Sebastian Gomez

Oct 16, 2025

Updated: Oct 16, 2025

Construye un agente investigador en segundo plano

Notebook de la lección: https://github.com/seagomezar/ADK-Blog-Posts/blob/main/Lesson_3.ipynb

En esta tercera lección transformamos al asistente conversacional en un coordinador silencioso que investiga, compone un reporte y solo te habla dos veces. Reutilizamos herramientas de la lección anterior y agregamos persistencia de archivo para obtener un artefacto claro: un reporte Markdown. 🚀

• Reusar get_financial_context y sumar un tool para guardar Markdown.
• Implementar el patrón Coordinator–Dispatcher: ejecuta en segundo plano y responde dos veces.
• Forzar salidas estructuradas con una plantilla Markdown consistente.
• Probar la experiencia desde la ADK Web UI y visualizar el reporte.

• Asegura google-adk>=1.12.0 y yfinance disponibles.
• Credenciales: ADK lee .env cuando corres adk web/adk run. Si usas load_env() en notebook, úsalo solo como helper y mantén .env como fuente en entornos reales.
• Trabaja en un entorno virtual para evitar conflictos entre lecciones.

• Crea la app base:
• Estructura prevista:
  • app04/agent.py → implementación del agente coordinador.
  • .env → configuración sensible.
  • __init__.py → paquete Python.

El reto

• Un agente que “lee en voz alta” cada resultado genera ruido y carga cognitiva.

La solución

• Separar la interacción en dos fases:
  1. Coordinación: reconoce la orden y avisa que empieza a trabajar.
  2. Ejecución silenciosa: busca, cruza datos y genera un reporte sin interrumpir.

• Reusamos get_financial_context para enriquecer titulares.
• Añadimos save_news_to_markdown para persistir el reporte:

Notas de estado y persistencia:

• Las modificaciones a tool_context.state durante la ejecución quedan registradas por el framework y se persisten vía el runner; no implican almacenamiento externo a menos que configures servicios de memoria/artefactos.
• La escritura de archivo en save_news_to_markdown genera el artefacto final de forma explícita.

Plantilla recomendada (incrustada en las instrucciones del agente):

• Título, fecha y contexto.
• Lista numerada de 5 noticias con: titular, compañía y ticker, métrica financiera (get_financial_context) y resumen breve.

El agente cambia de “presentador” a “coordinador de investigación” con reglas estrictas:

• Dos mensajes máximo:
  1. Inicio: “Ok, empiezo la investigación; dame un momento…”.
  2. Cierre: “Listo, guardé el reporte en ai_research_report.md”.
• Trabajo en segundo plano entre ambos mensajes: google_search → extraer tickers → get_financial_context → formatear según plantilla → save_news_to_markdown.
• Sin resultados intermedios ni conversación adicional.

• Ejecuta la UI:
  • Desde carpeta padre: adk web y selecciona "app04".
  • O directo: adk web --port 8000 app04
  • En Windows, usa --no-reload si es necesario. Detén con Ctrl-C.
• Guion sugerido:
  1. “Consígueme las últimas noticias de IA”.
  2. El agente confirma el inicio y se queda en silencio.
  3. Mensaje final confirmando ai_research_report.md.
  4. Abre el archivo y valida formato y contenido.
• Cierra el proceso al terminar: pkill -f "adk web". ⚠️

📌 Opcional (memoria de largo plazo):

• Para usar Vertex AI Memory Bank desde adk web/adk api_server, arranca con --memory_service_uri=agentengine://<agent_engine_id> según adk-docs docs/sessions/memory.md.

Desde el notebook:

from IPython.display import Markdown, display
with open("ai_research_report.md", encoding="utf-8") as f:
    display(Markdown(f.read()))

• Versiona ai_research_report.md solo si necesitas auditar resultados; si no, ignóralo.
• Parametriza cantidad de noticias y formato del reporte si apuntas a pipelines (podcast, boletines).
• Para producción, evalúa almacenamiento externo (buckets, bases de datos).
• Practica el mismo patrón con otras temáticas para afinar prompts y plantillas.

— Anterior lección ➜ https://www.sebastian-gomez.com/category/inteligencia-artificial/adk-clase-2-potencia-tu-agente-con-herramientas-personalizadas

Siguiente lección ➜ https://www.sebastian-gomez.com/category/inteligencia-artificial/adk-clase-4-callbacks-y-guardrails-para-agentes-confiables

Este contenido se basa en el curso “Building Live Voice Agents with Google’s ADK!” de DeepLearning.AI (https://learn.deeplearning.ai/courses/building-live-voice-agents-with-googles-adk/). Este blog busca acercar material de ADK al español.