Triage de tickets support : routeur et agents spécialisés

Une équipe support reçoit des tickets en vrac : un double prélèvement, une API en panne, un compte piraté. Avant de répondre, il faut trier : quelle équipe, quelle urgence ? Dans ce lab, vous construisez avec Google ADK un agent routeur qui ne répond jamais lui-même mais transfère chaque ticket à l'un de trois sous-agents spécialisés. Le spécialiste fixe la priorité, rédige une réponse proposée (relue par un humain) et écrit le tout dans l'état de session.

Puis vous faites ce que la plupart des démos oublient : mesurer. Un script rejoue 20 tickets fictifs étiquetés et calcule l'exactitude du routage et de la priorité.

Pour qui ?

Développeurs Python qui ont écrit un premier agent ADK.
Responsables support ou ops qui veulent automatiser le tri sans perdre le contrôle.

Ce que vous construisez

flowchart TB
  T["Ticket client"] --> R["routeur_support (ne répond jamais)"]
  R -->|"transfer_to_agent"| F["facturation + consulter_facture()"]
  R -->|"transfer_to_agent"| TE["technique + etat_des_services()"]
  R -->|"transfer_to_agent"| C["compte"]
  F --> E["enregistrer_triage(priorité, résumé, réponse proposée)"]
  TE --> E
  C --> E
  E --> S[("state['triage'] : équipe, P1/P2/P3, brouillon")]
  S --> EV["evaluer.py : exactitude sur 20 tickets"]

Prérequis

Python 3.10+, une clé d'API Gemini.
pip install -r files/requirements.txt.
L'évaluation complète fait de l'ordre de 2 à 3 appels de modèle par ticket, soit quelques dizaines d'appels.

Programme

Module	Leçon	Ce que vous faites	Durée
1. Cas d'usage	Le cas d'usage et l'architecture	Catégories, priorités, routeur ou classifieur	30 min
2. Construire	Le routeur et les spécialistes	`sub_agents`, transfert, descriptions, interdire le ping-pong	45 min
2. Construire	Priorité, réponse proposée et état	`enregistrer_triage`, `skip_summarization`, outils métier	40 min
3. Tester, évaluer, exploiter	Évaluer sur 20 tickets	Faux modèles, évaluation réelle, analyse d'erreurs, production	50 min

Le code

Dans files/ : agent.py, evaluer.py (évaluation réelle), tickets.json (20 tickets étiquetés), test_agent.py (5 tests sans clé), requirements.txt et .env.example.

En local ou sur Google Cloud ?

	En local (ce lab)	Sur Google Cloud (piste)
Modèle	API Gemini avec une clé	Vertex AI (mêmes agents, variables d'environnement différentes)
Entrée des tickets	`tickets.json`	Pub/Sub ou webhook de l'outil de support vers un service Cloud Run
Résultat	`state['triage']` + `resultats.json`	écriture dans l'outil de support, journal dans BigQuery
Évaluation	`python evaluer.py`	même script en CI, ou `adk eval` avec des jeux d'évaluation

Testé de bout en bout en local le 2026-10-15 (évaluation réelle sur les 20 tickets) ; la variante Google Cloud n'est pas déployée dans ce lab.