- Las habilidades de ADK utilizan la divulgación progresiva y patrones de diseño claros para cargar el conocimiento del dominio solo cuando es necesario, manteniendo las indicaciones concisas.
- Las arquitecturas multiagente con flujos de trabajo de enrutamiento, secuenciales, en bucle y paralelos permiten que agentes especializados colaboren en tareas complejas.
- Plataformas del mundo real como AgentKit 2.0 y las habilidades de la comunidad permiten crear sistemas de IA modulares, seguros y auditables a lo largo de todo el ciclo de vida del software.
- Las configuraciones web locales de ADK en macOS, Linux y Windows facilitan la creación de prototipos, las pruebas y el perfeccionamiento de agentes especializados frente a API y datos reales.
Los agentes inteligentes creados con un kit de desarrollo de agentes (ADK) se están convirtiendo rápidamente en la columna vertebral de las aplicaciones modernas basadas en IA., yendo mucho más allá de los chatbots de una sola vez que simplemente responden preguntas. Con el sistema de habilidades adecuado, estos agentes pueden razonar, planificar, usar herramientas, colaborar con otros agentes e incluso perfeccionar su propio trabajo en bucles, todo ello manteniendo el uso de tokens y la latencia bajo control gracias a técnicas de divulgación progresiva.
En esta guía detallada, aprenderá a diseñar, estructurar y orquestar agentes ADK con habilidades.Desde agentes individuales básicos hasta flujos de trabajo multiagente que se ejecutan en secuencia, en bucle y en paralelo. También verá cómo plataformas reales como los laboratorios de código ADK de Google, las habilidades de la comunidad y los marcos de orquestación como AgentKit 2.0 utilizan patrones como Router, SequentialAgent, LoopAgent y ParallelAgent, además de cómo empresas como Q2BSTUDIO combinan esto con plataformas en la nube y ciberseguridad para ofrecer sistemas listos para producción.
Por qué los agentes ADK con habilidades son importantes para los equipos de software modernos
La explosión de la IA en el desarrollo de software ha impulsado a los equipos a buscar formas de encapsular la experiencia y los flujos de trabajo en unidades reutilizables y componibles.Los ADK responden a esta necesidad permitiéndote empaquetar el comportamiento, las reglas de dominio y las herramientas en agentes que se pueden reutilizar en diferentes proyectos, equipos e incluso productos.
En el centro de este enfoque se encuentran las habilidades de los agentes., que son módulos de conocimiento autónomos que un agente puede cargar bajo demanda. En lugar de volcar todas las directrices y reglas en una única solicitud masiva, las habilidades aplican una divulgación progresiva Arquitectura: las instrucciones, los recursos y los scripts se muestran solo cuando son necesarios, lo que mantiene el contexto sencillo y el rendimiento alto incluso cuando se tienen cientos de habilidades instaladas.
Esta eficiencia es crucial en un mundo donde los presupuestos de tokens, la latencia y los costos de computación son limitaciones reales.Cargar todas las guías de estilo, especificaciones de API y reglas operativas en una sola solicitud no es escalable. Las habilidades permiten mantener el conocimiento "frío" en disco (o en repositorios) y recuperarlo en el contexto del agente solo cuando una capacidad específica sea relevante.
Empresas como Q2BSTUDIO aprovechan este modelo para crear sistemas de IA personalizados para empresas.Combinando inteligencia empresarial, conocimiento del sector y prácticas modernas de ciberseguridad. De esta forma, los agentes no solo son capaces y conscientes del contexto, sino que también están protegidos contra los vectores de ataque comunes en el panorama de amenazas actual.
Comprender la arquitectura de divulgación progresiva de las habilidades ADK
Las habilidades de estilo ADK suelen seguir un modelo de carga de tres niveles que mantiene al agente centrado en el contexto. al tiempo que permite una profunda especialización en el dominio cuando sea necesario. Se puede concebir como un proceso gradual para la adquisición de conocimiento:
Nivel 1 – DescubrimientoCuando se inicia una conversación, el agente solo ve un catálogo de habilidades disponibles: sus nombres y breves descripciones. Aún no se carga información compleja. Esto es suficiente para que el agente decida qué habilidad podría ser relevante para la solicitud del usuario.
Nivel 2 – Instrucciones: una vez que una habilidad se considera una coincidencia, el agente lee su SKILL.md o un archivo de instrucciones equivalente. Este documento proporciona orientación detallada, patrones y reglas para esa habilidad, y se incorpora al contexto del modelo solo cuando es necesario.
Nivel 3 – Recursos: Los recursos voluminosos, como esquemas grandes, listas de verificación largas, scripts o documentos extensos, permanecen en el sistema de archivos como referencias.
y se recuperan bajo demanda. Solo si la habilidad apunta específicamente a ellos. El agente lee o ejecuta estos recursos según sea necesario, en lugar de tenerlos siempre en el indicador principal.
Este patrón es fundamental para marcos de trabajo como AgentKit 2.0 y configuraciones basadas en Antigravity.. Puedes instalar habilidades directamente en agentes compatibles (Claude Code, Cursor, Antigravity y otros) usando comandos como npx add-skill vercel-labs/agent-skills, que clonan los repositorios de habilidades, los colocan en los directorios correctos y los hacen detectables sin necesidad de editar manualmente las indicaciones.
Patrones de diseño para estructurar las habilidades ADK
Aprender una nueva habilidad desde cero a menudo tiene menos que ver con las herramientas y más con el diseño de contenido.. La especificación ADK normalmente te indica cómo estructurar el paquete (frontmatter en YAML, references/, assets/, scripts/ directorios, etc.), pero no te dice cómo escribir las instrucciones propiamente dichas. Ahí es donde entran en juego los patrones de diseño reutilizables.
Los profesionales que han desarrollado docenas de habilidades informan que un puñado de patrones estructurales cubren la mayoría de los casos de uso del mundo real.Cinco de las más útiles son:
Envolvedor de herramientas: este patrón encapsula las convenciones y las mejores prácticas de una biblioteca o plataforma determinada en una habilidad. Las instrucciones describen las reglas a seguir, mientras que references/ Contiene la documentación oficial. Normalmente no hay plantillas ni scripts; el objetivo es proporcionar al agente un "modelo mental" de una herramienta como FastAPI, React o Postgres.
Generador: aquí, la habilidad produce una salida estructurada consistente utilizando plantillas almacenadas en assets/Algunos ejemplos son la documentación de la API, los mensajes de confirmación, los informes técnicos o los registros de cambios. Las instrucciones definen las reglas de calidad, mientras que las plantillas definen el formato de la salida, lo que permite obtener formatos repetibles con contenido diferente en cada ocasión.
Crítico: este patrón separa Lo que para comprobar desde cómo para comprobarlo. Un archivo de lista de verificación en references/ El archivo de la lista de verificación detalla los elementos a verificar (seguridad, estilo, arquitectura, etc.), mientras que las instrucciones definen el protocolo de revisión: agrupar los hallazgos por gravedad, exigir justificación y sugerir soluciones. Al reemplazar el archivo de la lista de verificación, se obtiene un revisor completamente nuevo sin necesidad de reescribir la habilidad.
Entrevista (Inversión)En lugar de actuar de inmediato, la habilidad primero entrevista al usuario mediante preguntas estructuradas por fases, con puntos de control como "no comience la construcción hasta que todas las fases estén completas". Esto evita que el agente haga suposiciones importantes y lo obliga a aclarar los objetivos y las restricciones antes de generar resultados detallados.
TuberíaEste patrón codifica flujos de trabajo de varios pasos con controles explícitos entre ellos, como por ejemplo: «No pasar al paso 3 hasta que el usuario confirme». Es más complejo que los demás, pero es el único que impide de forma fiable que los agentes omitan las etapas de validación. Las habilidades de Pipeline pueden incorporar pasos de revisión, resultados de generación o fases de entrevista dentro del mismo flujo.
Las habilidades del mundo real de Google, Vercel y Supabase a menudo combinan dos o más de estos patrones por habilidad.Por ejemplo, una herramienta de gobernanza podría entrevistar al usuario sobre las restricciones del proyecto, luego ejecutar un proceso de revisión utilizando listas de verificación específicas y generar un informe de gobernanza con un generador basado en plantillas.
Desde agentes individuales hasta sistemas multiagente con ADK
Una vez que comprenda cómo las habilidades empaquetan el conocimiento, el siguiente paso es ver cómo los agentes de ADK orquestan ese conocimiento en los flujos de trabajo.Los codelabs oficiales de ADK de Google son una excelente referencia: te guían desde un agente único básico hasta herramientas, memoria y coordinación multiagente, todo ello en prácticos cuadernos de Colab.
El viaje comienza con tu primer agente creado con un Runner.. En el codelab, usted define un day_trip_agent cuya misión es crear un itinerario de viaje de un día que respete las preferencias y el presupuesto del usuario. Tres componentes ilustran el modelo general de interacción de ADK:
El agente El “cerebro” se define por sus instrucciones, el modelo subyacente (por ejemplo, Gemini) y las herramientas a las que puede acceder. En el ejemplo, el agente dispone de instrucciones detalladas y acceso a la Búsqueda de Google.
La sesión Funciona como un repositorio de memoria conversacional, que guarda el historial completo de mensajes de usuario y respuestas del agente. Reutilizar el mismo objeto de sesión mantiene el contexto activo entre turnos.
The Runner Coordina la ejecución tomando un agente y una sesión, procesando cada consulta del usuario y devolviendo la respuesta.
mientras se actualiza la sesión en el camino. Ayudantes de utilidad como run_agent_query() Encapsula este bucle para que puedas activar fácilmente los agentes mediante pruebas o integraciones de la interfaz de usuario.
Al leer este primer ejemplo se aprecia cómo las buenas instrucciones se conectan directamente con las indicaciones del usuario.Una consulta de prueba podría pedir una excursión de un día "económica" y "relajante", y dado que las instrucciones hacen hincapié en la importancia de ser consciente del costo, el agente incorpora sistemáticamente consideraciones presupuestarias en sus respuestas.
Conectar herramientas personalizadas con sus agentes ADK
Los agentes se vuelven realmente poderosos una vez que pueden llamar a sus propias API y servicios internos en lugar de solo a herramientas genéricas como la búsqueda web.Los ADK simplifican este proceso al convertir las funciones normales en herramientas basadas en sus firmas y cadenas de documentación.
En los codelabs, un ejemplo sencillo utiliza una función de Python que llama a una API de información meteorológica en tiempo real.. Una función como get_live_weather_forecast(location: str) Obtiene datos actualizados de un servicio meteorológico público y devuelve información estructurada, por ejemplo, la temperatura y las condiciones en un diccionario.
La parte crucial es la cadena de documentación.El ADK analiza la cadena de documentación de la función para comprender qué hace la herramienta, qué argumentos acepta y qué devuelve. El modelo de lenguaje lee esa descripción y decide cuándo y cómo llamar a la herramienta durante el razonamiento.
Para integrar la herramienta en un agente, simplemente pásela como parte de la lista de herramientas durante la inicialización., Por ejemplo tools=[get_live_weather_forecast]Las instrucciones de la weather_agent De esta forma, se le puede indicar explícitamente al modelo que llame a esta herramienta antes de proponer actividades al aire libre.
Durante las pruebas, preguntas como "¿Quiero hacer senderismo cerca del lago Tahoe, qué tiempo hace?" activan directamente la herramienta.Porque la misión e instrucciones del agente exigen utilizar la previsión en tiempo real antes de recomendar un plan. Este patrón se generaliza a tus propias API: inventario, precios, CRM, análisis o cualquier sistema de backend que puedas integrar como una función.
El modelo Agente como Herramienta: creación de equipos de especialistas
En lugar de concentrar todas las responsabilidades en un único agente monolítico, ADK te anima a crear un equipo de expertos más pequeños.La clave reside en el patrón Agente como Herramienta, donde un agente puede llamar a otro agente como si fuera simplemente otra herramienta.
Una demostración típica en los laboratorios de programación consiste en construir un sistema de planificación de viajes por capas.:
Agentes especializados manejar dominios estrechos: un food_critic_agent que solo sugiere restaurantes, un db_agent que consulta datos de hoteles y un concierge_agent que actúa como un asistente amable para las interacciones con el usuario.
El propio conserje trata al crítico gastronómico como una herramienta.delegando la selección del restaurante al crítico y luego reformulando el resultado en un lenguaje más accesible para el público.
En la parte superior se encuentra un agente orquestador, como por ejemplo: trip_data_concierge_agent, cuyo trabajo consiste en comprender la solicitud general del usuario y decidir qué especialista invocar a través de funciones de envoltura dedicadas como call_db_agent además call_concierge_agent.
Cuando ejecutas una consulta como “encuéntrame un hotel y un restaurante cercano”Los registros de las herramientas muestran una cadena de delegación: el orquestador llama al agente de la base de datos para hoteles, luego al agente de conserjería para obtener recomendaciones de restaurantes, y el conserje, a su vez, llama al crítico gastronómico. Cada agente se mantiene enfocado en su propio dominio mientras el orquestador se encarga de la composición.
Este enfoque se alinea estrechamente con la forma en que AgentKit 2.0 estructura sus 16 agentes especializados. abarca el desarrollo frontend, backend, seguridad, pruebas e infraestructura. Cada agente cuenta con habilidades específicas del dominio (mejores prácticas de React, configuración de bases de datos, auditorías de seguridad, flujos de implementación y más), y un orquestador las combina para lograr objetivos más amplios, como "crear e implementar un módulo de autenticación de usuarios".
Dotar de memoria a los agentes: sesiones y planificación adaptativa
Para sentirse verdaderamente inteligente, un agente tiene que recordar el contexto a lo largo de múltiples turnos.Adaptar los planes en función de la retroalimentación, en lugar de tratar cada mensaje como un nuevo comienzo. Aquí es donde entran en juego las sesiones y la gestión de la memoria.
En el codelab de ADK, un agente planificador de viajes de varios días ilustra la diferencia entre memoria correcta y memoria defectuosa.. Una función como create_multi_day_trip_agent() Se crea un agente cuyas instrucciones hacen hincapié en la planificación gradual, en recordar las decisiones y en responder con detenimiento a las correcciones.
Una demostración adaptativa reutiliza un único objeto de sesión durante varios turnos.:
Turn 1El usuario solicita un plan de viaje de dos días y el agente propone actividades para el primer día.
Turn 2El usuario dice que no le interesan los castillos. Como la sesión conserva el itinerario anterior, el agente sabe qué parte ajustar y propone una alternativa para ese segmento, manteniendo intactos los demás detalles.
Turn 3: el usuario confirma el cambio y pregunta por los siguientes pasos, por lo que el agente continúa con la planificación del día 2 teniendo en cuenta todo el contexto anterior.
Una demostración de “fracaso” contrastante crea una sesión nueva para cada turno.El agente responde correctamente a la primera pregunta, pero cuando el usuario posteriormente se refiere al "día 2", la nueva sesión no tiene historial y el agente sufre de amnesia, siendo incapaz de vincular la solicitud con el plan anterior.
La conclusión es simple pero fundamental: las conversaciones continuas requieren sesiones continuas.Para los sistemas de producción, es necesario conservar y recuperar el estado de la sesión a través de llamadas a la API, dispositivos e incluso, en ocasiones, usuarios, especialmente cuando los flujos de trabajo abarcan días o semanas.
El agente de enrutamiento: dirigiendo las consultas al especialista adecuado.
A medida que crece su catálogo de agentes y habilidades, necesita un mecanismo para dirigir cada solicitud entrante al experto adecuado.Esa es la función de un agente enrutador, un componente pequeño pero crucial en las arquitecturas multiagente.
La principal responsabilidad de un enrutador es la clasificación, más que responder directamente a las preguntas del usuario.Sus instrucciones suelen indicarle que lea la consulta del usuario y muestre únicamente el nombre del agente (o flujo de trabajo) más adecuado para esa tarea.
En las secciones multiagente del codelab, el enrutador elige entre varios agentes de dominio. como un planificador de excursiones de un día, un asesor gastronómico o un agente de transporte. La función de ejecución primero solicita una ruta al enrutador y luego utiliza una lógica condicional simple para invocar al especialista correcto según la respuesta del enrutador.
Este patrón coincide con la forma en que se describe la orquestación multiagente en AgentKit 2.0.Allí, un agente orquestador recibe un objetivo de alto nivel, delega el diseño del esquema a un agente de base de datos, la creación del andamiaje del formulario a un agente de interfaz, realiza una revisión de seguridad, luego lo transfiere a un agente de implementación y, finalmente, agrega las diferencias y las URL en un resumen coherente para el usuario.
SequentialAgent: orquestando flujos de trabajo ordenados de varios pasos
Algunas tareas se dividen naturalmente en etapas ordenadas donde el resultado de un paso alimenta el siguiente.Por ejemplo, “encuentra el mejor sushi en Palo Alto y luego dime cómo llegar” requiere claramente primero un paso de descubrimiento y luego un paso de navegación.
Los ADK ofrecen un agente de flujo de trabajo especializado, a menudo llamado SequentialAgentpara gestionar estas cadenas de forma limpiaEn lugar de escribir lógica de orquestación manual, se define una lista de subagentes y claves de estado compartidas, y el marco de trabajo se encarga de la secuenciación y el paso de datos.
En el ejemplo del codelab, el agente foodie se refactoriza para emitir su resultado bajo un output_key como "destination"Las instrucciones del agente de transporte incluyen entonces un marcador de posición como por ejemplo: {destination} que el ADK rellena automáticamente con el valor almacenado del estado compartido.
El agente de flujo de trabajo general, por ejemplo find_and_navigate_agent, está configurado como un SequentialAgent con subagentes en un orden fijo como [foodie_agent, transportation_agent]Cuando se invoca, se comporta como un único agente desde la perspectiva de quien lo llama, mientras que internamente coordina los dos pasos y gestiona el estado compartido.
Este enfoque simplifica drásticamente el código de orquestación.Los árboles condicionales y el cableado de datos ad hoc desaparecen, reemplazados por definiciones declarativas de subagentes y claves. Esto también facilita las pruebas y la extensión de los flujos de trabajo, ya que cada subagente permanece modular y puede reutilizarse en otras cadenas.
LoopAgent: refinamiento iterativo con planificador, crítico y refinador.
Muchos problemas del mundo real se benefician de la mejora iterativa en lugar de soluciones puntuales.Piensa en elaborar un plan, analizarlo, perfeccionarlo y repetir el proceso hasta alcanzar un cierto nivel de calidad. Los flujos de trabajo cíclicos satisfacen esta necesidad.
Los ADK capturan este patrón con un LoopAgent, un agente de flujo de trabajo que ejecuta repetidamente una secuencia de subagentes hasta que se activa una condición de salida.Esto es ideal para agentes “perfeccionistas” que necesitan autoevaluarse y corregir sus propios resultados basándose en criterios formales.
Una configuración de bucle clásica incluye tres roles.: un agente planificador que produce un plan inicial, un agente crítico que evalúa el plan en función de las restricciones y un agente refinador que edita o reescribe el plan basándose en los comentarios del crítico.
La definición del bucle conecta estos roles en un ciclo con un número máximo de iteraciones. para evitar bucles infinitos, por ejemplo max_iterations=3En cada pasada, el crítico decide si el plan es aceptable; si no lo es, el refinador genera una versión revisada y el ciclo continúa.
Salir del bucle generalmente requiere una herramienta especializada., como exit_loop, que el refinador llama cuando la evaluación del crítico se vuelve positiva. En ese momento, el plan final validado se devuelve al usuario o se pasa a los agentes posteriores.
Este patrón es particularmente útil en ámbitos como el diseño de arquitectura, la revisión de seguridad o la creación de contenido.donde las respuestas puntuales rara vez son suficientes y los ciclos de crítica integrados pueden elevar sustancialmente la calidad promedio.
ParallelAgent: acelerando el trabajo con subagentes concurrentes
Cuando las distintas partes de la solicitud de un usuario son independientes, ejecutarlas secuencialmente supone una pérdida de tiempo.Por ejemplo, "encontrar un museo, un concierto y un buen restaurante para esta noche" no requiere que cada búsqueda espere a las demás.
Los flujos de trabajo paralelos solucionan esto al poner en marcha a varios especialistas al mismo tiempo.. En los ADK, un ParallelAgent El proceso ejecuta simultáneamente una lista de subagentes y, a continuación, combina sus resultados mediante un estado compartido y un paso de síntesis final.
Una configuración típica define tres agentes específicos del dominio. como museum_finder, concert_finder además restaurant_finder, cada uno con su propio output_key en el estado compartido. El agente paralelo ejecuta los tres en paralelo, por lo que el tiempo total se aproxima al del agente individual más lento en lugar de la suma de los tres.
Después de que estos agentes se completen, un agente de síntesis lee marcadores de posición como {museum_result}, {concert_result} además {restaurant_result} del estado compartidoLuego, elabora una respuesta coherente y fácil de usar que combina las tres fuentes de información.
Este patrón refleja las ventajas de la "ejecución paralela" descritas en los flujos de orquestación de AgentKit 2.0.Los subagentes independientes realizan su trabajo simultáneamente, aislados por sus propias habilidades para que no contaminen el contexto de los demás, mientras que el orquestador mantiene la tolerancia a fallos y la auditabilidad generales.
AgentKit 2.0, habilidades de la comunidad y orquestación modular de agentes.
AgentKit 2.0 muestra cómo luce en la práctica un ecosistema maduro de habilidades y agentes de ADK.Incluye 16 agentes especializados que abarcan el desarrollo frontend, backend, seguridad, pruebas e infraestructura, cada uno preequipado con conocimientos específicos del dominio para que puedan operar de forma autónoma en subtareas complejas.
Más de 40 habilidades especializadas vienen incluidas de serie., que abarca áreas recurrentes como flujos de autenticación, configuración de bases de datos, despliegues en tiempo real y monitorización del rendimiento. Estas son precisamente las partes de las arquitecturas modernas que suelen requerir más tiempo de ingeniería.
Además, la comunidad en general aporta más de 1,000 habilidades mantenidas.Junto con marcos de trabajo como Agent MD, estas habilidades permiten a los agentes interpretar reglas operativas detalladas y aplicarlas de forma coherente en bases de código extensas y complejas, así como en implementaciones de múltiples capas.
La filosofía central es el desarrollo modular basado en agentes.En lugar de un único megaagente que intente abarcarlo todo, se reúne un equipo de especialistas en áreas específicas y se les coordina. Cada agente solo carga las habilidades necesarias para su dominio, siguiendo el mismo modelo de divulgación progresiva que se utiliza a nivel de habilidades.
Los flujos de orquestación típicos siguen un patrón claro.Un agente orquestador recibe un objetivo de alto nivel, transfiere el diseño de la base de datos a un agente de base de datos (que utiliza una habilidad de esquema), envía la estructura de la interfaz de usuario a un agente de frontend (que utiliza habilidades de mejores prácticas de React), ejecuta un agente de seguridad para auditorías y, finalmente, solicita a un agente de despliegue que implemente los cambios en una infraestructura como InForge. Durante todo el proceso, el orquestador recopila los resultados, reintenta los pasos fallidos cuando es necesario y registra las interacciones para su auditoría.
Esta arquitectura no solo mejora el rendimiento y la fiabilidad, sino que también se adapta a medida que las habilidades de la comunidad crecen hasta alcanzar miles de miembros.Ya no necesitas un único agente "sabelotodo"; en cambio, puedes confiar en un equipo cohesionado donde cada miembro se mantiene al día en sus respectivas habilidades.
Práctica: ejecución de agentes web de ADK localmente en macOS, Linux y Windows.
Todos estos conceptos se vuelven mucho más claros cuando ejecutas un agente real basado en ADK en tu propia máquina.La configuración web de ADK proporcionada en los repositorios de ejemplo le permite ejecutar un agente de planificación de excursiones de un día localmente con una interfaz web sencilla.
Antes de comenzar, necesitarás algunos requisitos previos.: Python 3.8 o posterior (se recomienda 3.9+), una clave API de Google AI Studio y conexión a Internet. Para versiones recientes de Python puede instalar google-adk==1.5.0, mientras que los usuarios de Python 3.8 deberían usar una versión compatible como google-adk==0.3.0.
El flujo básico para macOS y Linux comienza clonando el repositorio y configurando un entorno virtual.. Después de correr git clone además cd En el proyecto, puedes ejecutar un script automático como ./setup_venv.sh (después de otorgar permisos de ejecución) o crear y activar manualmente un entorno virtual con python3 -m venv .adk_env además source .adk_env/bin/activate (XNUMX %) pip install -r requirements.txt.
Un paso importante es configurar las variables de entorno a través de una .env presentar en el agent/ directorio. Crea este archivo, ábrelo en un editor y agrega líneas como GOOGLE_GENAI_USE_VERTEXAI=FALSE además GOOGLE_API_KEY=your_actual_api_key_hereSustituya el marcador de posición por su clave API real. Si omite este paso, el agente no podrá llamar a los modelos subyacentes.
Una vez que el entorno esté activo, simplemente ejecute adk web para iniciar la interfaz web local. La terminal muestra una URL, normalmente http://localhost:8000, donde puedes abrir tu navegador, elegir el agent Seleccione la opción de un menú desplegable y comience a chatear con el planificador de excursiones de un día. Cuando termine, desactive el entorno virtual con el deactivate mando.
Los usuarios de Windows siguen un patrón muy similar al usar el Símbolo del sistema o PowerShell.Después de clonar el repositorio y cambiar a él, puedes ejecutar un script práctico como este: setup_venv.bat o crear un venv manualmente con python -m venv .adk_env y actívalo mediante .adk_env\Scripts\activate en el símbolo del sistema o .adk_env\Scripts\Activate.ps1 en PowerShell.
La .env El archivo en Windows reside en el mismo lugar. agent\ directorio, creado por ejemplo con type nul > agent\.env y editado usando el Bloc de notas. Luego agregas los mismos pares clave-valor para configurar el acceso a Google AI. Si encuentras problemas con la política de ejecución en PowerShell, un comando como Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser Los resuelve para scripts locales.
Después de instalar las dependencias y configurar las variables de entorno, ejecute adk web Te ofrece la misma experiencia de agente basada en navegador. en Windows como en macOS o Linux, con la posibilidad de desactivar el entorno en cualquier momento usando deactivate.
En conjunto, los agentes ADK con habilidades, divulgación progresiva y orquestación multiagente ofrecen una forma poderosa de construir sistemas de IA escalables, seguros y altamente especializados. que se alinean con los flujos de trabajo de software reales. Al estructurar las habilidades con patrones de diseño sólidos, conectar los agentes a sus propias herramientas y API, aprovechar los agentes Router, Sequential, Loop y Parallel, y ejecutar las configuraciones localmente o en la nube, los equipos pueden pasar de simples chatbots a colaboradores de IA robustos que trabajan junto a desarrolladores, analistas y operadores en el trabajo diario.
