Créez et déployez votre Agent IA en quelques minutes

Dans le monde du développement d'IA générative, le fossé entre un prototype local et une application d'entreprise accessible aux utilisateurs finaux peut souvent sembler immense. Cependant, avec le Agent Starter Pack et l'ADK (Agent Development Kit), ce processus est désormais rationalisé.

J'ai testé pour vous l'enchaînement complet : de la ligne de commande à l'interface Gemini Enterprise. Voici le récit, étape par étape, de la mise en production de "my-demo-adk-agent".

Étape 1 : L'initialisation (Local)

Tout commence dans le terminal. L'outil uvx agent-starter-pack est la porte d'entrée. En une commande, nous lançons l'assistant de création.

Le processus est interactif et intuitif :

• Nom du projet : J'ai choisi my-demo-adk-agent.
• Type d'agent : J'ai opté pour un modèle Python avec le template "Simple ReAct agent" (ADK). C'est parfait pour un agent capable de raisonner et d'utiliser des outils.
• Déploiement cible : J'ai sélectionné Vertex AI Agent Engine (agent_engine), la plateforme managée de Google.
• Région : Configuration sur europe-west1 (pour rester local !).

Une fois les identifiants GCP vérifiés, le projet est prêt en quelques secondes.

Étape 2 : développement et test local

Avant d'envoyer quoi que ce soit dans le cloud, il faut tester. L'ADK fournit un serveur web local via la commande uv run adk web.

Le serveur lance une interface de développement complète (disponible sur le port 8000). C'est ici que la magie du debugging opère. J'ai demandé à mon agent : "hello, what is the weather & time in SF?".

L'interface de trace est impressionnante. On voit littéralement le cerveau de l'agent fonctionner :

1. Il décide d'appeler get_current_time.
2. Il enchaîne avec get_weather.
3. Il synthétise la réponse finale : "In San Francisco, it's currently 60 degrees and foggy...".

Étape 3 : le déploiement sur Vertex AI

Une fois satisfait du comportement local, il est temps de passer à l'échelle. Pas besoin de configurer manuellement des conteneurs complexes, le Makefile généré s'occupe de tout.

La commande make deploy lance l'export des dépendances et le déploiement sur Vertex AI Agent Engine. Le processus prend quelques minutes (3-5 min) pour créer l'agent dans le cloud.

Une fois terminé, je peux me rendre sur la console Google Cloud. Dans la section Vertex AI Agent Engine, je retrouve mon my-demo-adk-agent. Le "Playground" de la console me permet de vérifier que l'agent réagit exactement comme en local, confirmant que le déploiement est un succès.

Étape 4 : l'intégration "dernier kilomètre" avec Gemini Enterprise

C'est ici que cela devient vraiment intéressant pour les entreprises. Avoir un agent sur Vertex AI c'est bien, mais le rendre accessible aux collaborateurs dans une interface familière, c'est mieux.

J'ai utilisé la commande magique : make register-gemini-enterprise.

Ce script connecte votre "Agent Engine" (le backend) directement à une application Gemini Enterprise.

• Le script détecte mon Agent Engine fraîchement déployé.
• Il liste mes applications Gemini Enterprise disponibles.
• J'ai sélectionné l'application gemini-enterprise.

En quelques instants, l'agent est "enregistré".

Le résultat final

Le test ultime : je me connecte à l'interface Gemini Enterprise.

Dans la barre latérale ou via la mention @, je peux désormais sélectionner my-demo-adk-agent. Je lui pose la même question sur la météo à San Francisco. Sans surprise, il répond parfaitement : "In San Francisco, the weather is currently 60°F and foggy...".

Conclusion

En utilisant l'ADK et les outils du "Agent Starter Pack", nous sommes passés d'un code Python local à un assistant virtuel pleinement intégré dans l'interface pro de Google en quatre commandes principales. C'est une démonstration puissante de la rapidité avec laquelle les développeurs peuvent désormais livrer de la valeur avec l'IA générative sur Google Cloud.

Prêt à créer votre propre agent ?