Los agentes de IA están entre las áreas más emocionantes del desarrollo de la IA moderna.Son más potentes que los simples chatbots porque los agentes pueden usar herramientas, ejecutar código, buscar en la web, planificar pasos e incluso trabajar junto con otros agentes para completar tareas complejas. En este artículo, te mostraré cómo construir tu primer agente de IA desde cero usando el Kit de Desarrollo de Agentes (ADK) de Google. Este es un marco de código abierto que hace que sea más fácil crear agentes, probarlos, agregar herramientas e incluso construir sistemas multiagentes. Puedes construir todo de forma gratuita y en solo unos minutos si ya tienes Python instalado. Vamos a empezar. ¿Qué es un agente de IA? (explicación simple) Antes de empezar, vamos a revisar rápidamente qué es realmente un agente de IA. Un modelo normal de IA (como ChatGPT o Gemini) solo te da respuestas de texto. y Es diferente, puede ser: AI agent 
 
 
 
 
 Realizar tareas, no sólo responder preguntas Uso de herramientas, como Google Search, calculadoras, APIs o bases de datos Tomar decisiones y planificar pasos Trabajar de forma autónoma con un mínimo de ayuda humana Puede pensar en un agente de IA como un pequeño “trabajador de IA” que puede hacer tareas en su lugar. En este tutorial, construiremos un agente simple primero, luego actualizarlo a un sistema multiagente con agentes separados para la investigación, el resumen y la coordinación. Lo que necesitas antes de empezar Para seguir este tutorial solo necesitas: 
 
 
 
 
 Python instalado en tu ordenador Cualquier editor de código, como VS Code (o Google Antigravity IDE si lo desea) Google ADK: el framework de código abierto que vamos a instalar Una clave de API Gemini, que es libre de generar Inicio Google Antigravity Google Ads Google Ads Si tienes todo listo, vamos a construir! Construye agentes de IA desde cero Paso 1: Crear una carpeta de proyecto y un entorno virtual Abre tu terminal y crea una carpeta: mkdir my_first_agent
cd my_first_agent
 Crear un entorno virtual: python -m venv .venv
 Para activarlo: source .venv/bin/activate  # macOS / Linux
# or
.\venv\Scripts\activate    # Windows
 Un entorno virtual mantiene su proyecto limpio y evita conflictos de versiones. Paso 2: Instalación de Google ADK Instalar el Kit de Desarrollo de Agentes: pip install google-adk
 Paso 3: Crea tu proyecto de agente Dentro de tu terminal, corre: adk create my_agent
 Seleccione el modelo (puede elegir Gemini 2.5 o Gemini Flash). Después de eso, aparece una estructura de carpeta: my_agent/
 ├── agent.py
 ├── .env
 └── __init__.py
 
 
 
 agent.py → Este es el archivo principal donde vive tu código .env → Aquí es donde va su clave de API Abre la carpeta en VS Code o cualquier IDE. Paso 4: Obtener su clave de API Gemini gratis Vaya a : https://aistudio.google.com https://aistudio.google.com Inicia sesión con tu cuenta de Google en la barra lateral inferior izquierda . Get API key Clique , da un nombre, seleccione un proyecto (o crea uno), y copie la clave. Create API Key Abre ahora tu Archivo y añadir: .env GOOGLE_API_KEY="your-key-here"
 Paso 5: Pruebe el agente predeterminado abierta Verás el código de boilerplate por defecto. agent.py Antes de ejecutarlo, actualice el nombre del modelo. Ir a AI Studio → Modelos → elegir un modelo → copiar su nombre interno (Este es el ejemplo: o ) gemini-2.0-flash gemini-3-pro-preview Sustituye el nombre del modelo de lugar en su código. Executa este comando dentro del terminal: adk run my_agent
 Pregunta algo simple.Si todo funciona, debes obtener una respuesta. Si alcanza el límite libre para un modelo, cambie a un modelo más ligero y libre. Paso 6: Crear múltiples agentes (Investigación + Summarizador + Coordinador) Ahora vamos a construir un verdadero . multi-agent system Este agente buscará la web y guardará el resultado. 1. Research Agent. Esto toma el resultado de la investigación y escribe un resumen. 2. Summarizer Agent. Este agente decide quién debe trabajar primero y luego construye la respuesta final. 3. Coordinator Agent (Root Agent). Cada agente necesita: 
 
 
 
 
 su propio nombre sus propias instrucciones Herramientas opcionales (como la búsqueda de Google) El comportamiento esperado Puede utilizar este código dentro de su archivo agent.py: from google.adk.agents.llm_agent import Agent
from google.adk.tools import google_search, AgentTool


research_agent = Agent(
    name="Researcher",
    model="gemini-2.5-flash-lite",
    instruction="""You are a specialized research agent. Your only job is to use the
    google_search tool to find top 5 AI news for a give topic. Do not answer any user questions directly.""",
    tools=[google_search],
    output_key="research_result",
)

print("Resereach Agent created successfully.")

summarizert = Agent(
    name="Summarizert",
    model="gemini-2.5-flash-lite",
    instruction="""
    Read the research findings {research_result} and create a summary for each topic with the link to read more
    """,
    output_key="summary_result",
)
print("Summarizert Agent created successfully.")


# Root Coordinator:
root_agent = Agent(
    model='gemini-2.5-flash-lite',
    name='root_agent',
    description='A helpful assistant for user questions.',
    instruction="""
    You are coordinator. First your job is to delegate user questions to the 'research_agent' to gather information. Second pass the findings to the 'summarizert' agent to create a summary. Finally, compile the summaries into a final response for the user.
    """,
    tools=[
        AgentTool(research_agent),
        AgentTool(summarizert),
    ]
)
 Ahora se trata de una auténtica red multisectorial. Paso 7: Ejecutar el sistema multi-agente Executa este comando dentro de tu terminal: adk run my_agent
 Luego escribe el tema para la investigación. Después de ejecutar los agentes, verá: 
 
 
 
 Agencia de Investigación Recopilación de Información Agente de resumen que produce un resumen Coordinación de la salida ¡Todo funciona juntos! Paso 8: Utilice la interfaz web (Mucho más fácil) ADK incluye una UI web. Dentro del terminal, ejecute este comando: adk web --port 8000
 Si todo está bien, verá la URL del servidor: Abra el enlace en su navegador. Seleccione su agente en el menú. Ahora puedes ver: 
 
 
 
 El flujo de mensajes ¿Qué agente fue llamado Los pasos que realizó Esto ayuda mucho al deshacer sistemas multi-agente. All the code is available on my GitHub repository:  https://github.com/proflead/how-to-build-ai-agents-from-scratch https://github.com/proflead/how-to-build-ai-agents-from-scratch https://github.com/proflead/how-to-build-ai-agents-from-scratch Video tutorial: Cómo construir agentes de IA Si desea instrucciones visuales, por favor vea mi video tutorial paso a paso. https://youtu.be/lh8LBRXHnGE?si=dCpXkbwk5n1M8fn6&embedable=true Mira en YouTube: Cómo construir un agente de IA desde cero Cómo construir un agente de IA desde cero Cómo construir un agente de IA desde cero Conclusión Con Google ADK, puedes crear sistemas simples o incluso multiagentes en minutos, probarlos en una interfaz web y ampliarlos con herramientas, flujos de trabajo e integraciones del mundo real. ¡Bienvenidos! 😉

Google

GitHub

Read My Blog

Support my work

Este audio es producido en el idioma original de la historia!

Puedes construir un agente de IA desde cero en menos de 10 minutos (aquí está cómo)

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Creación de productos criptográficos centrados en el usuario: la importancia de los comentarios de los clientes

Toque para ganar: Telegram puede incorporar a los próximos 10 mil millones de usuarios de criptomonedas antes de Solana

Navegando por las aguas: desarrollo de aplicaciones RAG de nivel de producción con lagos de datos

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

Creación de productos criptográficos centrados en el usuario: la importancia de los comentarios de los clientes

Toque para ganar: Telegram puede incorporar a los próximos 10 mil millones de usuarios de criptomonedas antes de Solana

Navegando por las aguas: desarrollo de aplicaciones RAG de nivel de producción con lagos de datos

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps