Google lanza ADK para Java 1.0.0 y coloca a los agentes de IA en el corazón del ecosistema enterprise
Los agentes de IA se están convirtiendo cada vez más en parte del día a día del desarrollo de software, y el ADK — Agent Development Kit de Google — es una de las apuestas más sólidas para quienes quieren construir este tipo de soluciones de forma organizada y escalable.
Cuando el kit fue lanzado, el enfoque era totalmente en Python. Tiene sentido, ¿no? El lenguaje domina el ecosistema de machine learning e IA desde hace años. Pero Google no se detuvo ahí. El ADK evolucionó hacia un ecosistema multilenguaje que hoy abarca Python, Java, Go y TypeScript. Y ahora el framework llegó de lleno al universo Java con el lanzamiento de la versión 1.0.0 — una versión que no es solo una actualización incremental, sino un hito real de madurez.
Piensa en la magnitud de esto: Java ejecuta buena parte de los sistemas corporativos del planeta 🌍. Bancos, fintechs, plataformas de salud, sistemas de logística… una cantidad absurda de infraestructura crítica está construida en Java. Traer el ADK a este ecosistema significa abrir las puertas de la construcción de agentes de IA para millones de desarrolladores que ya dominan el lenguaje y no necesitan migrar de stack para empezar a trabajar con IA de verdad.
En esta versión, Google empaquetó un conjunto bastante robusto de novedades:
- Nuevas herramientas de grounding con datos de Google Maps (GoogleMapsTool) y lectura de contenido web (UrlContextTool)
- Ejecución de código local vía ContainerCodeExecutor y en la nube con VertexAiCodeExecutor
- Una arquitectura de plugins centralizada con el nuevo concepto de App
- Control de contexto con event compaction
- Soporte a flujos con aprobación humana (Human-in-the-Loop)
- Gestión de sesión y memoria con opciones de persistencia en Vertex AI y Firestore
- Compatibilidad nativa con el protocolo Agent2Agent (A2A) para comunicación entre agentes remotos
Vamos a desglosar cada uno de estos puntos y entender qué cambia — en la práctica — para quienes desarrollan con Java. 🚀
Qué trae de diferente el ADK Java 1.0.0
La versión 1.0.0 del ADK para Java no es simplemente un port de lo que ya existía en Python. Google construyó algo pensado para el ecosistema Java desde la base, aprovechando los puntos fuertes del lenguaje — como tipado estático, robustez en entornos de alta concurrencia e integración con herramientas corporativas ampliamente utilizadas. Esto significa que los desarrolladores Java no van a sentirse como ciudadanos de segunda clase dentro del framework. Al contrario, la experiencia fue diseñada para ser nativa, fluida y compatible con los estándares que el mundo enterprise ya conoce y en los que confía.
Uno de los cambios más relevantes de esta versión está en la forma en que el ADK organiza sus herramientas. La nueva arquitectura de plugins centralizada permite que los equipos agreguen, eliminen y configuren capacidades de los agentes de IA de forma mucho más limpia y modular. En proyectos grandes, donde múltiples equipos trabajan sobre la misma base de código, esto marca una diferencia enorme. En lugar de tener integraciones dispersas por todo el proyecto, todo pasa por un punto central de control — la clase App —, lo que facilita tanto el mantenimiento como la auditoría de lo que cada agente es capaz de hacer.
Otro punto que merece destacarse es el soporte al event compaction, un mecanismo de control de contexto que resuelve un problema clásico de quienes trabajan con agentes en producción. Cuando una conversación o tarea se extiende por muchas etapas, el historial de eventos crece rápidamente, y mantener todo en memoria empieza a ser costoso e poco eficiente. El event compaction permite comprimir ese historial de forma inteligente, preservando la información más relevante y descartando lo que ya no aporta valor para el estado actual del agente. Es el tipo de funcionalidad que parece demasiado técnica en el papel, pero que tiene impacto directo en la estabilidad y en el costo de operación de sistemas reales.
Herramientas de Grounding: Google Maps y lectura de URLs
Las nuevas herramientas de grounding son, probablemente, uno de los elementos más emocionantes de este release. Grounding, en el contexto de IA, es el proceso de conectar el modelo a fuentes de información del mundo real, evitando que opere únicamente con lo que aprendió durante el entrenamiento.
Quienes ya trabajaban con el ADK conocían el GoogleSearchTool, que permite fundamentar respuestas en resultados de búsqueda de Google. Ahora, con el ADK Java 1.0.0, entra en escena el GoogleMapsTool, disponible en Gemini 2.5, que trae datos geolocalizados de Google Maps directamente dentro del flujo del agente. Esto abre un abanico inmenso de posibilidades para la construcción de agentes que necesitan información geográfica actualizada, como recomendaciones de restaurantes, cálculos de ruta o cualquier tarea que involucre ubicación.
Reciba el mejor contenido sobre innovación en su correo electrónico.
Todas las noticias, consejos, tendencias y recursos que buscas, directamente en tu bandeja de entrada.
Al suscribirte al boletín informativo, aceptas recibir comunicaciones de Método Viral. Nos comprometemos a proteger y respetar siempre tu privacidad.
Para ilustrar: imagina un agente guía de restaurantes configurado con el GoogleMapsTool. Si alguien pregunta sobre el restaurante más sofisticado cerca de la Torre Eiffel en París, el agente es capaz de identificar el famoso Jules Vernes — restaurante que se encuentra dentro de la propia torre — y además presentar evaluaciones y puntuaciones del lugar. Todo esto sin ningún pipeline manual de búsqueda de datos geográficos.
Por su parte, el UrlContextTool permite que Gemini busque y procese el contenido de URLs proporcionadas por el usuario en la conversación. En la práctica, no necesitas crear un pipeline separado para alimentar al agente con contenido de la web. Basta con pasar la URL y el agente hace la lectura, interpretación y resumen automáticamente. Es el tipo de funcionalidad que transforma al agente de un simple respondedor de preguntas en una herramienta de investigación activa.
Ejecución de código: local y en la nube
La ejecución de código, tanto local como en la nube, complementa este conjunto de herramientas de una forma bastante poderosa. El ContainerCodeExecutor permite ejecutar código localmente en contenedores Docker, mientras que el VertexAiCodeExecutor ejecuta código directamente en la infraestructura de Vertex AI en Google Cloud.
Los agentes de IA construidos con el ADK ahora pueden ejecutar fragmentos de código como parte de su razonamiento y toma de decisiones, lo que transforma completamente el tipo de tarea que pueden realizar. Un agente que solo responde preguntas es útil, pero un agente que responde, procesa datos y ejecuta acciones automatizadas con base en los resultados es otra categoría completamente diferente.
Además, el framework trae la abstracción ComputerUseTool, que puede usarse para controlar un navegador o computadora real. Para ello, es necesario implementar una versión concreta de BaseComputer — por ejemplo, integrando con el navegador Chrome vía Playwright. Esta capacidad, junto al ecosistema robusto de bibliotecas que Java ofrece, crea un entorno bastante fértil para la construcción de soluciones corporativas complejas con IA en el centro.
Plugins y la clase App: control centralizado de ejecución
Antes del concepto de App y Plugins, quien necesitaba agregar comportamientos globales a los agentes — como logging o reglas de seguridad — tenía que aplicar callbacks individualmente en cada agente y sub-agente de la jerarquía. Funcionaba, pero no escalaba bien.
Ahora, la clase App funciona como un contenedor de nivel superior para la aplicación entera. Ancla al agente raíz, mantiene configuraciones globales (como el event compaction) y gestiona plugins que se aplican a todos los agentes de una sola vez. Es un enfoque orientado a aspectos que intercepta y modifica comportamientos de agentes, herramientas y llamadas al LLM de forma transversal.
El ADK ya viene con algunos plugins listos para usar:
- LoggingPlugin — proporciona logs detallados y estructurados de ejecuciones de agentes, solicitudes y respuestas del LLM, llamadas de herramientas y errores
- ContextFilterPlugin — mantiene la ventana de contexto del LLM manejable, filtrando turnos más antiguos de conversación de forma inteligente mientras preserva pares obligatorios de llamada y respuesta de función
- GlobalInstructionPlugin — aplica una instrucción consistente y global a todos los agentes de la aplicación, como reglas de identidad, seguridad o personalidad
Y por supuesto, es posible extender la clase abstracta BasePlugin para crear plugins personalizados con las reglas específicas de tu proyecto. Este modelo centralizado reduce la duplicación de código y hace que la gobernanza de los agentes sea mucho más práctica en entornos corporativos.
Ingeniería de contexto con event compaction
El event compaction es una funcionalidad de ingeniería de contexto que gestiona el tamaño del flujo de eventos — el historial — de un agente. En sesiones largas, el número de eventos crece rápido y puede sobrepasar los límites de tokens de la ventana de contexto del LLM, aumentando la latencia y los costos.
Con el event compaction, el ADK mantiene solo una ventana deslizante de los eventos más recientes y puede resumir eventos más antiguos antes de descartarlos. La configuración ofrece control granular: intervalo de compactación, tamaño de solapamiento, límite de tokens, tamaño de retención de eventos y hasta un resumidor personalizable basado en LLM.
Para quienes necesitan un control aún más fino, es posible implementar las interfaces BaseEventSummarizer y EventCompactor para personalizar completamente cómo se resumen y compactan los eventos. En la práctica, esto garantiza que los agentes en producción se mantengan estables, rápidos y económicos, incluso en conversaciones muy largas o tareas complejas con muchas etapas.
Human-in-the-Loop: cuando el agente necesita aprobación humana
El soporte a flujos con aprobación humana resuelve una de las mayores preocupaciones de quienes ponen agentes de IA en producción: el control. Hay situaciones en las que un agente no debe actuar de forma totalmente autónoma — ya sea por cuestiones regulatorias, de seguridad o simplemente porque el impacto de la acción es demasiado grande para ser tomado sin revisión.
El flujo de Human-in-the-Loop (HITL) en el ADK está construido en torno al concepto de ToolConfirmation. Funciona así: cuando una herramienta requiere intervención humana, puede pausar el flujo de ejecución y pedir confirmación al usuario. El proceso ocurre en tres etapas — intercepción, reanudación y gestión de contexto. En la intercepción, la herramienta accede a su ToolContext y llama a requestConfirmation(), pausando el flujo del LLM. En la reanudación, cuando el humano proporciona la aprobación (y datos opcionales), el ADK retoma la ejecución. Y en la gestión de contexto, el framework limpia automáticamente eventos intermedios e inyecta la llamada de función confirmada en el contexto de la siguiente solicitud al LLM, garantizando que el modelo entienda que la acción fue aprobada sin entrar en un bucle.
Esto aporta una capa de gobernanza que marca toda la diferencia en contextos como salud, finanzas y operaciones críticas, donde la responsabilidad por el resultado final todavía necesita estar en manos humanas 🤝.
Sesión, Memoria y Artefactos
La gestión de sesión y memoria es una de las funcionalidades que más impacta la experiencia de quien usa un agente — aunque el usuario final nunca sepa que existe. Sin un buen control de sesión, un agente pierde el hilo de la conversación entre interacciones, lo que genera respuestas inconexas y una experiencia frustrante.
El ADK Java 1.0.0 define contratos claros para la gestión de estado, historial y archivos a lo largo de las conversaciones. Para sesiones individuales, están disponibles:
- InMemorySessionService — almacenamiento ligero, en memoria, ideal para desarrollo local
- VertexAiSessionService — respaldado por la API de sesiones gestionada de Vertex AI en Google Cloud
- FirestoreSessionService — implementación robusta y escalable usando Google Cloud Firestore, contribuida por la propia comunidad
Para memoria a largo plazo entre múltiples sesiones, el framework ofrece el InMemoryMemoryService para pruebas locales y el FirestoreMemoryService para persistencia real. Basta con adjuntar el LoadMemoryTool al agente y este automáticamente consulta el servicio de memoria configurado para recuperar contexto histórico.
Para la gestión de archivos grandes — como imágenes y PDFs compartidos durante una sesión — existen el InMemoryArtifactService para almacenamiento local y el GcsArtifactService para gestión persistente y versionada vía Google Cloud Storage.
Herramientas que usamos a diario
Para equipos que construyen productos B2B o plataformas de atención en Java, esto es transformador. Antes, implementar este tipo de comportamiento requería un trabajo considerable de ingeniería — crear tablas de estado, gestionar expiraciones, manejar concurrencia. El ADK abstrae gran parte de esa complejidad, permitiendo que el foco del desarrollador esté en el comportamiento del agente en sí, y no en la infraestructura que lo sostiene.
Agentes que conversan entre sí: protocolo Agent2Agent
El soporte nativo al protocolo Agent2Agent (A2A) es uno de los aspectos más estratégicos de la versión 1.0.0. En sistemas de IA más sofisticados, rara vez existe un solo agente trabajando de forma aislada. El patrón más común en arquitecturas modernas es tener múltiples agentes especializados, cada uno responsable de una parte del problema, colaborando entre sí para llegar a un resultado.
El ADK Java migró para utilizar el SDK Java oficial de A2A. Ahora es posible resolver un AgentCard — la URL que identifica a un agente remoto, representando sus habilidades y preferencias de comunicación — a partir de un endpoint remoto, construir el cliente y encapsularlo en un RemoteA2AAgent. Ese agente remoto puede colocarse dentro de la jerarquía de agentes del ADK y funciona exactamente como un agente local, transmitiendo eventos de vuelta al Runner de forma nativa.
Para exponer tus propios agentes ADK mediante el protocolo A2A, basta con crear un AgentExecutor A2A. Este encapsula los agentes y los pone a disposición a través de un endpoint REST JSON-RPC, haciendo que tus creaciones sean instantáneamente accesibles para todo el ecosistema A2A.
Esto tiene implicaciones enormes para empresas que ya poseen agentes de IA en producción y quieren expandirlos o integrarlos con nuevos sistemas. En lugar de reescribir todo desde cero o crear integraciones frágiles y propietarias, Agent2Agent ofrece un camino más limpio y sostenible. El ADK Java se encaja en este ecosistema de forma natural, lo que representa una ventaja significativa para equipos que trabajan en entornos corporativos con múltiples equipos y sistemas heredados que necesitan evolucionar gradualmente.
Qué representa esto para el ecosistema Java
El conjunto completo de estas funcionalidades — grounding, ejecución de código, Agent2Agent, aprobación humana, plugins centralizados y gestión de memoria — posiciona al ADK Java como un framework lo suficientemente maduro para ser tomado en serio en entornos de producción. Ya no es un experimento ni una versión beta con reservas. La versión 1.0.0 es una declaración clara de Google de que Java es un ciudadano de primera clase en el ecosistema de desarrollo de agentes de IA, y que los equipos que trabajan con este lenguaje tienen, ahora, un kit de herramientas a la altura de los desafíos reales que enfrentan en el día a día 💡.
Para quienes quieran empezar a explorar, la documentación oficial del ADK trae una guía de primeros pasos específica para Java. Y como el proyecto es open source, la comunidad puede contribuir con mejoras, correcciones y nuevas funcionalidades directamente en el repositorio de GitHub. De hecho, el FirestoreSessionService mencionado anteriormente es un ejemplo concreto de contribución de la comunidad que ya forma parte del release oficial.
El ecosistema de agentes de IA está evolucionando rápido, y contar con un framework robusto, bien documentado y con soporte corporativo sólido marca mucha diferencia a la hora de transformar prototipos en productos reales. El ADK para Java 1.0.0 entrega exactamente eso — y por lo que Google indicó, en los próximos meses deberían llegar artículos y videos más detallados sobre cada una de estas funcionalidades. Vale la pena estar atento 👀.
