Analyste de données : un agent qui exécute du Python sur un CSV

Demander à un modèle de langage « quel est le chiffre d'affaires total ? » sur 144 lignes de données, c'est lui demander de faire une addition de tête : il peut se tromper. Lui permettre d'écrire et d'exécuter du Python, c'est lui donner une calculatrice exacte. Dans ce lab, vous branchez l'exécution de code intégrée de Gemini sur un agent Google ADK avec une ligne, code_executor=BuiltInCodeExecutor(), et vous vérifiez que les chiffres du rapport sont justes.

Les données (ventes.csv) sont fictives : 12 mois de 2025, 4 régions, 3 catégories de produits d'une boutique imaginaire.

Pour qui ?

Développeurs ou analystes Python qui connaissent les bases de pandas.
Vous avez déjà vu un agent ADK simple (sinon, commencez par le lab Assistant e-commerce).

Ce que vous construisez

flowchart LR
  CSV["ventes.csv (144 lignes)"] --> MSG["construire_message() : question + CSV"]
  MSG --> A["analyste_donnees (BuiltInCodeExecutor)"]
  A -->|"écrit du Python"| SB["Bac à sable Google : pandas, matplotlib"]
  SB -->|"résultat, image PNG"| A
  A --> ART[("Artefacts ADK : graphique.png")]
  A --> R["Rapport : chiffres clés, tendances, recommandations"]
  R --> V["verifier() : chiffres comparés à pandas local"]

Prérequis

Python 3.10+, une clé d'API Gemini.
pip install -r files/requirements.txt (google-adk, python-dotenv, pandas pour le contrôle, pytest).

Programme

Module	Leçon	Ce que vous faites	Durée
1. Cas d'usage	Le cas d'usage et l'architecture	Où s'exécute le code, comment les données y arrivent	30 min
2. Construire	L'agent analyste	`BuiltInCodeExecutor`, instruction, message avec le CSV	40 min
2. Construire	Graphique et contrôle des chiffres	Récupérer l'image en artefact, vérifier les chiffres	40 min
3. Tester et exploiter	Tester et exploiter	Faux modèle, run réel, limites, alternatives	40 min

Le code

Dans files/ : agent.py, run.py (analyse réelle + contrôle), test_agent.py (4 tests sans clé), ventes.csv, requirements.txt et .env.example.

En local ou sur Google Cloud ?

	En local (ce lab)	Sur Google Cloud (piste)
Exécution du code	bac à sable de l'API Gemini (`BuiltInCodeExecutor`)	même outil via Vertex AI, ou `VertexAiCodeExecutor` / `AgentEngineSandboxCodeExecutor` (exécution gérée)
Données	CSV dans le prompt (petits fichiers)	BigQuery + pré-agrégation, puis résultat au modèle
Hébergement	`python run.py`	`adk deploy cloud_run`

Testé de bout en bout en local le 2026-10-15 ; les variantes Google Cloud ne sont pas déployées dans ce lab.