Contenu multicanal avec modération

Une équipe marketing écrit un brief produit (le document qui résume le produit, la cible, le prix et le ton), puis le décline pour chaque canal : un post LinkedIn, une légende Instagram, un bloc de newsletter, un message WhatsApp. C'est répétitif, et chaque canal a ses codes et sa longueur maximale.

Dans ce lab, vous confiez ce travail à quatre sous-agents ADK qui écrivent en parallèle, et vous placez autour d'eux une modération automatique : avant l'appel au modèle, les données personnelles du brief sont masquées et un brief non conforme est refusé ; après l'appel, tout texte qui contient une promesse interdite ou une donnée personnelle est bloqué.

Ce que vous construisez

flowchart LR
  B["Brief produit"] --> P["ParallelAgent declinaisons"]
  P --> L["linkedin"]
  P --> I["instagram"]
  P --> N["newsletter"]
  P --> W["whatsapp"]
  subgraph CB["Callbacks de chaque sous-agent"]
    direction TB
    BM["before_model : masquer les données personnelles, refuser un brief non conforme"]
    AM["after_model : bloquer promesses interdites et données personnelles"]
  end
  L & I & N & W -.-> CB
  L & I & N & W --> S["État : texte_linkedin, texte_instagram, ..."]
  S --> R["Rapport : textes, longueurs, journal de modération"]

moderation.py : les règles en Python pur (expressions régulières), testables sans modèle ;
agent.py : 4 sous-agents générés depuis un dictionnaire CANAUX, un ParallelAgent, deux callbacks et un rapport ;
test_multicanal.py : 15 tests sans clé, avec un faux modèle qui prouve que le modèle ne voit jamais l'e-mail du brief ;
trois essais réels : un brief propre, un brief piège, un brief ambigu.

Pour qui ?

Développeurs Python qui ont déjà écrit un agent ADK simple, et veulent passer au multi-agents et aux callbacks.
Équipes marketing ou conformité curieuses de voir où placer des règles automatiques, et ce qu'elles ne savent pas faire.

Prérequis

Python 3.10 ou plus récent, pip install -r files/requirements.txt (google-adk 2.10.0).
Une clé d'API Gemini dans GOOGLE_API_KEY, avec GOOGLE_GENAI_USE_VERTEXAI=FALSE. Les tests tournent sans clé.

Programme

Module	Leçon	Ce que vous faites
1. Cas d'usage et architecture	Un brief, quatre canaux, des règles	Comprendre ParallelAgent, output_key et le cycle de vie des callbacks
2. Construire pas à pas	Un sous-agent par canal	Générer 4 agents depuis un dictionnaire, les lancer en parallèle
	Les callbacks de modération	`before_model` qui masque et refuse, `after_model` qui bloque
3. Tester, évaluer, exploiter	Tester sans clé avec un faux modèle	Prouver le masquage et le blocage sans appel réseau
	Essais réels et limites de la modération	Trois briefs réels, ce que les règles laissent passer, la relecture humaine

En local ou sur Google Cloud ?

Tout tourne en local avec une clé d'API Gemini. Pour mettre l'agent à disposition d'une équipe, les mêmes fichiers se déploient sur Cloud Run ou Vertex AI Agent Engine (voir les labs Avec Google Cloud) ; les callbacks voyagent avec l'agent, sans changement.

Le code

Tout est dans files/ : agent.py, moderation.py, brief_produit.md, brief_piege.md et test_multicanal.py.