Para los desarrolladores, el estado de “flujo” es sagrado. Es ese espacio mágico donde las ideas se traducen en código casi sin esfuerzo. El mayor enemigo de este flujo es la fricción: leer la documentación, seleccionar el marco de trabajo y cambiar de contexto te saca de la zona creativa.
Es por eso que nos complace anunciar las actualizaciones del Agent Development Kit (ADK), que se diseñaron para que, cuando se combinen con la CLI de Gemini, eliminen la fricción y mejoren la experiencia de “vibe coding” de tu agente. Esta combinación proporciona todo el contexto adecuado en una conversación fluida entre tú y Gemini, y convierte tus ideas de alto nivel en agentes funcionales con una velocidad y fluidez sin precedentes. De esta manera, puedes dedicar más tiempo a resolver problemas del mundo real utilizando agentes y mucho menos tiempo a codificarlos desde cero.
El aspecto más importante de esta actualización es el archivo llms-full.txt renovado que se incluye en el repositorio del ADK. Este archivo es como una guía perfectamente organizada y condensada de todo el marco de trabajo del ADK. Es un mapa que detalla todos los componentes, funciones y prácticas recomendadas del ADK.
En particular, redujimos más del 50% el archivo (¡menos tokens, sí!) y facilitamos la comprensión de los LLM. Esta es la clave para una mejor experiencia de “vibe coding” porque significa que Gemini tiene una comprensión completa del ADK... sin consumir tu ventana de contexto o sufrir lo que se denomina “deterioro del contexto”.
Ahora, junto con la interfaz de línea de comandos (CLI) de Gemini, cuentas con un poderoso asistente de codificación que transformaste en un especialista de ADK a un costo mucho menor y con una mayor exactitud. La CLI obtiene una comprensión profunda y nativa del marco de trabajo, lo que le permite traducir tus planes de alto nivel directamente a un código multiagente exacto e idiomático. De esta manera, se acelera en gran medida la generación del prototipo. Y como puedes generar un agente funcional en minutos, tienes la libertad de experimentar e iterar sin realizar una gran inversión inicial en tiempo de codificación.
Veamos cómo se aplica en una situación del mundo real. Crearemos un agente de IA para etiquetar los problemas del ADK relacionados con GitHub para facilitar la priorización y asignación de problemas, pasando de una idea simple a un agente de ADK que funcione en solo unos pocos pasos.
Descarga el archivo llms-full.txt de adk-python en tu directorio de trabajo.
Primero, usaremos la CLI de Gemini como un socio para generar ideas y elaborar un plan de alto nivel.
Tú: Quiero crear un agente de IA, aprovechando el marco de trabajo del ADK, que me ayude a etiquetar los problemas de GitHub con Gemini en mi repositorio (https://github.com/google/adk-python). Debe ser capaz de detectar los problemas de GitHub y etiquetarlos con algunas etiquetas predefinidas (primero, crea algunas etiquetas comunes). Elabora un plan sobre cómo hacerlo. @llms-full.txt
CLI de Gemini:
Plan: Agente de etiquetado de problemas de GitHub
El objetivo es crear un agente de IA basado en Python que pueda analizar un problema de GitHub y aplicar una etiqueta relevante y predefinida desde tu repositorio. Usaremos el marco de trabajo del ADK para orquestar la lógica del agente y un modelo de Gemini para el análisis.
Fase 1: Preparación y configuración del proyecto
1. Inicialización del proyecto: configura un nuevo directorio de proyectos de Python.
2. Instalación de dependencias: instala la biblioteca google-adk y una biblioteca cliente de la API de GitHub, como PyGithub.
3. Autenticación de GitHub: crea un token de acceso personal (PAT) de GitHub con permisos de repo para permitir que el agente lea los problemas y aplique etiquetas. Este token se configurará de forma segura como una variable de entorno.
Fase 2: Desarrollo de herramientas personalizadas para GitHub
El agente necesita herramientas para interactuar con GitHub. Crearemos un archivo github_tools.py que contendrá las siguientes funciones, que se expondrán al agente:
get_issue(repo_name, issue_number): toma el título y el cuerpo de un problema específico de GitHub.get_available_labels(repo_name): recupera la lista de todas las etiquetas existentes para el repositorio.apply_label(repo_name, issue_number, label): aplica una etiqueta determinada a un problema específico.
Fase 3: Creación del agente de etiquetado
Usando el marco de trabajo del ADK, definiremos un nuevo Agent en un archivo main.py:
1. Definición del agente: el agente se configurará para usar un modelo de Gemini (p. ej., gemini-1.5-flash).
2. Integración de herramientas: se proporcionarán al agente las herramientas personalizadas de GitHub de la fase 2.
3. Instrucción principal (indicación): la indicación del sistema del agente le indicará que siga un flujo de trabajo claro:
get_issue para comprender el contenido del problema.get_available_labels para ver las opciones válidas.apply_label para agregar la etiqueta elegida al problema.
Fase 4: Creación del punto de entrada de aplicación
Crearemos una interfaz de línea de comandos (CLI) simple en main.py que te permita ejecutar el agente. Aceptará el nombre del repositorio de GitHub y un número de problema como entrada, y luego activará al agente para que realice la tarea de etiquetado.
¿Quieres que continúe con la implementación de este plan?
Definiste la lógica sin escribir ni una sola línea de código.
Ahora, usemos el archivo llms-full.txt del ADK para convertir ese plan en un agente real.
Tú: Genial. Ahora, genera el código para este plan utilizando el ADK de Python. @llms-full.txt (La CLI de Gemini ahora hace referencia al archivo llms-full.txt del ADK para traducir el plan al código correcto del ADK).
CLI de Gemini
import argparse
import asyncio
from google.adk.agents import Agent
from google.adk.runners import Runner
from google.adk.sessions import InMemorySessionService
from google.genai import types
from github_tools import get_issue, get_available_labels, apply_label
labeling_agent = Agent(
name="github_labeler",
model="gemini-1.5-flash",
instruction="" "Eres un agente de IA que etiqueta problemas de GitHub.
1. Primero, usa la herramienta 'get_issue' para leer el título y el cuerpo del problema.
2. Luego, usa la herramienta 'get_available_labels' para ver todas las etiquetas posibles para el repositorio.
3. Analiza el contenido del problema y elige la etiqueta más relevante entre las opciones disponibles.
4. Por último, usa la herramienta 'apply_label' para agregar la etiqueta elegida al problema.
5. Responde con un mensaje de confirmación indicando qué etiqueta se aplicó.
" "",
tools=[get_issue, get_available_labels, apply_label],
)from github import Github
from config import GITHUB_TOKEN
g = Github(GITHUB_TOKEN)
def get_issue(repo_name: str, issue_number: int) -> str:
"""Toma el título y el cuerpo de un problema específico de GitHub."""
repo = g.get_repo(repo_name)
issue = repo.get_issue(number=issue_number)
return f"Title: {issue.title}\nBody: {issue.body}"
def get_available_labels(repo_name: str) -> list[str]:
"""Recupera la lista de todas las etiquetas existentes para el repositorio."""
repo = g.get_repo(repo_name)
labels = [label.name for label in repo.get_labels()]
return labels
def apply_label(repo_name: str, issue_number: int, label: str) -> str:
"""Aplica una etiqueta determinada a un problema específico."""
repo = g.get_repo(repo_name)
issue = repo.get_issue(number=issue_number)
issue.add_to_labels(label)
return f"Se aplicó correctamente la etiqueta '{label}' al problema #{issue_number}."(También generó requirements.txt, label_config.py, pero no lo enumeraremos aquí por cuestiones de brevedad).
De forma instantánea, tienes una aplicación de agente completa y funcional que utiliza correctamente el marco de trabajo del ADK. La CLI se encargó de todo el código predeterminado porque el archivo llms-full.txt le dio el contexto necesario.
Una vez que generaste el código, puedes probarlo localmente. Es posible que encuentres algún error o creas que puedes mejorar algunas cosas. Por ejemplo, quieres ver un resumen después de que el agente del ADK complete las etiquetas. Sigues tu flujo y simplemente pides el cambio.
Tú: ¿Podrías agregar una nueva etiqueta llamada "some_new_label" al agente?
La CLI de Gemini, que todavía mantiene el contexto de su secuencia de comandos, refactoriza el código para implementar el cambio. No es necesario editar manualmente el código o perder el impulso.
Este bucle iterativo es el nuevo flujo de trabajo:
1: Elaborar una idea sobre la lógica de tu agente.
2: Generar el código del ADK con la CLI de Gemini.
3: Probarlo de forma instantánea.
4: Mejorarlo con solicitudes simples y conversacionales.
Puedes repetir este ciclo hasta que tu agente sea perfecto, y todo sin sufrir las fricciones que suelen sacarte de tu zona creativa.
Incorporación de Gemini: potencia la ingeniería de contexto y de RAG
Veo 3 Fast y las nuevas funciones de imagen a video
Descubre el razonamiento de Gemini: una guía paso a paso de logprobs en Vertex AI
Presentamos LangExtract: una biblioteca de extracción de información impulsada por Gemini
Segmentación de imágenes conversacionales con Gemini 2.5