Workflows agentiques avec Google ADK

Un seul agent qui « fait tout » devient vite imprévisible : il oublie une étape, invente un chiffre, tourne en rond. Dès qu'un processus métier a des étapes connues, on gagne en fiabilité en les écrivant comme un workflow : une suite d'agents spécialisés, orchestrés par du code. Cette formation vous apprend à le faire avec Google ADK (Agent Development Kit), le framework open source de Google pour construire des agents, en version 2.10.0.

Fil rouge : un pipeline de due diligence fournisseur, c'est-à-dire la vérification d'un fournisseur avant de signer avec lui (santé financière, situation juridique, réputation). Trois chercheurs travaillent en parallèle, un agent sans IA calcule un score de risque, un analyste synthétise, puis un rédacteur et un relecteur échangent en boucle jusqu'à ce que le rapport respecte la politique achats.

Ce que vous construisez

flowchart LR
  U["Demande : due diligence de X"] --> P
  subgraph P["ParallelAgent recherche"]
    R1["chercheur_registre"]
    R2["chercheur_finances"]
    R3["chercheur_reputation"]
  end
  P --> S["ScoreurRisque (BaseAgent, sans LLM)"]
  S --> A["analyste (LlmAgent)"]
  A --> L
  subgraph L["LoopAgent redaction_relecture (3 tours max)"]
    W["redacteur"] --> V["relecteur"]
    V -->|"corrections"| W
  end
  V -->|"approuver_rapport : escalate"| F["Rapport approuvé"]

Le tout est enveloppé dans un SequentialAgent, partage un état de session (un dictionnaire commun à tous les agents) et passe par quatre callbacks : budget d'appels, masquage des données sensibles, contrôle des arguments d'outil, journal.

Pour qui ?

• Développeurs Python qui ont déjà écrit un agent avec outils (par exemple dans Construire un agent IA de A à Z).
• À l'aise avec async/await, pytest et les variables d'environnement.
• Aucune connaissance préalable des agents de workflow d'ADK.

Prérequis

• Python 3.10 ou plus récent, pip install -r requirements.txt (google-adk 2.10.0).
• En local, sans GCP : une clé d'API Gemini (Google AI Studio) dans GOOGLE_API_KEY, modèle par défaut gemini-3.5-flash.
• Sur GCP : un projet avec Vertex AI activé, gcloud auth application-default login, GOOGLE_GENAI_USE_VERTEXAI=TRUE et le modèle gemini-2.5-flash en europe-west1. Le même code tourne dans les deux modes : seules les variables changent.

Programme

Le code du lab

Tout est dans files/ : agent.py (le pipeline), run_pipeline.py (exécution et trace), test_pipeline.py (9 tests sans clé), fournisseurs.json (3 fournisseurs fictifs), le jeu d'évaluation due_diligence.evalset.json, test_config.json, requirements.txt et .env.example.

Ce que vous saurez faire

• Choisir entre un agent autonome et un workflow, et composer SequentialAgent, ParallelAgent, LoopAgent et un BaseAgent maison.
• Faire circuler les données entre agents par l'état de session, sans collisions.
• Écrire une condition d'arrêt de boucle qui ne dépend pas uniquement du LLM.
• Poser des garde-fous et un journal avec les callbacks before/after_model et before/after_tool.
• Tester un pipeline multi-agents sans clé, puis l'évaluer avec adk eval.