Concevoir une application agentique de bout en bout reste un défi dès qu’il s’agit d’intégrer des données réelles et des règles métiers.

Dans ce talk, je présente un cas concret : un agent de statistiques sur la Coupe du monde de football ⚽, capable de répondre à des questions en langage naturel, de générer et exécuter des requêtes SQL, puis de restituer les résultats de manière compréhensible.

Nous verrons comment construire cet agent avec le framework Agent Development Kit (ADK), en combinant prompting et règles métiers pour produire des requêtes fiables. L’agent est connecté à BigQuery via le protocole MCP et déployé sur Google Cloud, avec différents modes d’exécution (Cloud Run et Agent Engine).

L’objectif est d’illustrer, à travers ce cas concret, une architecture agentique complète ainsi que les choix de conception et de déploiement nécessaires pour passer à la production. Même si cette implémentation s’appuie sur Google Cloud, les patterns présentés restent réutilisables avec d’autres infrastructures et sources de données exposées via MCP.

Voici un repo GitHub contenant le code du projet :
https://github.com/tosun-si/football-agent-adk

J’ai également rédigé un article détaillé sur le sujet :
https://medium.com/google-cloud/end-to-end-ai-agent-on-gcp-adk-bigquery-mcp-agent-engine-and-cloud-run-4843fec27c13

Lors de cette session, je présenterai un agent à travers un use case complet, couvrant l’ensemble de l’application : architecture, code, et déploiement sur le cloud (Python, uv, Docker, FastAPI, Google Cloud…).

L’application est déployée sur Google Cloud, mais les concepts abordés sont transposables à d’autres contextes avec ADK : prompting, exposition via l’API Server, et connexion aux données via des serveurs MCP.

L’ensemble des composants Python est construit avec uv et Docker, et déployé dans une architecture serverless sur le cloud.