13 demostraciones prácticas para construir sobre la plataforma Gemini Enterprise Agent

Más temprano este año, presentamos la Plataforma de Agentes de Empresa Gemini, donde puedes construir, escalar, gobernar y optimizar agentes. Hoy, estamos compartiendo 13 demostraciones que te guían a través de lo que puede hacer la Plataforma de Agentes. Cada una enseña un concepto, un patrón o una arquitectura que puedes poner en marcha de inmediato. ¿Cuál es lo mejor? No tienes que seguirlas paso a paso. Instala la CLI de Agentes en tu agente de codificación favorito (Antigravity, Claude Code, Codex, cualquiera que uses) y obtendrás instantáneamente siete habilidades que lo convierten en un experto en ADK y Plataforma de Agentes. Describe lo que quieres construir en lenguaje sencillo, y tu agente de codificación crea, evalúa, implementa y supervisa el agente para ti. Nunca tendrás que salir de tu editor. ¡Empecemos! Construye agentes de IA Estas demostraciones están basadas en el código primero ADK. Comienzan desde la base y avanzan. 1. Empieza aquí: construye tu primer agente con ADK. El codelab de ADK Foundation es tu punto de entrada perfecto. Configuras tu entorno, defines un agente conversacional básico impulsado por Gemini, configuras sus ajustes y lo pruebas a través de una interfaz de línea de comandos y una interfaz de usuario web. Si nunca has usado ADK, haz esto primero. 2. Construye un agente de aprobación impulsado por eventos con intervención humana. El codelab del agente de gastos ambientales es la demostración más completa de la Plataforma de Agentes en el conjunto. Construyes un agente corporativo de gastos usando la API de flujo de trabajo basada en gráficos de ADK 2.0. Los gastos por debajo de un umbral se aprueban automáticamente en Python estándar. Cualquier cosa por encima pasa por un cribado de seguridad pre-LLM (eliminación de PII, defensa contra inyección de prompts), pasa un análisis de cumplimiento de Gemini y se pausa para una revisión con intervención humana antes de que nada se finalice. Lo montas detrás de FastAPI, lo disparas a partir de eventos de Pub/Sub y lo calificas con una evaluación de LLM como juez. Ten en cuenta este agente, volverá en las secciones de Escalar y Gobernar. 3. Conecta los agentes con tus datos con el Protocolo de Contexto del Modelo. El codelab de MCP te muestra cómo construir herramientas de MCP reutilizables que permiten a Gemini consultar BigQuery, buscar archivos y llamar a APIs. MCP es un protocolo abierto, por lo que las herramientas que construyas funcionan en diferentes proveedores y marcos. 4. Construye una interfaz de usuario dinámica con A2UI. Las mejores experiencias de usuario son altamente visuales. El codelab de A2UI te muestra cómo construir un agente que renderiza componentes de interfaz de usuario reales (diseños, gráficos, menús interactivos) que se actualizan dinámicamente en tiempo real a medida que fluye la conversación. El agente literalmente ensambla la interfaz de usuario que necesita el usuario, sobre la marcha. Escala agentes de IA Un prototipo en tu portátil es una cosa. Manejar el tráfico, la memoria y la orquestación es lo siguiente. 5. Implementa un agente de ciencia de datos a estado en Agent Runtime (anteriormente conocido como Engine de Agentes). El codelab del Agente de Ciencia de Datos te guía para construir un agente de BigQuery que recuerda las preferencias del usuario a través de Memoria Bank en sesiones, y luego lo implementa directamente en Agent Runtime. Toda la infraestructura subyacente, la escalabilidad y la gestión de sesiones se gestionan automáticamente para ti. 6. Construye agentes que funcionan de forma continua, que se pausan, se reanudan y nunca pierden contexto. Construir un agente que responde a un solo prompt es fácil, pero los flujos de trabajo empresariales reales a menudo tardan días o semanas en completarse. Este tutorial te guía para construir agentes que funcionan de forma fiable durante semanas. Aprenderás tres patrones arquitectónicos: máquinas de estado duraderas, manejo de tiempo de inactividad impulsado por eventos y checkpoint-and-resume con sesiones persistentes. El ejemplo es un agente de coordinador de incorporación que sobrevive a las reinicias del contenedor y recoge exactamente donde lo dejó. 7. Implementa un agente de gastos ambientales en Agent Runtime con la CLI de Agentes. ¿Recuerdas el agente de gastos de la sección de Construir? El codelab de Implementar en Agent Runtime recoge ese agente y lo lleva a la producción. Usas la CLI de Agentes para crear tu configuración de implementación, lo ves con una ejecución de prueba y luego lo implementas en vivo. Cloud Trace, Cloud Logging y BigQuery Agent Analytics se integran automáticamente y el agente se registra automáticamente en Agent Registry, lo que lo hace descubrible en toda tu organización tan pronto como esté activo. 8. Dale a tu agente de producción una interfaz real. El codelab de la interfaz es donde todo se une. Construyes un panel de control de gestión en Cloud Run, lo conectas a Agent Runtime a través de una tubería de Pub/Sub autenticada con OIDC y le das a los gestores la capacidad de reanudar las sesiones con intervención humana desde el navegador. Esto une el agente de gastos y la implementación en una arquitectura empresarial completa. Governa agentes de IA Escalar agentes en toda una organización requiere un sistema de guardabarros incorporados para gestionar el acceso, el seguimiento de los puntos finales y el filtrado del tráfico. 9. Protege el ciclo de vida de tu agente desde el primer commit. El codelab de Código de Agentes Seguros te muestra cómo construir un asistente de compras de prueba-primero con desarrollo impulsado por pruebas (TDD), cómo implementar un modelo de amenaza STRIDE personalizado, cómo configurar un pre-commit hook de Semgrep y cómo configurar una puerta de acceso de PreToolUse que bloquea acciones arriesgadas antes de la ejecución. Deliberadamente colocas una clave API codificada y el agente la captura y la corrige en el momento en que se activa el hook. 10. Controla el acceso al agente con Agent Gateway. El codelab de Agent Gateway cubre la gobernanza en tiempo de ejecución. Implementas un agente de ADK multi-herramientas en Agent Runtime que llama a servidores de MCP en Cloud Run a través de Agent Gateway. Cada agente tiene una identidad única con mTLS de extremo a extremo. Cada llamada saliente pasa por la autenticación de IAP y la autorización de IAM. Además, Model Armor inspecciona todo el contenido para la inyección de prompts y la fuga de datos. Es una pila de gobernanza de producción completa en una sola demostración. Optimiza agentes de IA Enviar un agente es el comienzo. Lo difícil es saber si tu próximo ajuste de prompt realmente lo mejora o simplemente rompe diez cosas. La Plataforma de Agentes te da las herramientas para cerrar ese bucle. 11. Impulsa el ciclo de mejora de la calidad del agente desde tu agente de codificación. Has modificado un prompt. Parece mejor en tres ejemplos, pero ¿rompiste diez otros? Este tutorial introduce un ciclo de mejora de la calidad de cinco etapas que ejecutas directamente desde tu agente de codificación: preparar datos (desde trazas de OTel, casos manuales o escenarios sintetizados), ejecutar la inferencia, calificar con Google’s Adaptive AutoRaters, analizar los clústeres de fallos y ejecutar optimizaciones dirigidas. Los AutoRaters se basan en los mismos principios que usa Google para evaluar sus propios modelos y agentes de primera parte, desarrollados en colaboración con DeepMind. Describe lo que quieres medir en lenguaje sencillo. Tu agente de codificación recoge el resto. 12. Construye una tubería de agente multi-idioma con A2A. En una gran empresa, los equipos inevitablemente construirán agentes en diferentes idiomas. Este tutorial te guía para construir un flujo de cumplimiento de contratos donde un agente en Python extrae términos usando Gemini y un agente en Go valida estos términos contra la política corporativa. Los dos servicios se conectan mediante el protocolo de Agente a Agente (A2A) y están orquestados por ADK. Aprenderás cómo RemoteA2aAgent convierte cualquier servicio compatible con A2A en un sub-agente local con unas pocas líneas de código. 13. Escala agentes en diferentes marcos con CrewAI, LangGraph, A2A y ADK. La mayoría de los equipos de producción no estandarizan en un único marco de agente. El codelab muestra cómo orquestar todo ello: una sala de control de ADK delega la planificación a una máquina de estado de LangGraph, que envía tareas a un equipo de ejecución de CrewAI, todo conectado mediante el protocolo A2A. Si falla un paso, la sala de control vuelve a planear automáticamente.