Google ADK muestra un pipeline multi-agent para análisis de datos, gráficos e informes en Python

Google ADK recibió otro caso de uso práctico: un pipeline multi-agente paso a paso para análisis de datos en Python. El ejemplo demuestra no solo un chat con un agente, sino un esquema de trabajo completo que puede cargar tablas, calcular estadísticas, construir gráficos, transformar datos y compilar un informe final.

Cómo Funciona el Pipeline

La base del ejemplo es una combinación de google-adk, pandas, numpy, scipy, matplotlib, seaborn y openpyxl. Primero, el desarrollador configura el entorno, define el acceso a la API y especifica el modelo a través de LiteLlm. El código utiliza openai/gpt-4o-mini, y este es un detalle importante: Google ADK actúa aquí no como un framework exclusivamente para Gemini, sino como una capa de orquestación que puede trabajar con modelos externos a través de un wrapper estándar.

Esto hace que el tutorial se parezca más a escenarios de producción reales, donde la pila rara vez se construye alrededor de un único proveedor. A continuación, la guía monta un DataStore común—un repositorio centralizado para dataframes e historial de análisis. En él se almacenan CSVs cargados, conjuntos de datos de prueba generados y resultados de pasos intermedios. Se añade un helper separado para serialización, para que las respuestas de las herramientas se puedan devolver de forma segura en JSON.

Para análisis aplicado, esto no es solo cosmético: sin una capa de este tipo, un sistema multi-agente rápidamente choca con tipos incompatibles, duplicación de datos y estado indefinido entre pasos, especialmente cuando un agente continúa el trabajo de otro.

Cómo se Distribuyen los Roles

En lugar de un único agente "universal", los autores dividen el trabajo en varios roles especializados. Esto acerca el pipeline a un equipo de análisis real, donde la carga de datos, exploración, visualización, transformación de tablas y preparación de conclusiones rara vez viven en un único script grande. Este enfoque simplifica el escalado: bloques individuales se pueden cambiar, probar y reutilizar sin reconstruir toda la cadena, y el agente maestro obtiene ejecutores más predecibles para tareas específicas.

• data_loader carga CSV y crea conjuntos de datos de muestra: sales, customers, timeseries y survey
• statistician calcula estadísticas descriptivas, correlaciones, Shapiro-Wilk, t-test, ANOVA y chi-square
• visualizer construye histogram, scatter, bar, line, box, heatmap y pie, y crea un informe de distribución a partir de cuatro gráficos
• transformer filtra filas, agrega tablas y añade columnas computadas
• reporter compila un informe de resumen con calidad de datos, valores faltantes, duplicados y principales hallazgos

Por encima de ellos está el agente maestro data_analyst, que enruta solicitudes entre especialistas. La sesión se almacena a través de InMemorySessionService, y la ejecución se maneja mediante Runner. Como resultado, el usuario puede asignar tareas en lenguaje natural: crear un conjunto de datos de ventas, verificar la normalidad de la distribución, construir un heatmap de correlación, comparar ingresos entre grupos de clientes o compilar un informe final.

Para ADK, este es un buen ejemplo de cómo la arquitectura de agentes se transforma de una demostración en un flujo de trabajo gestionado con roles claros y secuencia transparente de pasos.

Del Código al Análisis

El punto fuerte del ejemplo es que cubre toda la jornada de análisis, no solo un segmento. El sistema puede comenzar con datos sin procesar o conjuntos de datos generados, describir rápidamente la estructura del conjunto, calcular distribuciones y valores atípicos, luego pasar a gráficos y solo después a comparaciones más complejas y conclusiones.

Este orden es importante: en análisis, los errores a menudo comienzan no en la etapa del modelo, sino antes, cuando los datos aún se entienden mal y las decisiones se toman basadas en las primeras impresiones de la tabla.

También es útil que el tutorial no se limite a EDA. Incluye pasos para transformación de tablas: filtrado por condición, agregación por grupos y computación de nuevos campos a través de expresiones. Después, el agente forma un informe de resumen con descripción general del conjunto de datos, nivel de valores faltantes, número de duplicados e insights numéricos/categóricos básicos.

Es decir, ADK se utiliza no para "charlas bonitas sobre datos", sino para un pipeline repetible que se puede adaptar al análisis interno del equipo, sandbox BI, entorno de capacitación o demostración de capacidades del enfoque basado en agentes en una tarea comercial comprensible.

Qué Significa Esto

Para Google ADK, tales ejemplos son más importantes que anuncios ruidosos: demuestran que el framework ya puede aplicarse como fundación para asistentes de análisis reales. Para desarrolladores, la señal es simple: el enfoque multi-agente está comenzando a funcionar no solo en escenarios de investigación, sino también en tareas cotidianas de análisis de datos, donde se necesitan pasos transparentes, herramientas y resultados reproducibles.