Lab ADK : un tuteur pédagogique qui se souvient de vous

Un bon tuteur ne pose pas la même question à tout le monde. Il commence par évaluer où vous en êtes, il adapte la difficulté à vos réponses, et la semaine suivante il se souvient que vous butiez sur les décorateurs Python. Dans ce lab, vous construisez exactement cela avec Google ADK (Agent Development Kit, le framework open source de Google pour écrire des agents) et une simple clé d'API Gemini.

Pour qui ?

Vous savez écrire une fonction Python et lancer pip install.
Vous avez déjà vu un agent ADK minimal (un Agent, un outil, un Runner). Sinon, lisez d'abord un lab de niveau débutant.
Aucun projet Google Cloud n'est nécessaire.

Ce que vous allez construire

Un tuteur en ligne de commande qui :

fait passer un test de positionnement de deux questions sur un thème (Python, SQL…) ;
pose ensuite une question à la fois, au niveau de l'élève (de 1 « débutant » à 5 « expert ») ;
applique une règle de progression déterministe (deux bonnes réponses d'affilée : niveau +1 ; deux erreurs : niveau -1) ;
range la progression dans l'état de session ADK avec le préfixe user: et la persiste dans un fichier SQLite : en relançant le programme le lendemain, le tuteur reprend là où l'élève s'était arrêté.

flowchart LR
  E["Élève (terminal)"] --> R["Runner ADK"]
  R --> A["Agent tuteur (Gemini)"]
  A -->|"appelle"| T1["definir_niveau"]
  A -->|"appelle"| T2["enregistrer_reponse"]
  T1 --> S["État user:progression"]
  T2 --> S
  S --> DB[("tuteur.db (SQLite)")]
  DB -->|"relu à la session suivante"| A

Prérequis techniques

Python 3.10 ou plus récent.
Une clé d'API Gemini (gratuite pour tester) créée dans Google AI Studio.
Les dépendances de requirements.txt : google-adk==2.10.0, aiosqlite, python-dotenv, pytest.

Programme

Module	Leçon	Durée indicative
1. Le cas d'usage	Un tuteur adaptatif : besoin, architecture, choix techniques	30 min
2. Construire	Les outils et l'état `user:` ; la mémoire SQLite entre sessions	1h15
3. Tester et exploiter	Tests sans clé, élève simulé, mise en service	45 min

En local ou sur Google Cloud ?

	En local (ce lab)	Sur Google Cloud (pour aller plus loin)
Modèle	API Gemini avec une clé (`GOOGLE_API_KEY`)	Vertex AI (`GOOGLE_GENAI_USE_VERTEXAI=TRUE`)
Stockage des sessions	`SqliteSessionService` : un fichier `tuteur.db`	`DatabaseSessionService` sur Cloud SQL, ou `VertexAiSessionService`
Exécution	`python main.py` dans un terminal	Cloud Run (`adk deploy cloud_run`)
Coût	quelques appels au modèle par question	idem + base managée

Le code complet est dans files/ : agent.py, main.py, test_tuteur.py. Tout a été exécuté le 2026-10-15 avec google-adk 2.10.0 et le modèle gemini-3.5-flash.