Designing Useful AI Agents: From Q&A to Real Business Impact with ADK
Bienvenue dans cet atelier. L'objectif n'est pas de construire un chatbot de démonstration, mais de livrer un agent IA utile pour un vrai cas métier.
Dans ce workshop, l'exemple concret est la boutique Matos a Bukavu, specialisee dans la vente d'ordinateurs haut de gamme. La boutique dispose deja d'un site avec le stock, les prix et les details produits, mais dans la pratique la majorite des interactions clients passent par messagerie.
Le probleme metier est simple : le gerant n'est pas toujours disponible, la connexion n'est pas garantie, et il doit repondre aux memes questions sur les memes produits des dizaines de fois par jour. L'objectif est donc de rendre la boutique operationnelle 24h/24 sans dependre de sa disponibilite en permanence.
En environ 2 heures, vous allez assembler les composants essentiels, executer les commandes de deploiement, et obtenir un agent de style production capable de repondre aux clients via un endpoint webhook/chat a partir de donnees produits reelles.
Présentation
Cet atelier est présenté par Aksanti Bahiga Tacite, Google Developer Expert Web.
Il a été facilité par Jeremie Ndeke et Dorcas Bagalwa.
Pourquoi cet atelier
Beaucoup de petites entreprises rencontrent les mêmes problèmes :
- les clients posent les mêmes questions toute la journée,
- les réponses arrivent tard quand l'équipe est occupée,
- les données produit existent, mais ne sont pas disponibles dans le flux de conversation.
Cet atelier montre comment resoudre cela avec une architecture simple : l'agent lit un message, appelle des outils, recupere des donnees reelles, repond clairement et capture l'intention d'achat.
Chatbot vs Agent
Un chatbot traditionnel suit surtout des scénarios scriptés.
Un agent combine raisonnement et actions :
- il comprend l'intention du client,
- il appelle des APIs pour récupérer des données réelles,
- il adapte ses réponses au contexte,
- il peut déclencher des actions métier, par exemple la capture d'un prospect.
Dans cet atelier, vous construisez ce deuxième modèle : un agent qui agit, pas seulement un bot qui répète.
Ce que vous allez construire
Vous allez déployer trois services sur Google Cloud :
-
matos-backend
API produits/clients. Source de vérité des données métier. -
matos-agent-service
Runtime de l'agent. Comprend l'entrée utilisateur, appelle des outils et produit les réponses. -
matos-bridge
Pont de canal. Reçoit les requêtes webhook/chat et transmet les requêtes à l'agent.
Résultats attendus
À la fin, vous aurez :
- un agent IA déployé sur Cloud Run,
- un flux de test web fonctionnel,
- une base prête pour connecter plus tard WhatsApp, Telegram ou une autre plateforme.
Le plus important : vous comprendrez un schéma de production réutilisable pour le support, la vente et la réservation.
Format de la session (2 heures)
- Configuration Cloud et variables d'environnement : 15 min
- Déploiement du backend : 15 min
- Construction et validation locale de l'agent : 30 min
- Déploiement de l'agent : 20 min
- Validation finale (webhook/chat + frontend) : 40 min
Prérequis
- bases Python,
- utilisation basique du terminal,
- un projet Google Cloud,
- des credits Google Cloud disponibles pour le deploiement (Cloud Run, Cloud Build),
- un navigateur web.
Vous n'avez pas besoin d'être expert DevOps pour suivre cet atelier.
Outils utilisés
Commencez par 00 - Variables d'environnement, puis continuez avec 01 - Configuration.
Aperçu du résultat final
Voici l'interface frontend finale utilisée pour tester l'agent :
Architecture de reference
Cette architecture est volontairement simple pour rester lisible pendant la session :
Client (frontend) -> matos-bridge (POST /chat)
matos-bridge -> matos-agent-service (POST /run)
matos-agent-service -> matos-backend (outils HTTP)
Pourquoi ce flux fonctionne
- Le bridge reste simple (transport des requêtes webhook/chat).
- La logique métier conversationnelle reste dans l'agent.
- Le backend reste réutilisable pour d'autres canaux plus tard.
Objectifs d'apprentissage
- Déployer une architecture IA multi-services sur Cloud Run.
- Gérer des variables d'environnement réutilisables dans Cloud Shell.
- Comprendre comment un agent utilise des outils pour accéder à des données réelles.
- Tester un flux complet via frontend + endpoint webhook/chat.
Vous pourrez ensuite brancher ce webhook sur WhatsApp, Telegram ou toute autre plateforme de messagerie.
Pour lancer toute la pile en local sans GCP, allez a 09 - Execution locale complete.