Bâtir un agent de recherche intelligent avec l’ADK de Google pour booster la génération de prospects

La prospection commerciale traditionnelle repose souvent sur des scrapers fragiles et des scripts statiques, incapables de comprendre les contextes, de s’y adapter ou de raisonner.
Mais imaginez que vous puissiez concevoir un agent qui ne se contente pas de récupérer des données, mais qui imite le processus d’analyse d’une équipe d’étude de marché : Un agent capable de repérer les tendances, de vérifier ses sources, de valider des informations et de vous fournir des prospects hautement qualifiés grâce à une compréhension dynamique des critères de succès.

Ce guide détaille l’architecture d’un tel agent, développé à l’aide de notre Agent Development Kit (ADK). Nous verrons comment structurer une tâche complexe en une hiérarchie d’agents coopératifs, gérer l’état au fil des interactions, et exploiter le parallélisme pour créer une solution à la fois performante et efficiente.

Étape 1 : identifier l’agent racine

Tout système agentique avancé s’organise autour d’un chef d’orchestre, un orchestrateur principal, ou dit autrement un cerveau qui coordonne l’ensemble. Ici, c’est l’InteractiveLeadGenerator qui tient la baguette : Son but n’est pas d’exécuter lui-même les tâches de bas niveau, mais de gérer le flux de travail, déléguer à des sous-agents spécialisés et interagir avec l’utilisateur. En clair, il transforme une multitude d’agents spécialisés en une seule force cohérente et performante.

En voici le script Python :

L’agent racine agit comme chef d’orchestre de la prospection : il révèle les schémas qui font la réussite, les valide avec l’utilisateur, puis les met en action pour produire des leads qualifiés. Les actions de cet agent racine sont déterminées par son instruction principale « ROOT_AGENT_INSTRUCTION » , qui fixe son objectif global et sa façon de fonctionner.

Voici cette instruction :

« Tu es un assistant de génération de leads. Ton objectif est d’aider l’utilisateur à trouver de nouveaux leads en découvrant des schémas dans les entreprises performantes. Ton processus est le suivant : 1. Comprendre l’intention de l’utilisateur. 2. Exécuter un flux de travail de découverte de schémas. 3. Confirmer les résultats avec l’utilisateur. 4. Exécuter un flux de travail de génération de leads à partir des schémas confirmés. Maintiens une approche interactive, proactive et approfondie. »

Étape 2 : Décomposer le problème et extraire l'intention

Les problèmes complexes se résolvent plus facilement lorsqu’on les divise en phases distinctes. Notre tâche de génération de prospects (leads) se divise naturellement en deux flux de travail principaux, comme illustré dans le diagramme ci-dessous :

1 - Apprendre du passé (découverte de modèles) : Nous avons besoin d'une Équipe de Recherche (Research Squad) pour analyser l'historique, décortiquer les succès passés et mettre en lumière les signaux gagnants.

2 - Prédire l'avenir (génération de prospects) : Nous avons besoin d'une Équipe de Chasseurs (Hunter Squad) pour exploiter ces signaux afin de trouver les prochaines opportunités (autrement dit, débusquer les prospects à fort potentiel).

Avant de lancer l’un ou l’autre des flux de travail, l’agent racine doit d’abord comprendre les besoins spécifiques de l’utilisateur. Cette mission est confiée à un agent spécialisé, l’intent_extractor_agent, chargé d’analyser la requête initiale de l’utilisateur et de la convertir en données structurées.

Étape 3 : Le workflow de découverte de patterns

Pour concrétiser notre objectif, il nous faut identifier des entreprises « prospects », les valider, et explorer leur historique. Mais un tel processus séquentiel, réalisé manuellement, est bien trop chronophage, lent et inefficace.

La solution réside dans une approche automatisée, collaborative et orchestrée. Notre ResearchOrchestratorAgent crée dynamiquement un mini-pipeline pour chaque entreprise et les exécute tous en parallèle. Cette exécution parallèle transforme notre processus en une véritable force de frappe analytique, où plusieurs flux de recherche s'exécutent simultanément sous la supervision experte d'un SequentialAgent unique qui garantit la cohérence et la qualité des résultats.

Les agents clés de cette séquence sont :

• CompanyFinderAgent (le radar) : exécute des recherches pour établir une première liste d’entreprises en fonction du secteur et du pays spécifiés par l’utilisateur.
• CompanyFormatterAgent (le nettoyeur) : prend la sortie brute du FinderAgent et la convertit en un format standardisé, garantissant que les données soient propres et prêtes pour les étapes suivantes.
• ResearchOrchestratorAgent (le chef d’orchestre) : gère l’exécution parallèle de la phase de recherche. Pour chaque entreprise identifiée, il exécute dynamiquement un pipeline de validation (s’appuyant sur le ValidatorAgent) afin d’évaluer la société selon des critères rigoureux.
• SynthesizerOrchestratorAgent (le consolideur) : collecte et consolide toutes les données validées issues des pipelines parallèles, pour préparer un jeu de données unifié en vue de l’analyse finale.
• PatternSynthesizerAgent (l’analyste) : exploite les données agrégées par SynthesizerOrchestratorAgent. Sa mission principale est d’identifier les tendances communes et de les synthétiser dans un rapport clair, fondé sur des preuves, en citant les sources pour chaque pattern détecté.

Étape 4 : Mécanismes de contrôle et gestion des états

Pour permettre à l’agent racine de gérer ces workflows complexes tout en maintenant une conversation cohérente, l’ADK met à votre disposition deux super-pouvoirs.

1 - AgentTool pour la délégation

Les orchestrateurs SequentialAgent sont encapsulés dans un AgentTool unique. Cela permet à l’agent racine d’invoquer un workflow multi-étapes complet comme s’il s’agissait d’un simple appel de fonction.

1. Callbacks pour la gestion des états
   Pour que l’agent racine garde le cap dans une discussion à plusieurs étapes, les callbacks jouent le rôle de chef d’orchestre invisible. Ils assurent la continuité et la mise à jour de l’état conversationnel.

• before_agent_run : S’exécute avant chaque tour d’agent pour initialiser ou mettre à jour l’état de la session.
• after_tool_run : S’exécute après l’exécution d’un outil. Il traite la sortie de ce dernier et met à jour une variable d’étape dans l’état de la session, ce qui est crucial pour orienter la prochaine décision de l’agent racine.

Étape 5 : Le workflow de génération de leads

Une fois les patterns de réussite identifiés et validés, l’InteractiveLeadGenerator déploie le second workflow majeur (celui de la génération de leads). Ce second processus reprend la structure de la phase de découverte, en transformant les enseignements en actions concrètes et en mettant l’accent sur la cohérence et la réutilisabilité.

Les agents clés de cette séquence sont :

• LeadFinderAgent (le chasseur) : utilise les patterns précédemment synthétisés comme nouvelle requête de recherche afin d’identifier des entreprises présentant des caractéristiques similaires.
• LeadFormatterAgent (le cartographe) : standardise et structure les données brutes issues du LeadFinderAgent pour permettre un traitement parallèle ultérieur.
• LeadResearchOrchestratorAgent (le stratège) : gère l’exécution parallèle des tâches d’analyse principales. Pour chaque prospect potentiel, cet agent exécute simultanément deux sous-agents: le ValidatorAgent (vérifie la pertinence et la fiabilité du lead) et le LeadSignalAnalyzerAgent (détecte les signaux exploitables).

Pour bien démarrer

Prêt à vous lancer ? Voici les ressources officielles et l’intégralité ducode source pour vous accompagner dans votre parcours.

• Google Agent Development Kit (ADK) : Consultez GitHub pour découvrir toutes les fonctionnalités, outils et configurations proposés par l’ADK.
• Code source du projet sur GitHub : Accédez au code complet et fonctionnel de cet agent. Clonez le dépôt et utilisez-le comme base pour vos propres créations.