Recherche web et synthèse sourcée avec Google Search

Un modèle de langage ne connaît que ce qu'il a lu pendant son entraînement. Pour répondre à « quelles sont les dernières nouveautés de X ? », il doit chercher. Dans ce lab, vous donnez à un agent Google ADK l'outil intégré google_search : Gemini lance lui-même des recherches Google et renvoie, avec sa réponse, la liste des pages utilisées (les métadonnées d'ancrage, ou grounding metadata).

Vous allez surtout apprendre à respecter une contrainte réelle d'ADK et de l'API Gemini : un outil intégré comme google_search ne se mélange pas librement avec vos propres fonctions dans le même agent. On la contourne proprement avec un sous-agent exposé comme outil (AgentTool).

Pour qui ?

Développeurs Python qui ont déjà écrit un agent ADK simple (ou suivi le lab Assistant e-commerce).
Toute personne qui doit produire des notes de veille sourcées.

Ce que vous construisez

flowchart LR
  U["Question d'actualité"] --> A["analyste_recherche (agent principal)"]
  A -->|"outil fonction"| D["date_du_jour()"]
  A -->|"AgentTool, 2 à 3 fois"| C["chercheur_web (sous-agent)"]
  C -->|"seul outil"| G["google_search (intégré à Gemini)"]
  C -->|"after_model_callback"| S[("state['sources'] numérotées")]
  A --> R["Rapport Markdown : Synthèse, Points clés [n], Incertitudes, Sources"]
  S --> R

Prérequis

Python 3.10+, une clé d'API Gemini (Google AI Studio).
pip install -r files/requirements.txt.

Programme

Module	Leçon	Ce que vous faites	Durée
1. Cas d'usage	Le cas d'usage et l'architecture	Comprendre l'ancrage et la contrainte des outils intégrés	30 min
2. Construire	Le sous-agent de recherche	`google_search` isolé, `AgentTool`, l'erreur 400 réelle	40 min
2. Construire	Sources citées et rapport	Callback qui numérote les sources, rapport structuré	40 min
3. Tester et exploiter	Tester et exploiter	Faux modèles, run réel, coûts, règles d'affichage	40 min

Le code

Dans files/ : agent.py, run.py (recherche réelle, écrit rapport.md), test_agent.py (3 tests sans clé), requirements.txt et .env.example.

En local ou sur Google Cloud ?

	En local (ce lab)	Sur Google Cloud (piste)
Modèle et recherche	API Gemini + `google_search`, avec une clé	Vertex AI + `google_search` (même code, variables `GOOGLE_GENAI_USE_VERTEXAI=TRUE`, projet, région)
Sources internes	non	`VertexAiSearchTool` sur vos documents (autre outil intégré, mêmes contraintes)
Hébergement	`python run.py`	`adk deploy cloud_run`

Testé de bout en bout en local le 2026-10-15 ; la variante Google Cloud n'a pas été déployée ici.