Google ADK muestra un pipeline multiagente en Python para analizar datos, crear gráficos e informes

Google ADK suma otro caso de uso práctico: un pipeline multiagente paso a paso para analizar datos en Python. El ejemplo no se limita a un chat con un agente. Presenta un esquema de trabajo completo capaz de cargar tablas, calcular estadísticas, crear gráficos, transformar datos y ensamblar un informe final.

Cómo está montado el pipeline

El ejemplo se apoya en google-adk, pandas, numpy, scipy, matplotlib, seaborn y openpyxl. Primero, el desarrollador prepara el entorno, configura el acceso a la API y define el modelo mediante LiteLlm. El código usa openai/gpt-4o-mini, un detalle importante: Google ADK no funciona aquí como un framework solo para Gemini, sino como una capa de orquestación que puede trabajar con modelos externos a través de una envoltura estándar. Así, el tutorial se acerca más a escenarios reales de producción, donde el stack rara vez se construye en torno a un único proveedor.

La guía crea después un DataStore común, un almacén centralizado para dataframes e historial de análisis. Allí se guardan los CSV cargados, los conjuntos de datos de prueba generados y los resultados de los pasos intermedios. Un helper de serialización permite devolver las respuestas de las herramientas en JSON de forma segura. En analítica aplicada no es algo cosmético: sin esa capa, un sistema multiagente choca enseguida con tipos incompatibles, datos duplicados y un estado poco claro entre pasos, sobre todo cuando un agente continúa el trabajo de otro.

Qué roles se reparten el trabajo

En lugar de un único agente "universal", los autores dividen el trabajo en varios roles específicos. Así el pipeline se parece más a un equipo de análisis real, donde la carga de datos, la exploración, la visualización, la transformación de tablas y la preparación de conclusiones rara vez viven en un único script. Este enfoque facilita el escalado: cada bloque puede cambiarse, probarse y reutilizarse sin rehacer toda la cadena, y el agente maestro dispone de ejecutores más predecibles para tareas concretas.

• data_loader carga CSV y crea conjuntos de datos de muestra: sales, customers, timeseries y survey
• statistician calcula estadística descriptiva, correlaciones, Shapiro-Wilk, t-test, ANOVA y chi-square
• visualizer crea histogram, scatter, bar, line, box, heatmap y pie, además de un distribution report con cuatro gráficos
• transformer filtra filas, agrega tablas y añade columnas calculadas
• reporter elabora un summary report con calidad de datos, valores ausentes, duplicados y hallazgos clave

Por encima está el agente maestro data_analyst, que enruta las peticiones entre los especialistas. La sesión se guarda con InMemorySessionService y la ejecución pasa por Runner. Así, el usuario puede plantear tareas en lenguaje natural: crear un dataset de ventas, comprobar la normalidad de una distribución, generar un heatmap de correlaciones, comparar ingresos entre grupos de clientes o preparar un informe final. Para ADK es un buen ejemplo de cómo la arquitectura de agentes pasa de demo a workflow controlado, con roles claros y una secuencia de pasos transparente.

Del código al análisis

La fortaleza del ejemplo es que cubre todo el recorrido del análisis, no solo una parte. El sistema puede partir de una tabla en bruto o de datos generados, describir rápidamente la estructura del conjunto, calcular distribuciones y valores atípicos, pasar luego a los gráficos y solo después a comparaciones y conclusiones más complejas. Este orden importa: en analítica, los errores suelen empezar antes de la fase de modelado, cuando los datos aún se entienden mal y las decisiones se toman por la primera impresión de la tabla.

También resulta útil que el tutorial no se quede en el EDA. Incluye pasos de transformación de tablas: filtrado por condición, agregaciones por grupos y cálculo de campos nuevos mediante expresiones. Después, el agente genera un summary report con un resumen del dataset, el nivel de valores ausentes, el número de duplicados y conclusiones básicas numéricas y categóricas. Es decir, ADK no se usa para un "chat bonito sobre datos", sino para un flujo repetible que se puede adaptar a la analítica interna de un equipo, a un entorno de pruebas de BI, a un banco de pruebas formativo o a una demostración del enfoque de agentes con un problema de negocio comprensible.

Qué significa

Para Google ADK, ejemplos como este pesan más que los grandes anuncios: demuestran que el framework ya puede usarse como armazón de asistentes analíticos reales. Para los desarrolladores, la señal es clara: el enfoque multiagente empieza a funcionar no solo en escenarios de investigación, sino también en tareas diarias de análisis de datos, donde hacen falta pasos transparentes, herramientas y resultados reproducibles.