host) agent_card = await resolver.get_agent_card( relative_card_path="/rps_plus_agent.json" ) # Create client using factory config = ClientConfig( httpx_client=httpx_client, streaming=True, ) factory = ClientFactory(config) client = factory.create(agent_card) # Use the client to communicate with the agent print("\nSending 'start game' message to Elastic A2A agent...") random_game_object = random.randint(1, 5) msg = create_message(text=f"start with game object {random_game_object}") async for event in client.send_message(msg): if isinstance(event, Message): context_id = event.context_id response_complete = event.parts[0].root.text # Get agent choice from the first line of the response parsed_response = response_complete.split("\n", 1) agent_choice = parsed_response[0] print(parsed_response[1]) # User choice sent for game results from the agent prompt = input("Your Choice : ") msg = create_message(text=prompt, context_id=context_id) async for event in client.send_message(msg): if isinstance(event, Message): print(f"Agent Choice : {agent_choice}") print(event.parts[0].root.text) if __name__ == "__main__": asyncio.run(main())

このコードで何が起きているのか見てみましょう。main()メソッドから始めて、コードはエージェントのURLとAPIキーの環境変数にアクセスすることから始まります。その値を用いてエージェントカードを取得するためのhttpx clientを作成します。次に、クライアントはエージェントカードの詳細を使用して、「start game」リクエストをエージェントに送信します。ここで注目すべき興味深い点は、 "start game"リクエストの一部としてrandom_game_object値が含まれていることです。この値は、Python の標準ライブラリのrandomモジュールで生成された乱数です。これを行う理由は、（AIエージェントを可能にする）強力なLLMがランダム性に関してはそれほど優れていないことが判明したためです。Pythonが助けてくれますので問題ありません。

コードの続きですが、エージェントが「start game」リクエストに応答すると、コードはエージェントのゲームオブジェクトセレクションを取り除き、agent_choice変数に保存します。対応の残りの部分は、エンドユーザーに対してテキストとして表示されます。次に、ユーザーはゲームオブジェクトの選択を入力するように求められ、それがエージェントに送信されます。次に、コードはエージェントのゲームオブジェクトの選択と、エージェントの最終的なゲーム結果の決定を表示します。

エージェントのURLとAPIキーを環境変数として設定する

サンプルアプリはローカルコンピュータ上で実行されるため、Agent Builderエージェントと通信するためには、Strands Agents SDKにエージェントのA2A URLとAPI Keyを提供する必要があります。この例のアプリは`.env`というファイルを使用してこれらの値を格納します。

env.exampleファイルのコピーを作成し、新しいファイル名を.envとします。

Elastic Agent Builderに戻りましょう。ここで必要な両方の値を取得できます。

ページの右上にあるAgent Builderアクションメニューから [すべてのツールを表示] を選択します。

ツールページ上部のMCPサーバードロップダウンをクリックし、[MCPサーバーURLをコピー] を選択してください。

MCPサーバーのURLを.envに貼り付けます。プレースホルダー値の代わりにファイルを使用します。ここで、URLを1箇所更新する必要があります。つまり、末尾のテキスト「mcp」を「a2a」に置き換えます。これは、Agent Strands SDKがElastic Agent Builderで実行されているエージェントと通信するために使用するプロトコルがA2Aプロトコルであるためです。

編集したURLは次のようになるはずです。

https://rps-game-project-12345a.kb.us-east-1.aws.elastic.cloud/api/agent_builder/a2a

Elastic Cloudで取得する必要があるもう1つの値は、APIキーです。最上位ナビゲーションでElasticsearchをクリックします。

[APIキーをコピー] ボタンをクリックして、APIキーをコピーします。

次に、Visual Studio Codeに戻り、.envファイルにAPIキーを貼り付けて、プレースホルダーテキストを置き換えます。.envファイルは次のようになります。

サンプルアプリを実行してください

Visual Studio Codeで新しいターミナルを開いてください。

まず、ターミナルで次のcdコマンドを実行します。

cd elasticsearch-labs/supporting-blog-content/agent-builder-a2a-strands-agents

次のコマンドを実行して、Python仮想環境を作成します。

python -m venv .venv

お使いのローカルコンピューターのオペレーティングシステムに応じて、以下のコマンドを実行して仮想環境を有効にしてください。

MacOS/Linux

source .venv/bin/activate

Windows

.venv\Scripts\activate

サンプルアプリはStrands Agents SDKを使用するため、このチュートリアルではこれをインストールする必要があります。以下のコマンドを実行して、Strands Agents SDKとその必要なPythonライブラリの依存関係をインストールします。

pip install -r requirements.txt

発射台を片付けてカウントダウンを開始する時間です。アプリを起動する準備ができました。後ろに下がってください。次のコマンドを使用して実行しましょう：

python elastic_agent_builder_a2a_rps+.py

RPS+のゲームに挑戦してみましょう。幸運を祈ります！

Azure LLM Functions を Elasticsearch と併用してよりスマートなクエリエクスペリエンスを実現する

Jonathan Simon,James Williams — Fri, 13 Jun 2025 00:00:00 GMT

精度。重要なときは、それは非常に重要なのです。何か特定のものを検索する場合、精度は非常に重要です。ただし、クエリが正確すぎると結果が返されない場合もあるため、クエリの範囲を広げて関連する可能性のある追加のデータを見つける柔軟性があると便利です。

このブログ記事では、Elasticsearch と Azure Open AI を使用して、非常に具体的な不動産物件を検索するときに正確な結果を見つける方法を示すサンプルアプリを作成する方法について説明します。同時に、特定の一致が見つからない場合でも関連性の高い結果を提供します。検索テンプレートとともに Elasticsearch インデックスを作成するために必要なすべての手順を説明します。次に、Azure OpenAI を使用してユーザークエリを取得し、それを Elasticsearch 検索テンプレートクエリに変換して、驚くほどカスタマイズされた結果を生成できるアプリを作成するプロセス全体を説明します。

以下は、サンプルの不動産検索アプリを作成するために使用するすべてのリソースのリストです。

Elasticsearch インデックスと検索テンプレート
Azure OpenAI
Azure マップ API
コードスペース Jupyter ノートブック
セマンティックカーネル
Blazor フロントエンドを使用した C# アプリ

スマートクエリワークフロー

このワークフローは、LLM、LLM ツール、および検索を組み合わせて、自然言語クエリを構造化された関連性の高い検索結果に変換します。

LLM (大規模言語モデル) - 複雑なユーザークエリを解釈し、ツールを調整して検索意図を抽出し、コンテキストを強化します。
LLM ツール- 各 LLM ツールは、この投稿用に作成した C# プログラムです。ツールは3つあります。
- パラメータ抽出ツール: クエリから寝室、バスルーム、機能、価格などの主要な属性を取得します。
- ジオコードツール: 空間フィルタリングのために場所の名前を緯度/経度に変換します。
- 検索ツール: Elasticsearch 検索テンプレートにクエリパラメータを入力し、検索を実行します。ハイブリッド検索- 組み込みの ML 推論を使用してハイブリッド検索 (フルテキスト + 高密度ベクトル) を実行します。この階層化されたアプローチにより、エンドユーザーにとってよりスマートでコンテキストを意識したクエリエクスペリエンスが保証されます。

アプリケーションアーキテクチャ

以下はサンプルアプリのシステムアーキテクチャ図です。Elastic Cloud とやり取りするために、Codespaces Jupyter Notebook を使用します。

要件

GitHub Codespaces を使用してサンプルアプリのクローンを作成し、構成して実行するので、必要なのはブラウザーだけです。ソリューションの Elastic 部分では、 Elastic Cloudを使用して Elasticsearch Serverless プロジェクトを作成します。Azure リソースを操作するには、 Azure Portalを使用します。

Codespaces でサンプルアプリのリポジトリをクローンする

まず、サンプルアプリケーションのコードを複製します。これは、アプリケーションのクローンを作成して実行する方法を提供するGitHub Codespacesで実行できます。「新しいコードスペース」をクリックします。

次に、 リポジトリ ドロップダウンでリポジトリ jwilliams-elastic/msbuild-intelligent-query-demo を選択し、コードスペースの作成をクリックします。

.env を作成するファイル

Elastic Cloud にアクセスして操作するには、Python Jupyter Notebook を使用します。これは、構成ファイルに保存されている構成値を使用して行われます。ノートブックの設定ファイルの名前は.envです。今すぐ作成してみましょう。

GitHub Codespacesで、 「新規ファイル」ボタンをクリックし、 .envという名前のファイルを追加します。
新しく作成した.envに次の内容を追加します。ファイル

ELASTIC_URL= ELASTIC_API_KEY=

ご覧のとおり、 ELASTIC_URLとELASTIC_API_KEYという2つの値が欠落しており、 .envに追加する必要があります。ファイル。サンプルアプリの検索機能を強化するバックエンドとして機能する Elasticsearch サーバーレスプロジェクトを作成して、これらを今すぐ取得しましょう。

Elastic Serverlessプロジェクトを作成する

cloud.elastic.coにアクセスし、 「Create New Serverless project」をクリックします。
Elasticsearch ソリューションの 「次へ」 をクリックします
ベクター用に最適化を選択
クラウドプロバイダーをAzureに設定する
サーバーレスプロジェクトの作成をクリック
メインナビゲーションメニューの「はじめに」をクリックし、下にスクロールして接続の詳細をコピーします。
コピー ボタンをクリックして、 接続の詳細 から Elasticsearchエンドポイントをコピーします。
.envを更新するELASTIC_URLをコピーしたElasticsearch エンドポイントに設定するファイル

Elastic APIキーを作成する

Elasticsearchの Getting Started ページを開き、 APIキーの追加 セクションで 新規をクリックします。
キー名を入力してください
APIキーの作成をクリック
「コピー」ボタンをクリックしてAPIキーの値をコピーします
Codespacesに戻ると、 .envがある。ファイルを開いて編集し、コピーした値を貼り付けてELASTIC_API_KEYを設定します。

Codespacesノートブックを開き、ライブラリの依存関係をインストールする

ファイルエクスプローラーでVectorDBSetup.ipynbファイルを選択し、ノートブックを開きます。ノートブックが読み込まれたら、 「ライブラリのインストール」 というタイトルのノートブックのセクションを見つけます。セクションの再生ボタンをクリックします。

GitHub Codespaces でノートブックを初めて実行する場合は、Codespaces カーネルを選択して Python 環境を構成するように求められます。

Codespaces Notebook を使用してインポートを定義し、環境変数をロードする

ノートブックの次のセクション「インポートの定義と環境変数の読み込み」に進みます。セクションの再生ボタンをクリックします。

このコードは、ノートブックで使用されるPythonライブラリをインポートし、 .envから環境変数を読み込みます。以前作成したもの。

Codespaces Notebook を使用して Elastic ML 推論エンドポイントを作成する

次の 「ML 推論エンドポイントの作成」 というノートブックのセクションに進みます。セクションの再生ボタンをクリックします。

これにより、Elasticsearch プロジェクトに新しい ML 推論エンドポイントが作成され、データからテキスト埋め込みを生成するために使用します。テキスト埋め込みは、セマンティック検索を強化するために Elasticsearch に保存されるテキストのベクトル表現です。

Codespaces Notebook を使用して Elasticsearch インデックスを作成する

次の 「Elasticsearch インデックスの作成」 というノートブックのセクションに進みます。セクションの再生ボタンをクリックします。

これにより、サンプルデータと、ML 推論エンドポイントを介して生成された関連するベクトルデータを保存する Elasticsearch インデックスが作成されます。

Codespaces Notebook を使用して Elasticsearch 検索テンプレートを作成する

次の 「検索テンプレート」というノートブックのセクション に進みます。セクションの再生ボタンをクリックします。

これにより、検索テンプレートが作成されます。これは、ユーザーの検索クエリから解析された単語が入力さたテンプレートとしてサンプルアプリで使用されるものです。これにより、Elasticsearch インデックス内のデータをクエリする際の詳細度を設定および制御できるようになります。

Codespaces Notebook を使用して Elasticsearch インデックスにデータを取り込む

ノートブックの次のセクション「 Ingest property data」に進みます。セクション実行ボタンをクリックします。

このコードセクションを実行すると、 properties.jsonlファイルに含まれるサンプルデータが一括ロードされます。数分後、プロセスが正常に完了したことを示す確認が表示されます。Elastic Cloud のインデックス管理セクションに移動すると、インデックスに予想されるレコードが含まれていることを確認できます。

C# アプリを構成するための appsetting.json を作成する

Elasticsearch インデックスが作成され、データが取り込まれたので、Elastic および Azure Cloud で動作するようにサンプルアプリを構成する準備が整いました。C# サンプルアプリは、 appsettings.jsonという名前のファイルを使用して、API キーなどのアクセス情報を保存および読み込みます。ここで、Codespaces のエディターを使用してappsettings.jsonファイルを作成します。

1. HomeFinderApp フォルダに appsettings.json を作成します。

2. 次のコードをappsettings.jsonファイルに貼り付けます。

{ "ElasticSettings": { "Url": "", "ApiKey": "", "IndexName": "properties", "TemplateId": "properties-search-template" }, "AzureOpenAISettings": { "Endpoint": "", "ApiKey": "", "DeploymentName": "gpt-4o" }, "AzureMapsSettings": { "Url": "https://atlas.microsoft.com/geocode", "ApiKey": "" }, "Logging": { "LogLevel": { "Default": "Information", "Microsoft.AspNetCore": "Warning" } }, "AllowedHosts": "*" }

3. ElasticSettings セクションの Url と ApiKey の値を見つけます。.envで設定した値と同じ値に設定します前の手順でファイルを作成します。

Azure OpenAI サービスを作成する

サンプルアプリでは、Azure OpenAI を使用してアプリユーザーのクエリを解析し、検索テンプレートを入力して Elasticsearch にリクエストを送信し、ユーザーが検索している内容を柔軟に伝えようとします。

新しいブラウザータブを開き、Azure ポータルのAI Foundry | Azure OpenAIに移動します。+作成をクリック
作成フォームで、リソースグループを選択します。
名前を入力してください
価格帯を選択する
次へをクリック
ネットワークタブで次へをクリックします
「タグ」タブで「次へ」をクリックします。
「確認と送信」タブで、 「作成」をクリックします。
作成が完了したら、 「リソースに移動」をクリックします。
左側のナビゲーションメニューからキーとエンドポイントを選択します
エンドポイントをコピーし、Codespaces エディターが開いているブラウザータブで作成したappsettings.jsonファイルに貼り付けます。
次に、Azure OpenAIキーとエンドポイントページを含むブラウザータブに戻ります。Key 1のコピーボタンをクリックし、コピーした値を、Codespaces エディターが開いているブラウザータブのappsettings.jsonファイルに貼り付けます。

Azure Open AI サービスに gpt-4o モデルのデプロイメントを追加する

素晴らしい。Azure OpenAI サービスが実行できるようになりました。ただし、サンプルアプリに必要な LLM 機能を提供するには、まだモデルのデプロイが必要です。選択できるモデルは多数あります。作成した appsettings.json ファイルですでに指定されているので、gpt-4o をデプロイしましょう。

Azure AI Foundryにアクセスし、 「デプロイの作成」をクリックします。
gpt-4oを検索し、結果から選択します
確認をクリックして選択します
「デプロイ」をクリックしてモデルをデプロイします

gpt-4o モデルを正常にデプロイしたら、左側のナビゲーションメニューから[デプロイメント] を選択し、 gpt-4o デプロイメントが[成功] の状態でリストされていることを確認できます。

Azure Maps アカウントを作成する

私たちは、サンプルアプリのユーザーが特定のエリアの不動産物件を検索できるようにしたいと考えていますが、あまり具体的に検索する必要はありません。地元のファーマーズマーケットの近くの物件を検索したい場合、Azure Maps は OpenAI LLM がマーケットの緯度と経度の座標を取得するために使用できるサービスです。その後、座標は、特定の場所と地理的距離を考慮したユーザークエリのために Elasticsearch に送信される検索テンプレートベースのリクエストに含めることができます。

Azure Mapsアカウントで作成をクリックします
リソースグループを選択
名前を入力してください
ライセンスとプライバシーに関する声明に同意する
「確認して作成」をクリック
作成をクリック
アカウントの作成が完了したら、 「リソースに移動」をクリックします。
左側のナビゲーションメニューで「認証」をクリックします。
主キーの 値をコピーし、Codespaces エディターを含むブラウザータブに戻って、 appsettings.json ファイルの AzureMapsSettings セクションの ApiKey の値として貼り付けます。

サンプルアプリを試してみる

さて、ここからが楽しい部分です。サンプルアプリを実行してみましょう。アプリを動かすために必要な Elastic Cloud および Azure Cloud リソースとともに、すべての構成の詳細が設定されました。

1. Codespaces エディターでターミナルウィンドウを開きます。

2. 次のコマンドを使用して、アクティブディレクトリをサンプルアプリフォルダーに変更します。

cd HomeFinderApp

3. 次のdotnetコマンドを使用してアプリを実行します。

dotnet run

4. 「ブラウザで開く」ボタンが表示されたらクリックします。

5. デフォルトの検索をテストしてから、独自のカスタム検索をいくつか試します。検索結果を生成するためにバックエンドで実行される内容の詳細を確認するには、「ツールの呼び出し」の横にある「表示」リンクをクリックします。

ボーナス: GPT-4o を実際にテストしたい場合は、次の検索を試してください:フロリダ州ディズニーワールドの近くで、ベッドルーム 30 室以上、バスルーム 20 室以上、プールとガレージがあり、ビーチに近い物件を 20 万ドル未満で探しています。このクエリは、複数の検索ツールの呼び出し後に結果を返します。

Elasticは検索AIのソリューションです

実行中のアプリは、検索テンプレートを介して Elasticsearch を基礎データソースとして使用する Gen AI LLM ガイド付き検索の例です。自由にサンプルアプリを試してカスタマイズし、正確かつ柔軟な検索エクスペリエンスを作成して、ユーザーが探しているものを見つけられるようにしてください。

読んでいただきありがとうございます。Elastic Cloudをお試しください。