AI Agents

AI Agents com ADK

Agentes inteligentes integrados ao ecossistema GCP via MCP Toolbox

PythonADKVertex AICloud RunBigQueryMCP Toolbox

3Ferramentas integradas

~1.8sLatência média por turno

Cloud Run / GCPPlataforma de deploy

Contexto

A equipe precisava de agentes inteligentes que pudessem consultar dados de negócio em Jira, Looker e BigQuery de forma autônoma, sem expor APIs internas diretamente ao modelo.

Desafios

01Orquestrar múltiplas ferramentas (Jira, Looker, BigQuery) de forma confiável sem que o agente entrasse em loops
02Garantir segurança no acesso a dados sensíveis via MCP Toolbox no ambiente GCP
03Gerenciar contexto e memória em conversas longas sem ultrapassar limites de tokens
04Deploy no Cloud Run com cold start aceitável para uso interativo

Decisões de arquitetura

ADK + MCP Toolbox como camada de integração

O ADK (Agent Development Kit) do Google oferece abstrações nativas para orquestração de agentes no ecossistema Vertex AI. O MCP Toolbox permite expor ferramentas de negócio de forma padronizada sem acoplamento direto ao modelo.

Cloud Run para deploy serverless

Escala zero para instruções infrequentes, integração nativa com Vertex AI e IAM do GCP, sem overhead de gestão de infraestrutura.

BigQuery como fonte primária de dados analíticos

Elimina a necessidade de uma camada de cache separada. O agente consulta diretamente BigQuery via SQL gerado, com resultados paginados para caber no contexto.

Trade-offs

O MCP Toolbox adiciona uma camada de indireção que aumenta a latência em ~200ms por chamada de ferramenta. Aceitável para casos de uso conversacionais, mas não para pipelines de alta frequência.

Implementação

Cada agente é um Cloud Run service com configuração de ferramentas em YAML. O MCP Toolbox gerencia autenticação e exposição das APIs de Jira e Looker. O orquestrador em Python usa o ADK para decidir qual ferramenta invocar com base no contexto da conversa.

Impacto

Agentes autônomos integrando Jira, Looker e BigQuery via MCP Toolbox, implantados no Cloud Run com Vertex AI.

Aprendizados

›Descrever ferramentas com exemplos concretos de quando não usá-las reduz chamadas desnecessárias em ~40%
›Separar agentes por domínio (dados vs. projeto vs. relatório) é mais robusto do que um agente genérico com muitas ferramentas
›Logs estruturados de cada decisão do agente são essenciais para debugging em produção

Todos os cases