Se usó la API de Cloud Translation para traducir esta página.

Crea agentes de IA con el ADK: Potencia con herramientas

1. Antes de comenzar

Te damos la bienvenida a la segunda parte de la serie "Cómo crear agentes de IA con el ADK". En este codelab práctico, potenciarás un agente de IA básico con una variedad de herramientas.

Para comenzar, esta guía proporciona dos rutas: una para quienes continúan desde el codelab "Cómo compilar agentes de IA con el ADK: Los conceptos básicos" y otra para quienes comienzan desde cero. Ambas rutas te garantizarán que tengas el código base del agente necesario para comenzar.

Al final de este codelab, habrás potenciado tu agente asistente personal con herramientas para diversos fines, un paso más cerca de expandirse en las partes posteriores de esta serie a medida que lo transformamos en un sofisticado sistema multiagente (MAS).

Requisitos previos

Comprensión de los conceptos de la IA generativa
Conocimiento básico de programación en Python
Haber completado el codelab Building AI Agents with ADK: The Foundation o uno similar

Qué aprenderás

Bríndale nuevas habilidades a tu agente creando funciones de Python personalizadas como herramientas.
Conecta tu agente a información en tiempo real con herramientas integradas, como la Búsqueda de Google.
Estructura un agente multiherramienta creando subagentes especializados para tareas complejas.
Integra herramientas de marcos de trabajo de IA populares, como LangChain, para expandir rápidamente las capacidades.

Requisitos

Una computadora que funcione y una red Wi-Fi confiable
Un navegador, como Chrome, para acceder a la consola de Google Cloud
Un proyecto de Google Cloud con la facturación habilitada
Una mente curiosa y ganas de aprender

2. Introducción

Un agente básico creado con el ADK tiene un potente cerebro de LLM, pero también tiene limitaciones: no puede acceder a la información creada después de la fecha de su entrenamiento ni interactuar con servicios externos. Es como un asistente brillante y erudito encerrado en una biblioteca sin teléfono ni Internet. Para que un agente sea realmente útil, debemos proporcionarle herramientas.

Piensa en las herramientas como si le dieran a ese asistente de IA acceso al mundo exterior: una calculadora, un navegador web o acceso a una base de datos específica de la empresa. En el ADK, una herramienta es un fragmento de código modular que permite al agente realizar acciones específicas, como buscar datos en tiempo real o llamar a una API externa. El uso de herramientas extiende sus capacidades mucho más allá de la simple conversación.

El ADK ofrece tres categorías de herramientas:

Herramientas de funciones: Son herramientas personalizadas que desarrollas para satisfacer los requisitos únicos de tu aplicación, como funciones y agentes predefinidos.
Herramientas integradas: Herramientas listas para usar que proporciona el framework para operaciones comunes, como la Búsqueda de Google y la ejecución de código.
Herramientas de terceros: Bibliotecas externas populares, como Serper, y herramientas de LangChain y CrewAI

Para obtener más información sobre el uso de herramientas con los agentes del ADK, consulta la documentación oficial. En este codelab, agregaremos herramientas para transformar nuestro agente simple en un asistente personal de viajes capaz. Comencemos.

3. Primeros pasos: Tu agente base

Antes de potenciar un agente con herramientas, necesitas un agente básico con el que trabajar. Elige la ruta que mejor se adapte a tu progreso.

Ruta A: Continuación del codelab de Foundation

Si acabas de completar el codelab "Cómo compilar agentes de IA con el ADK: Los fundamentos", ya tienes todo listo. Puedes seguir trabajando en tu directorio de proyectos ai-agents-adk existente.

Ruta B: Comenzar de cero

Si vas a comenzar este codelab directamente, completa estos 4 pasos para configurar tu entorno y crear el agente de partida necesario.

Una vez que completes los pasos, podrás comenzar tu recorrido de aprendizaje.

4. Crea una herramienta personalizada para el cambio de divisas

En esta etapa, ya deberías saber cómo compilar un agente de IA simple con el ADK y ejecutarlo en la IU de desarrollo.

Imagina que te estás preparando para un viaje a Japón el próximo mes y necesitas verificar el tipo de cambio actual. Pregúntale al agente: "¿Cuál es el tipo de cambio del dólar de Singapur al yen japonés?".

Verás que el agente no puede recuperar los tipos de cambio en tiempo real. Esto se debe a que el agente no tiene acceso a Internet ni conectividad con sistemas externos. Incluso si el agente responde con un valor, es difícil confiar en él, ya que es probable que sea una alucinación.

Para abordar este problema, implementaremos una función de Python para recuperar los tipos de cambio a través de una API de REST y la integraremos como una herramienta de función para el agente.

Finaliza el proceso del agente en ejecución con la combinación de teclas Ctrl + C (para Windows o Linux) o Cmd + C (para macOS) en la ventana de la terminal.

Crea el archivo `custom_functions.py`**:

Para crear un archivo de Python llamado custom_functions.py en la carpeta personal_assistant, escribe este comando en la terminal.

touch personal_assistant/custom_functions.py

Así debería verse la estructura de carpetas:

ai-agents-adk/
└── personal_assistant/
    ├── .env
    ├── __init__.py
    ├── agent.py
    └── custom_functions.py

Abre custom_functions.py en el editor de código. Este archivo contendrá la función de Python responsable de recuperar los datos del tipo de cambio de una API externa.

Copia y pega el siguiente código en el interior:

import requests

# define a function to get exchange rate
def get_fx_rate(base: str, target: str):
        """
        Fetches the current exchange rate between two currencies.

        Args:
                base: The base currency (e.g., "SGD").
                target: The target currency (e.g., "JPY").

        Returns:
                The exchange rate information as a json response,
                or None if the rate could not be fetched.
        """
        base_url = "https://hexarate.paikama.co/api/rates/latest"
        api_url = f"{base_url}/{base}?target={target}"

        response = requests.get(api_url)
        if response.status_code == 200:
                return response.json()

Ahora, edita el archivo agent.py: importa la función get_fx_rate y asígnala como FunctionTool.

Actualiza el archivo `agent.py`:

Copia este bloque de código y reemplaza el contenido existente del archivo agent.py:

from google.adk.agents import Agent
from google.adk.tools import FunctionTool

from .custom_functions import get_fx_rate

root_agent = Agent(
    model='gemini-2.5-flash',
    name='root_agent',
    description='A helpful assistant for user questions.',
    instruction='Answer user questions to the best of your knowledge',
    tools=[FunctionTool(get_fx_rate)]
)

Después de los cambios, vuelve a iniciar el agente escribiendo lo siguiente:

uv run adk web

Cuando el agente esté disponible, vuelve a hacer la misma pregunta: "¿Cuál es el tipo de cambio del dólar de Singapur al yen japonés?".

Esta vez, deberías ver el tipo de cambio real que proporciona la herramienta get_fx_rate.

No dudes en hacer todas las preguntas que quieras sobre el cambio de divisas.

5. Integración con la herramienta de Búsqueda de Google integrada

Ahora que el agente puede proporcionar tipos de cambio, la siguiente tarea es obtener el pronóstico del clima del próximo mes. Hazle esta pregunta al agente: "¿Cuál es el pronóstico del tiempo en Tokio, Japón, para el próximo mes?"

Como es de esperar, el pronóstico del clima requiere información en tiempo real que nuestro agente no tiene. Si bien podríamos codificar nuevas funciones de Python para cada fragmento de datos en tiempo real requeridos, agregar cada vez más herramientas personalizadas hace que el agente sea demasiado complicado y difícil de administrar.

Afortunadamente, el Kit de desarrollo de agentes (ADK) proporciona un conjunto de herramientas integradas, incluida la Búsqueda de Google, que están listas para usarse, lo que simplifica la forma en que nuestro agente interactúa con el mundo exterior. Agreguemos una herramienta de Búsqueda de Google a nuestro agente.

Para ello, debes editar el archivo agent.py de la siguiente manera:

from google.adk.agents import Agent
from google.adk.tools import FunctionTool
from google.adk.tools import google_search

from .custom_functions import get_fx_rate

root_agent = Agent(
    model='gemini-2.5-flash',
    name='root_agent',
    description='A helpful assistant for user questions.',
    instruction='Answer user questions to the best of your knowledge',
    tools=[
        FunctionTool(get_fx_rate), 
        google_search,
    ]
)

Una vez que hayas editado el archivo, reinicia la instancia adk web. En caso de que lo olvides,

Haz clic en la terminal y presiona Ctrl + C o Cmd + C para detener la instancia.
uv run adk web para iniciar la instancia
Intenta hacer la misma pregunta: "¿Cuál es el pronóstico del tiempo en Tokio, Japón, para el próximo mes?"

El enfoque recomendado es adoptar un patrón multiagente: crear un agente especializado cuyo único trabajo sea realizar búsquedas en Google. Luego, asignamos este nuevo agente de la Búsqueda de Google a nuestro personal_assistant principal como herramienta.

Crea un archivo `custom_agents.py`

Ahora, crea un archivo de Python llamado custom_agents.py en la carpeta personal_assistant.

touch personal_assistant/custom_agents.py

Así debería verse la estructura de tu carpeta ahora:

ai-agents-adk/
└── personal_assistant/
    ├── .env
    ├── __init__.py
    ├── agent.py
    ├── custom_functions.py
    └── custom_agents.py

Este archivo contendrá el código del google_search_agent especializado. Copia el siguiente código en el archivo custom_agents.py con el Editor de código.

from google.adk.agents import Agent
from google.adk.tools import google_search


# Create an agent with google search tool as a search specialist
google_search_agent = Agent(
    model='gemini-2.5-flash',
    name='google_search_agent',
    description='A search agent that uses google search to get latest information about current events, weather, or business hours.',
    instruction='Use google search to answer user questions about real-time, logistical information.',
    tools=[google_search],
)

Una vez que se cree el archivo, actualiza el archivo agent.py como se muestra a continuación.

Actualiza el archivo `agent.py`

Copia este bloque de código y reemplaza el contenido existente del archivo agent.py:

from google.adk.agents import Agent
from google.adk.tools import FunctionTool
from google.adk.tools import agent_tool

from .custom_functions import get_fx_rate
from .custom_agents import google_search_agent


root_agent = Agent(
    model='gemini-2.5-flash',
    name='root_agent',
    description='A helpful assistant for user questions.',
    tools=[
        FunctionTool(get_fx_rate), 
        agent_tool.AgentTool(agent=google_search_agent),
    ]
)

Analicemos el nuevo patrón potente en el código:

Un nuevo agente especialista: Definimos un agente completamente nuevo, google_search_agent. Ten en cuenta su descripción específica y que su única herramienta es google_search. Es un especialista en búsquedas.
agent_tool.AgentTool: Es un wrapper especial del ADK. Toma un agente completo (nuestro google_search_agent) y lo empaqueta para que se vea y actúe como una herramienta estándar.
Un**root_agent más inteligente**: Nuestro root_agent ahora tiene una nueva herramienta: agent_tool.AgentTool(agent=google_search_agent). No sabe cómo buscar en la Web, pero sabe que tiene una herramienta a la que puede delegar tareas de búsqueda.

Observa que el campo de instrucciones ya no está en root_agent. Sus instrucciones ahora se definen de forma implícita por las herramientas que tiene disponibles.

El root_agent se convirtió en un orquestador o un router, cuyo trabajo principal es comprender la solicitud de un usuario y pasarla a la herramienta correcta, ya sea la función get_fx_rate o el google_search_agent. Este diseño descentralizado es clave para crear sistemas de agentes complejos y fáciles de mantener.

Ahora, reinicia el

adk web

instancia y vuelve a hacerle esta pregunta al agente: "¿Cuál es el pronóstico del tiempo en Tokio, Japón, para el próximo mes?"

El agente ahora usa google_search_agent para obtener la información más reciente

También puedes hacer una pregunta sobre el tipo de cambio actual. Ahora, el agente debería poder usar la herramienta adecuada para la pregunta correspondiente.

No dudes en hacer otras preguntas que requieran información en tiempo real para el agente y observa cómo maneja las consultas con las herramientas a su disposición.

6. Aprovecha la herramienta de Wikipedia de LangChain

Nuestro agente se está convirtiendo en un excelente asistente de viajes. Puede encargarse del cambio de divisas con su herramienta get_fx_rate y administrar la logística con su herramienta google_search_agent. Sin embargo, un gran viaje no se trata solo de logística, sino también de comprender la cultura y la historia de tu destino.

Si bien google_search_agent puede encontrar datos históricos y culturales, la información de una fuente específica, como Wikipedia, suele ser más estructurada y confiable.

Afortunadamente, el ADK está diseñado para ser altamente extensible, lo que te permite integrar sin problemas herramientas de otros frameworks de agentes de IA, como CrewAI y LangChain. Esta interoperabilidad es fundamental porque permite un tiempo de desarrollo más rápido y te permite reutilizar herramientas existentes. Para este caso de uso, aprovecharemos las herramientas de Wikipedia de LangChain.

Primero, detén el proceso del agente en ejecución (Ctrl + C o Cmd + C) y, luego, instala bibliotecas adicionales en el entorno virtual de Python actual escribiendo los siguientes comandos en la terminal.

uv add langchain-community
uv add wikipedia

Crea un archivo `third_party_tools.py`

Ahora, crea un archivo de Python llamado third_party_tools.py en la carpeta personal_assistant.

touch personal_assistant/third_party_tools.py

Así debería verse la estructura de tu carpeta ahora:

ai-agents-adk/
└── personal_assistant/
    ├── .env
    ├── __init__.py
    ├── agent.py
    ├── custom_functions.py
    ├── custom_agents.py
    └── third_party_tools.py

Este archivo contendrá la implementación de la herramienta de Wikipedia de LangChain. Copia el siguiente código en third_party_tools.py con el Editor de Cloud:

from langchain_community.tools import WikipediaQueryRun
from langchain_community.utilities import WikipediaAPIWrapper

# Configure the Wikipedia LangChain tool to act as our cultural guide
langchain_wikipedia_tool = WikipediaQueryRun(
    api_wrapper=WikipediaAPIWrapper(top_k_results=1, doc_content_chars_max=3000)
)

# Give the tool a more specific description for our agent
langchain_wikipedia_tool.description = (
    "Provides deep historical and cultural information on landmarks, concepts, and places."
    "Use this for 'tell me about' or 'what is the history of' type questions."
)

Actualiza el archivo `agent.py`

Ahora actualiza el archivo agent.py con el siguiente contenido:

from google.adk.agents import Agent
from google.adk.tools import FunctionTool
from google.adk.tools import agent_tool
from google.adk.tools import langchain_tool

from .custom_functions import get_fx_rate
from .custom_agents import google_search_agent
from .third_party_tools import langchain_wikipedia_tool


root_agent = Agent(
    model='gemini-2.5-flash',
    name='root_agent',
    description='A helpful assistant for user questions.',
    tools=[
        FunctionTool(get_fx_rate), 
        agent_tool.AgentTool(agent=google_search_agent),
        langchain_tool.LangchainTool(langchain_wikipedia_tool),
    ]
)

Ahora, reinicia la instancia de adk web y hazle esta pregunta al agente: "Cuéntame sobre la historia de Kioto".

El agente identifica correctamente esta búsqueda como histórica y usa su nueva herramienta de Wikipedia. Al integrar una herramienta de terceros y asignarle un rol específico, hiciste que tu agente sea mucho más inteligente y útil para su propósito de planificación de viajes.

Para ver exactamente cómo tomó esta decisión el agente, puedes usar el inspector de eventos en la IU de adk web. Haz clic en la pestaña Eventos y, luego, en el evento functionCall más reciente.

El inspector muestra una lista de todas las herramientas disponibles y destaca el tool_code de la que ejecutó el agente.

7. Limpieza (opcional)

Como este codelab no involucra ningún producto de ejecución prolongada, basta con que detengas las sesiones de agentes activos (p.ej., la instancia adk web en tu terminal) presionando Ctrl + C en la terminal.

Borra las carpetas y los archivos del proyecto del agente

Si solo deseas quitar el código de tu entorno de Cloud Shell, usa los siguientes comandos:

cd ~
rm -rf ai-agents-adk

Inhabilita la API de Vertex AI

Para inhabilitar la API de Vertex AI que habilitaste antes, ejecuta este comando:

gcloud services disable aiplatform.googleapis.com

Cómo cerrar todo el proyecto de Google Cloud

Si deseas cerrar por completo tu proyecto de Google Cloud, consulta la guía oficial para obtener instrucciones detalladas.

8. Conclusión

¡Felicitaciones! Habilitaste correctamente el agente asistente personal con funciones personalizadas y acceso en tiempo real a la Búsqueda de Google. Lee esta documentación oficial sobre cómo usar herramientas con el ADK de Google.

Lo más importante es que aprendiste el patrón arquitectónico fundamental para crear agentes capaces: usar agentes especializados como herramientas. Si creas un google_search_agent dedicado y se lo das a tu root_agent, habrás dado el primer paso para pasar de compilar un solo agente a orquestar un sistema multiagente simple, pero potente.

Ahora estás perfectamente preparado para el próximo codelab de la serie, en el que profundizaremos en la organización de varios agentes y flujos de trabajo. ¡Nos vemos!

Crea agentes de IA con el ADK: Potencia con herramientas

1. Antes de comenzar

Requisitos previos

Qué aprenderás

Requisitos

2. Introducción

3. Primeros pasos: Tu agente base

4. Crea una herramienta personalizada para el cambio de divisas

Crea el archivo custom_functions.py**:

Actualiza el archivo agent.py**:**

5. Integración con la herramienta de Búsqueda de Google integrada

Crea un archivo custom_agents.py

Actualiza el archivo agent.py

6. Aprovecha la herramienta de Wikipedia de LangChain

Crea un archivo third_party_tools.py

Actualiza el archivo agent.py

7. Limpieza (opcional)

Borra las carpetas y los archivos del proyecto del agente

Inhabilita la API de Vertex AI

Cómo cerrar todo el proyecto de Google Cloud

8. Conclusión

Crea el archivo `custom_functions.py`**:

Actualiza el archivo `agent.py`:

Crea un archivo `custom_agents.py`

Actualiza el archivo `agent.py`

Crea un archivo `third_party_tools.py`

Actualiza el archivo `agent.py`