Planificateur de voyage multi-agents

Organiser un déplacement, c'est trois recherches indépendantes (comment y aller, où dormir, quoi faire) suivies d'un travail d'assemblage et d'une vérification du budget. C'est exactement la forme d'un pipeline multi-agents : on parallélise ce qui est indépendant, on enchaîne ce qui dépend du reste, et on confie au code ce qui doit être exact.

Dans ce lab, vous construisez ce pipeline avec Google ADK (Agent Development Kit, le framework open source de Google pour écrire des agents en Python) et un modèle Gemini appelé avec une simple clé d'API. Les données (vols, hôtels, activités) sont fictives et servies par des outils Python : tout tourne sur votre poste.

Ce que vous allez construire

flowchart LR
  U["Demande : Lyon vers Lisbonne, 2 voyageurs, 3 nuits, 900 EUR"] --> P
  subgraph P["ParallelAgent recherches"]
    T["transport + outil chercher_transports"]
    H["hebergement + outil chercher_hebergements"]
    A["activites + outil chercher_activites"]
  end
  P --> S["assembleur (sortie structurée Itineraire)"]
  S --> B["controle_budget (code Python, sans LLM)"]
  B --> R["Itinéraire + verdict budgétaire"]

Un ParallelAgent lance les trois spécialistes en même temps ; chacun écrit son résultat dans l'état de session (un dictionnaire partagé).
Un assembleur lit ces trois résultats et produit un itinéraire validé par un schéma Pydantic.
Un agent personnalisé (BaseAgent) recalcule le coût à partir du catalogue, jamais à partir des chiffres écrits par le modèle.

Pour qui ?

Développeurs Python à l'aise avec async/await, les dictionnaires et pip.
Vous avez déjà écrit un agent ADK simple avec un outil (sinon, commencez par un lab ADK de niveau intermédiaire).

Prérequis

Python 3.10 ou plus récent, pip install -r files/requirements.txt (google-adk 2.10.0).
Une clé d'API Gemini créée dans Google AI Studio, placée dans un fichier .env (modèle : .env.example).
Aucune connaissance de Google Cloud n'est nécessaire.

Programme

Module	Leçon	Ce que vous faites
1. Cas d'usage et architecture	Pourquoi un pipeline parallèle puis séquentiel	Découper le problème, choisir les agents de workflow
2. Construire pas à pas	Outils et agents de recherche en parallèle	Écrire les outils, les 3 spécialistes, `output_key`
2. Construire pas à pas	Assembleur structuré et contrôle du budget	`output_schema`, injection d'état, `BaseAgent` déterministe
3. Tester, évaluer, exploiter	Tester sans clé, exécuter pour de vrai, exploiter	Faux modèle, test réel, `adk web`, pistes de production

En local ou sur GCP ?

	En local (ce lab)	Sur Google Cloud (pour aller plus loin)
Modèle	Gemini via clé d'API (`GOOGLE_GENAI_USE_VERTEXAI=FALSE`)	Gemini via Vertex AI (`GOOGLE_GENAI_USE_VERTEXAI=TRUE` + projet)
Exécution	`python agent.py` ou `adk web`	Cloud Run ou Vertex AI Agent Engine
Données	Catalogue fictif en Python	Vos API de réservation réelles derrière les mêmes outils
Coût	Quelques appels au modèle	Appels au modèle + hébergement

Le code ne change pas entre les deux : seules les variables d'environnement changent.

Le code

Tout est dans le dossier files/ : agent.py, donnees.py, test_agent.py, requirements.txt.