Redespliega tu agente y conéctalo a Cloud Run

Redesplegar un agente en Agent Engine es el paso que convierte una nueva herramienta en producción real, y aquí verás cómo hacerlo con ADK conectando una tool de productos a un front-end en Cloud Run. Es una guía práctica para quienes ya construyeron un agente y quieren llevarlo a un flujo funcional de punta a punta.

La idea central es sencilla: cada cambio en tu agente necesita un nuevo despliegue, y ese despliegue debe reflejarse tanto en la plataforma de agentes como en la interfaz que usan tus usuarios. Vamos paso a paso.

Cómo despliego el agente con el comando de ADK

El despliegue arranca con un solo comando que ya habíamos visto en clases anteriores. La estructura es adk deploy agent-engine seguido de la variable de proyecto, la variable de región, el nombre que le darás y la carpeta, que en este caso se llama app [00:14].

bash adk deploy agent-engine -- <proyecto> <region> <nombre> app

Das enter y esperas mientras se genera el nuevo despliegue. Y aquí viene algo útil: mientras carga, puedes revisar de dónde salen estos comandos.

¿Dónde encuentro la documentación de los comandos de ADK? En adk.dev, dentro del menú Run Agents, en la sección Agent runtime y Standard deployment. Ahí está la configuración del proyecto de Google Cloud y el comando exacto para desplegar a Agent Platform.

En esa documentación encuentras cómo obtener el identificador del proyecto, cómo loguearte y cuál es la configuración para desplegar directamente a Agent Platform [00:38]. Es la misma base que ya ejecutaste al inicio.

Por qué debo eliminar la versión anterior del agente

Una vez que el despliegue termina correctamente, vuelves a tu proyecto de Google Cloud y entras al menú de implementaciones de Agent Platform. Das clic en Actualizar y verás algo importante.

Cada despliegue genera una versión nueva. Eso significa que las versiones se acumulan si no las gestionas. Para mantener el orden, eliminas la versión anterior: seleccionas el check y das Delete [01:15].

Este detalle marca la diferencia entre un proyecto limpio y uno lleno de versiones huérfanas que solo generan confusión.

Cómo conecto el nuevo agente con el front-end en Cloud Run

El agente ya vive en Agent Platform, pero tu interfaz sigue apuntando al agente viejo. ¿Recuerdas la variable de entorno dentro de Cloud Run donde poníamos el nombre del recurso? Antes contenía el agente recepcionista de low-code, y ahora toca reemplazarlo [01:33].

Estos son los pasos para actualizar el front-end:

1. Copia el nombre del recurso de tu nuevo agente.
2. Ve al menú de Cloud Run y entra a Servicios.
3. Da clic en tu servicio de front-end y edita la implementación.
4. Baja hasta Variables y secretos, reemplaza el texto con tu nuevo agente y da clic en Implementar.

Después de esperar el despliegue, abres el front-end y ya puedes interactuar con la versión actualizada. La conexión entre agente e interfaz depende por completo de que esa variable apunte al recurso correcto.

Qué cambia cuando el agente responde desde una tool con API

Aquí se nota el valor real del trabajo. Al escribir "Hola, quiero saber si tienes zapatos disponibles", quien responde es el agente de recomendaciones, y lo primero que hace es pedir información básica: para qué usarás los zapatos y cuál es tu presupuesto aproximado [02:20].

¿Por qué pregunta eso? Porque el agente ya sabe que la tool necesita esos inputs para hacer el filtrado. No improvisa, sigue lo que la herramienta requiere.

¿Cuál es la diferencia entre una respuesta del prompt y una respuesta de un API? La respuesta del prompt usa productos fijos escritos dentro del agente. La respuesta del API entrega datos reales y dinámicos, como los modelos Classic Blue o Elegant Purple obtenidos tras el filtrado.

Cuando le dices que buscas zapatos casuales con un presupuesto de $100, la respuesta ya no viene de productos quemados en el prompt, sino directamente del API que devuelve opciones reales [02:47]. Ese es el salto de un agente estático a uno conectado a datos vivos.

Qué sigue después de tener un agente funcional

Con esto ya tienes un agente totalmente funcional y las capacidades para construir agentes más complejos que se conecten a bases de datos u otras aplicaciones web [03:09].

¿Qué es un RAG en el contexto de agentes? Es la técnica que permite construir un modelo enorme de conocimiento cuyo input son ficheros, PDFs o cualquier componente que no se genera por medio de un API.

El siguiente paso será conectar el agente a un RAG usando Rag Engine, un componente directo de Google Cloud que se asocia con tus agentes [03:32]. Ahí es donde el conocimiento deja de depender de APIs y empieza a alimentarse de documentos.

Mientras tanto, te dejo un reto: modifica tu agente para agregar nuevas funciones o capacidades y comparte en la zona del chat unas imágenes de lo que hayas construido. ¿Qué función te gustaría añadir primero?