Construir un agente de producción implica mucho más que un prompt: orquestación, memoria, herramientas y observabilidad. Agent Builder empaqueta esa infraestructura para que el equipo se enfoque en la lógica de negocio.
Vertex AI Agent Builder es el conjunto de herramientas de Google Cloud para diseñar, probar y desplegar agentes basados en Gemini que combinan razonamiento, uso de herramientas (tools) y acceso a datos propios. Cubre dos escenarios distintos: agentes conversacionales orientados a diálogo estructurado (heredando la tecnología de Dialogflow CX bajo el nombre de Conversational Agents) y agentes de propósito general construidos con el Agent Development Kit (ADK), un framework open source de Google para orquestar razonamiento multi-paso.
La pieza que une ambos mundos en producción es Vertex AI Agent Engine, el runtime gestionado que se encarga de escalar, versionar y exponer el agente como un servicio, sin que el equipo tenga que operar contenedores ni colas de mensajes propias.
Un agente en el Agent Development Kit se define declarando su modelo base, sus herramientas y, opcionalmente, sub-agentes especializados que el agente principal puede invocar según la tarea.
Este patrón —modelo más herramientas tipadas— es lo que separa un agente confiable de un chatbot que alucina disponibilidad de producto.
La conexión más común en despliegues empresariales es enlazar el agente a un data store de Vertex AI Search: documentación interna, catálogos de producto o políticas de la empresa indexados previamente. El agente consulta ese data store como una herramienta más, y las respuestas incluyen citas a la fuente original, lo que facilita auditoría y reduce alucinaciones frente a un LLM sin contexto verificado.
Agentspace es la capa de Google Cloud que expone estos agentes como un punto de entrada unificado dentro de la organización, integrando fuentes como Google Workspace, SharePoint, Jira o Confluence mediante conectores preconstruidos. En lugar de que cada equipo construya su propio buscador interno, Agentspace centraliza el descubrimiento y permite que empleados interactúen en lenguaje natural con sistemas dispersos.
Para tareas complejas, ADK soporta patrones de orquestación donde un agente coordinador delega subtareas a agentes especializados (uno para facturación, otro para soporte técnico, otro para logística), cada uno con su propio conjunto de herramientas y su propio modelo si es necesario. Esto evita el antipatrón de un único prompt gigante intentando cubrir todos los dominios de negocio, y permite versionar y probar cada sub-agente de forma independiente.
Antes de llevar un agente a producción, Vertex AI ofrece herramientas de evaluación (Gen AI Evaluation Service) para medir calidad de respuesta, adherencia a instrucciones y tasa de alucinación contra un set de casos de prueba curado. Una vez desplegado en Agent Engine, las trazas de cada sesión —qué herramientas se invocaron, con qué argumentos, cuánto tardó cada paso— quedan disponibles para debugging, algo crítico cuando un agente falla en producción y hay que reconstruir la cadena de razonamiento.
Si el caso de uso es un flujo determinista con dos o tres pasos fijos (por ejemplo, clasificar un correo y enrutarlo), un agente completo es sobre-ingeniería: una llamada directa a Gemini con function calling simple, sin el andamiaje de ADK ni Agent Engine, es más barata y más fácil de depurar. Agent Builder rinde cuando la tarea requiere razonamiento adaptativo, múltiples fuentes de datos y decisiones que no siguen un árbol de reglas fijo.
Carlos Montiel es arquitecto de soluciones IA empresarial. Implementa LLMs, Agentes, RAG y orquestadores en empresas de Guatemala y Latinoamérica. Contáctalo para una consultoría.
Contactar a Carlos Montiel