Elige tu entorno de desarrollo
Para comenzar, necesitarás un entorno de desarrollo de Python con Python 3.11 o una versión posterior. Los pasos que se indican aquí se probaron en Google Colab.
También puedes adaptar los pasos que se muestran aquí a otros entornos de desarrollo, como Colab Enterprise, el Editor de Cloud Shell o tu máquina local.
Una vez que el entorno esté listo, puedes instalar el SDK de Agent Framework.
Instala el SDK de Agent Framework
Ahora, instalarás el SDK de Agent Framework. Durante el período de la versión preliminar privada, el acceso al SDK requiere estar en la lista de entidades permitidas. Asegúrate de estar en la lista de entidades permitidas antes de continuar con los pasos de descarga e instalación que se indican a continuación.
Primero, autentica tu cuenta de Google Cloud con la CLI de gcloud. Este paso te garantiza que tengas los permisos necesarios para acceder a los servicios de Google Cloud. Si es necesario, consulta la documentación de gcloud para obtener más información.
gcloud auth login
Descarga el paquete de Python del SDK de Agent Framework a tu entorno de desarrollo con la CLI de gcloud:
gcloud storage cp gs://agent_framework/latest/google_genai_agents-0.0.2.dev20250204+723246417-py3-none-any.whl .
Ten en cuenta que debes estar en la lista de entidades permitidas para que Agent Framework acceda a las compilaciones de desarrollo del comando anterior.
Por último, instala el paquete del SDK de Framework de agentes descargado con pip:
pip install google_genai_agents-0.0.2.dev20250204+723246417-py3-none-any.whl
Con el SDK de Agent Framework instalado, ahora puedes importar las bibliotecas necesarias para comenzar a compilar tu agente.
Importa las bibliotecas requeridas
Importa las siguientes bibliotecas de Python que se requieren para usar esta guía de inicio rápido con Agent Framework:
import os
from agents import Runner, Agent
from datetime import datetime
Después de importar las bibliotecas, el siguiente paso es configurar el acceso a los modelos de Gemini.
Configura el acceso a la API de Gemini
Agent Framework se puede configurar para usar modelos de Gemini de Google. Puedes configurar el acceso a los modelos de Gemini a través de Google AI Studio (con una clave de API) o a través de Vertex AI (con tu proyecto de Google Cloud). Elige el método de configuración que se adapte a tus necesidades y sigue las instrucciones correspondientes que se indican a continuación.
Para configurar el acceso a los modelos de Gemini con Google AI Studio, ejecuta el siguiente código de Python. Reemplaza YOUR_API_KEY por tu clave de API real de Google AI Studio.
os.environ["GOOGLE_GENAI_USE_VERTEXAI"] = "0"
os.environ["GOOGLE_API_KEY"] = "YOUR_API_KEY"
Para configurar el acceso a los modelos de Gemini con Vertex AI, ejecuta el siguiente código de
Python. Reemplaza YOUR_PROJECT_ID por el ID de tu proyecto de Google Cloud. Asegúrate de que GOOGLE_CLOUD_LOCATION esté configurado en una región compatible de Vertex AI.
os.environ["GOOGLE_GENAI_USE_VERTEXAI"] = "1"
os.environ["GOOGLE_CLOUD_PROJECT"] = "YOUR_PROJECT_ID"
os.environ["GOOGLE_CLOUD_LOCATION"] = "us-central1"
Con el acceso a la API de Gemini configurado, ya puedes definir las herramientas que usará tu agente.
Define herramientas para tu agente
Los agentes suelen usar herramientas para interactuar con datos y servicios externos. En este paso, definirás una función de Python llamada get_exchange_rate. Esta
función servirá como herramienta para que tu agente recupere los tipos de cambio de divisas
en tiempo real de una API externa.
def get_exchange_rate(
currency_from: str,
currency_to: str,
currency_date: str,
):
"""Retrieves the exchange rate between two currencies on a specified date."""
import requests
response = requests.get(
f"https://api.frankfurter.app/{currency_date}",
params={"from": currency_from, "to": currency_to},
)
return response.json()
Ya definiste una herramienta para tu agente. En la siguiente sección, definirás el agente en sí y, luego, incorporarás esta herramienta.
Define tu agente
Ahora, definirás tu agente de IA con el SDK de Agent Framework. La definición del agente especifica el modelo que usará, sus instrucciones, las herramientas a las que puede acceder y su flujo de interacción.
root_agent = Agent(
model="gemini-2.5-pro-exp-03-25",
name='currency_exchange_agent',
instruction="""
Help users retrieve exchange rates for different currencies
""",
tools=[
get_exchange_rate,
],
flow='single',
)
Con tu agente definido, el siguiente paso es inicializarlo en el Agente Framework.
Inicializa el agente
En esta sección, inicializarás tu agente. Con el siguiente código, se configuran los servicios de artefactos y de sesión en memoria, se crea una instancia de un Runner para tu agente y se define una función auxiliar para enviar instrucciones.
from agents.sessions.in_memory_session_service import InMemorySessionService
from agents.artifacts.in_memory_artifact_service import InMemoryArtifactService
from google.genai import types
session_service = InMemorySessionService()
artifact_service = InMemoryArtifactService()
runner = Runner(app_name="currency_exchange_agent", agent=root_agent, artifact_service=artifact_service, session_service=session_service)
session = session_service.create(app_name="currency_exchange_agent", user_id="1")
def run_prompt(new_message: str):
content = types.Content(role='user', parts=[types.Part.from_text(text=new_message)])
print (content)
for event in runner.run(
session=session,
new_message=content,
):
if event.content:
print(event.content.model_dump(exclude_none=True))
Tu agente ya está inicializado y listo para recibir instrucciones. En la siguiente sección, enviarás una instrucción de prueba para verla en acción.
Cómo enviar una instrucción a tu agente
Ahora es momento de probar tu agente. Envía el siguiente mensaje a tu agente con la función run_prompt que definiste antes.
run_prompt("What's the exchange rate from US dollars to Swedish currency today?")
Ejecuta la función run_prompt con la entrada proporcionada y el agente debería generar un resultado similar al siguiente:
parts=[Part(video_metadata=None, thought=None, code_execution_result=None, executable_code=None, file_data=None, function_call=None, function_response=None, inline_data=None, text="What's the exchange rate from US dollars to Swedish currency today?")] role='user'
{'parts': [{'function_call': {'args': {'currency_from': 'USD', 'currency_to': 'SEK', 'currency_date': '2025-02-21'}, 'name': 'get_exchange_rate'}}], 'role': 'model'}
{'parts': [{'function_response': {'name': 'get_exchange_rate', 'response': {'amount': 1.0, 'base': 'USD', 'date': '2025-02-21', 'rates': {'SEK': 10.6474}}}}], 'role': 'user'}
{'parts': [{'text': 'The exchange rate from US dollars to Swedish currency (SEK) today, 2025-02-21, is 1 USD to 10.6474 SEK.\n'}], 'role': 'model'}
Este resultado muestra los pasos internos del agente, incluida la llamada a función que realizó y la respuesta final.
Examina la parte final del resultado. Deberías ver un mensaje del agente que contiene el tipo de cambio recuperado, lo que demuestra que el agente usó correctamente la herramienta get_exchange_rate:
The exchange rate from US dollars to Swedish currency (SEK) today, 2025-02-21,
is 1 USD to 10.6474 SEK.
¡Felicitaciones! Enviaste correctamente una instrucción a tu agente y observaste su respuesta. Para explorar más el Framework de agentes, consulta la siguiente sección para obtener recursos y ver los próximos pasos.
Pasos siguientes y recursos
¡Felicitaciones! Compilaste correctamente un agente de IA con el Framework de agentes.
Para profundizar en tu comprensión y explorar funciones más avanzadas del Framework de agentes, consulta otras secciones de la documentación, las muestras de código o los notebooks. Estos recursos te guiarán para compilar agentes más complejos y integrarlos en tus aplicaciones.