LlmAgent

El LlmAgent es el tipo de agente principal en ADK-Rust que utiliza un Modelo de Lenguaje Grande para el razonamiento y la toma de decisiones.

Inicio Rápido

Crea un nuevo proyecto:

cargo new llm_agent
cd llm_agent

Añade dependencias a Cargo.toml:

[dependencies]
adk-rust = "0.2.0"
tokio = { version = "1.40", features = ["full"] }
dotenvy = "0.15"
serde_json = "1.0"

Crea .env con tu clave API:

echo 'GOOGLE_API_KEY=your-api-key' > .env

Reemplaza src/main.rs:

use adk_rust::prelude::*;
use adk_rust::Launcher;
use std::sync::Arc;

#[tokio::main]
async fn main() -> std::result::Result<(), Box<dyn std::error::Error>> {
    dotenvy::dotenv().ok();
    
    let api_key = std::env::var("GOOGLE_API_KEY")?;
    let model = GeminiModel::new(&api_key, "gemini-2.5-flash")?;

    let agent = LlmAgentBuilder::new("my_agent")
        .instruction("You are a helpful assistant.")
        .model(Arc::new(model))
        .build()?;

    Launcher::new(Arc::new(agent)).run().await?;
    Ok(())
}

Ejecútalo:

cargo run

Interactuando con tu Agente

Verás una interfaz interactiva:

🤖 Agent ready! Type your questions (or 'exit' to quit).

You: Hello! What can you help me with?
Assistant: Hello! I'm a helpful assistant. I can help you with:
- Answering questions on various topics
- Explaining concepts clearly
- Having a conversation

What would you like to know?

You: exit
👋 Goodbye!

---

Moldeando el comportamiento del Agent con instrucciones

El método instruction() define la personalidad y el comportamiento de su Agent. Este es el system prompt que guía cada respuesta:

// A formal business assistant
let formal_agent = LlmAgentBuilder::new("formal_assistant")
    .instruction("You are a professional business consultant. \
                 Use formal language. Be concise and data-driven.")
    .model(Arc::new(model))
    .build()?;

// A friendly coding tutor
let tutor_agent = LlmAgentBuilder::new("code_tutor")
    .instruction("You are a friendly coding tutor for beginners. \
                 Explain concepts simply. Use examples. \
                 Encourage questions. Never make the user feel bad for not knowing.")
    .model(Arc::new(model))
    .build()?;

// A creative storyteller
let story_agent = LlmAgentBuilder::new("storyteller")
    .instruction("You are a creative storyteller. \
                 Craft engaging narratives with vivid descriptions. \
                 Use plot twists and memorable characters.")
    .model(Arc::new(model))
    .build()?;

Ejemplos de salidas

Mensaje del usuario: "What is Rust?"

Asistente de Negocios Formal:

Rust is a systems programming language focused on performance, memory safety, 
and concurrency. Key metrics: 0 runtime overhead, 0 garbage collection. 
Adoption growing 30% YoY in enterprise. Recommended for performance-critical 
applications where reliability is paramount.

Tutor de Programación Amigable:

Great question! 🎉 Rust is a programming language that helps you write fast 
and safe code. Think of it like a helpful friend who stops you from making 
mistakes before they happen!

Here's a simple example:
  let name = "Alice";  // This creates a variable

What makes Rust special is that it catches bugs at compile time, not when 
your program is running. Pretty cool, right? Want me to explain more?

Narrador Creativo:

In the twilight of 2010, in a secret Mozilla laboratory, a lone developer 
named Graydon Hoare breathed life into something extraordinary—a language 
that would challenge the old gods of C and C++.

They called it Rust, named for a fungus that survives against all odds. 
Like a phoenix rising from the ashes of segmentation faults and memory 
leaks, Rust promised a new era: speed without sacrifice, power without peril.

And so, the revolution began...

Creación de plantillas de instrucciones

Las instrucciones admiten la inyección de variables utilizando la sintaxis {var}. Las variables se resuelven a partir del estado de la sesión en tiempo de ejecución:

let agent = LlmAgentBuilder::new("personalized")
    .instruction("You are helping {user_name}. Their role is {user_role}. \
                 Tailor your responses to their expertise level.")
    .model(Arc::new(model))
    .build()?;

Guía paso a paso para usar plantillas:

1. Cree el Agent con variables de plantilla en la instrucción.
2. Configure Runner y SessionService para gestionar el estado.
3. Cree la sesión con variables de estado que coincidan con su plantilla.
4. Ejecute el Agent: las plantillas se reemplazarán automáticamente.

Aquí hay un ejemplo completo y funcional:

use adk_rust::prelude::*;
use adk_rust::runner::{Runner, RunnerConfig};
use adk_rust::session::{CreateRequest, InMemorySessionService, SessionService};
use adk_rust::futures::StreamExt;
use serde_json::json;
use std::collections::HashMap;
use std::sync::Arc;

#[tokio::main]
async fn main() -> std::result::Result<(), Box<dyn std::error::Error>> {
    dotenvy::dotenv().ok();
    let api_key = std::env::var("GOOGLE_API_KEY")?;
    let model = GeminiModel::new(&api_key, "gemini-2.5-flash")?;

    // 1. Agent with templated instruction
    let agent = LlmAgentBuilder::new("personalized")
        .instruction("You are helping {user_name}. Their role is {user_role}. \
                     Tailor your responses to their expertise level.")
        .model(Arc::new(model))
        .build()?;

    // 2. Create session service and runner
    let session_service = Arc::new(InMemorySessionService::new());
    let runner = Runner::new(RunnerConfig {
        app_name: "templating_demo".to_string(),
        agent: Arc::new(agent),
        session_service: session_service.clone(),
        artifact_service: None,
        memory_service: None,
        run_config: None,
    })?;

    // 3. Create session with state variables
    let mut state = HashMap::new();
    state.insert("user_name".to_string(), json!("Alice"));
    state.insert("user_role".to_string(), json!("Senior Developer"));

    let session = session_service.create(CreateRequest {
        app_name: "templating_demo".to_string(),
        user_id: "user123".to_string(),
        session_id: None,
        state,
    }).await?;

    // 4. Run the agent - instruction becomes:
    // "You are helping Alice. Their role is Senior Developer..."
    let mut response_stream = runner.run(
        "user123".to_string(),
        session.id().to_string(),
        Content::new("user").with_text("Explain async/await in Rust"),
    ).await?;

    // Print the response
    while let Some(event) = response_stream.next().await {
        let event = event?;
        if let Some(content) = event.content() {
            for part in &content.parts {
                if let Part::Text { text } = part {
                    print!("{}", text);
                }
            }
        }
    }

    Ok(())
}

Tipos de variables de plantilla:

Ejemplo de salida:

Plantilla: "You are helping {user_name}. Their role is {user_role}." Se convierte en: "You are helping Alice. Their role is Senior Developer."

¡El Agent responderá con contenido personalizado basado en el nombre del usuario y el nivel de experiencia!

Añadiendo Herramientas

Las herramientas otorgan a tu agent habilidades más allá de la conversación: pueden obtener datos, realizar cálculos, buscar en la web o llamar a APIs externas. El LLM decide cuándo usar una tool basándose en la solicitud del usuario.

Cómo Funcionan las Herramientas

1. El Agent recibe el mensaje del usuario → "¿Qué tiempo hace en Tokio?"
2. El LLM decide llamar a la Tool → Selecciona get_weather con {"city": "Tokyo"}
3. La Tool se ejecuta → Devuelve {"temperature": "22°C", "condition": "sunny"}
4. El LLM formatea la respuesta → "El tiempo en Tokio está soleado a 22°C."

Creando una Tool con FunctionTool

FunctionTool es la forma más sencilla de crear una tool: encapsula cualquier función async Rust y el LLM puede llamarla. Debes proporcionar un nombre, una descripción y una función handler que reciba argumentos JSON y devuelva un resultado JSON.

let weather_tool = FunctionTool::new(
    "get_weather",                              // Tool name (used by LLM)
    "Get the current weather for a city",       // Description (helps LLM decide when to use it)
    |_ctx, args| async move {                   // Handler function
        let city = args.get("city")             // Extract arguments from JSON
            .and_then(|v| v.as_str())
            .unwrap_or("unknown");
        Ok(json!({ "city": city, "temperature": "22°C" }))  // Return JSON result
    },
);

⚠️ Nota: Limitación Actual: Las tools integradas como GoogleSearchTool son actualmente incompatibles con FunctionTool en el mismo agent. Utiliza tools integradas O FunctionTools personalizadas, pero no ambas juntas. 💡 Solución alternativa: Crea subagents separados, cada uno con su propio tipo de tool, y coordínalos usando un LLMAgent maestro, workflow agents o patrones de multi-agent.

Construye un Agent Multi-Tool

Crea un nuevo proyecto:

cargo new tool_agent
cd tool_agent

Añade dependencias a Cargo.toml:

[dependencies]
adk-rust = { version = "0.2.0", features = ["tools"] }
tokio = { version = "1.40", features = ["full"] }
dotenvy = "0.15"
serde_json = "1.0"

Crea .env:

echo 'GOOGLE_API_KEY=your-api-key' > .env

Reemplaza src/main.rs con un agent que tenga tres tools:

use adk_rust::prelude::*;
use adk_rust::Launcher;
use serde_json::json;
use std::sync::Arc;

#[tokio::main]
async fn main() -> std::result::Result<(), Box<dyn std::error::Error>> {
    dotenvy::dotenv().ok();
    let api_key = std::env::var("GOOGLE_API_KEY")?;
    let model = GeminiModel::new(&api_key, "gemini-2.5-flash")?;

    // Tool 1: Weather lookup
    let weather_tool = FunctionTool::new(
        "get_weather",
        "Get the current weather for a city. Parameters: city (string)",
        |_ctx, args| async move {
            let city = args.get("city").and_then(|v| v.as_str()).unwrap_or("unknown");
            Ok(json!({ "city": city, "temperature": "22°C", "condition": "sunny" }))
        },
    );

    // Tool 2: Calculator
    let calculator = FunctionTool::new(
        "calculate",
        "Perform arithmetic. Parameters: a (number), b (number), operation (add/subtract/multiply/divide)",
        |_ctx, args| async move {
            let a = args.get("a").and_then(|v| v.as_f64()).unwrap_or(0.0);
            let b = args.get("b").and_then(|v| v.as_f64()).unwrap_or(0.0);
            let op = args.get("operation").and_then(|v| v.as_str()).unwrap_or("add");
            let result = match op {
                "add" => a + b,
                "subtract" => a - b,
                "multiply" => a * b,
                "divide" => if b != 0.0 { a / b } else { 0.0 },
                _ => 0.0,
            };
            Ok(json!({ "result": result }))
        },
    );

    // Tool 3: Built-in Google Search (Note: Currently unsupported in ADK-Rust)
    // let search_tool = GoogleSearchTool::new();

    // Build agent with weather and calculator tools
    let agent = LlmAgentBuilder::new("multi_tool_agent")
        .instruction("You are a helpful assistant. Use tools when needed: \
                     - get_weather for weather questions \
                     - calculate for math")
        .model(Arc::new(model))
        .tool(Arc::new(weather_tool))
        .tool(Arc::new(calculator))
        // .tool(Arc::new(search_tool))  // Currently unsupported
        .build()?;

    Launcher::new(Arc::new(agent)).run().await?;
    Ok(())
}

Ejecuta tu agent

cargo run

Ejemplo de Interacción

You: ¿Cuánto es el 15% de 250?
Assistant: [Usando la tool calculate con a=250, b=0.15, operation=multiply]
El 15% de 250 es 37.5.

You: ¿Qué tiempo hace en Tokyo?
Assistant: [Usando la tool get_weather con city=Tokyo]
El tiempo en Tokyo está soleado con una temperatura de 22°C.

You: Busca las últimas características de Rust
Assistant: Actualmente no tengo acceso a la funcionalidad de búsqueda, ¡pero puedo ayudarte con otras preguntas sobre Rust o realizar cálculos!

---

Salida Estructurada con Esquema JSON

Para aplicaciones que necesitan datos estructurados, use output_schema():

use adk_rust::prelude::*;
use serde_json::json;
use std::sync::Arc;

#[tokio::main]
async fn main() -> std::result::Result<(), Box<dyn std::error::Error>> {
    dotenvy::dotenv().ok();
    let api_key = std::env::var("GOOGLE_API_KEY")?;
    let model = GeminiModel::new(&api_key, "gemini-2.5-flash")?;

    let extractor = LlmAgentBuilder::new("entity_extractor")
        .instruction("Extract entities from the given text.")
        .model(Arc::new(model))
        .output_schema(json!({
            "type": "object",
            "properties": {
                "people": {
                    "type": "array",
                    "items": { "type": "string" }
                },
                "locations": {
                    "type": "array",
                    "items": { "type": "string" }
                },
                "dates": {
                    "type": "array",
                    "items": { "type": "string" }
                }
            },
            "required": ["people", "locations", "dates"]
        }))
        .build()?;

    println!("Entity extractor ready!");
    Ok(())
}

Ejemplo de Salida JSON

Entrada: "John met Sarah in Paris on December 25th"

Salida:

{
  "people": ["John", "Sarah"],
  "locations": ["Paris"],
  "dates": ["December 25th"]
}

---

Características Avanzadas

Include Contents

Controla la visibilidad del historial de conversación:

// Full history (default)
.include_contents(IncludeContents::Default)

// Stateless - only sees current input
.include_contents(IncludeContents::None)

Output Key

Guarda las respuestas del agente en el estado de la sesión:

.output_key("summary")  // Response saved to state["summary"]

Dynamic Instructions

Calcula las instrucciones en tiempo de ejecución:

.instruction_provider(|ctx| {
    Box::pin(async move {
        let user_id = ctx.user_id();
        Ok(format!("You are assisting user {}.", user_id))
    })
})

Callbacks

Intercepta el comportamiento del agente:

.before_model_callback(|ctx, request| {
    Box::pin(async move {
        println!("About to call LLM with {} messages", request.contents.len());
        Ok(BeforeModelResult::Continue)
    })
})

---

Referencia del Constructor

Ejemplo Completo

Un Agent listo para producción con múltiples herramientas (clima, calculadora, búsqueda) y salida guardada en el estado de la Session:

use adk_rust::prelude::*;
use adk_rust::Launcher;
use serde_json::json;
use std::sync::Arc;

#[tokio::main]
async fn main() -> std::result::Result<(), Box<dyn std::error::Error>> {
    dotenvy::dotenv().ok();
    let api_key = std::env::var("GOOGLE_API_KEY")?;
    let model = GeminiModel::new(&api_key, "gemini-2.5-flash")?;

    // Weather tool
    let weather = FunctionTool::new(
        "get_weather",
        "Get weather for a city. Parameters: city (string)",
        |_ctx, args| async move {
            let city = args.get("city").and_then(|v| v.as_str()).unwrap_or("unknown");
            Ok(json!({
                "city": city,
                "temperature": "22°C",
                "humidity": "65%",
                "condition": "partly cloudy"
            }))
        },
    );

    // Calculator tool
    let calc = FunctionTool::new(
        "calculate",
        "Math operations. Parameters: expression (string like '2 + 2')",
        |_ctx, args| async move {
            let expr = args.get("expression").and_then(|v| v.as_str()).unwrap_or("0");
            Ok(json!({ "expression": expr, "result": "computed" }))
        },
    );

    // Build the full agent
    let agent = LlmAgentBuilder::new("assistant")
        .description("A helpful assistant with weather and calculation abilities")
        .instruction("You are a helpful assistant. \
                     Use the weather tool for weather questions. \
                     Use the calculator for math. \
                     Be concise and friendly.")
        .model(Arc::new(model))
        .tool(Arc::new(weather))
        .tool(Arc::new(calc))
        // .tool(Arc::new(GoogleSearchTool::new()))  // Currently unsupported with FunctionTool
        .output_key("last_response")
        .build()?;

    println!("✅ Agent '{}' ready!", agent.name());
    Launcher::new(Arc::new(agent)).run().await?;
    Ok(())
}

Prueba estas prompts:

Tú: ¿Cuánto es 25 por 4?
Assistant: Son 100.

Tú: ¿Qué tiempo hace en Nueva York?
Assistant: El tiempo en Nueva York está parcialmente nublado con una temperatura de 22°C y un 65% de humedad.

Tú: Calcula una propina del 15% sobre $85
Assistant: Una propina del 15% sobre $85 es de $12.75, lo que hace un total de $97.75.

---

Relacionado

• Workflow Agents - SequentialAgent, ParallelAgent, y LoopAgent
• Multi-Agent Systems - Construyendo jerarquías de Agent
• Function Tools - Creando herramientas personalizadas
• Callbacks - Interceptando el comportamiento del Agent

---

Anterior: Inicio Rápido | Siguiente: Workflow Agents →