Gen AI Leader
Deep Dive
Mientras los productos anteriores están pensados para usuarios finales o de negocio, Agent Platform es la capa dirigida a desarrolladores: acceso a modelos, búsqueda empresarial reutilizable como componente, y herramientas para construir agentes propios desde cero.
Contenido
El Agent Platform (conocido anteriormente como Vertex AI Agent Builder / Vertex AI Search) es el conjunto de herramientas de Google Cloud para que los desarrolladores construyan, entrenen y desplieguen soluciones de IA generativa, desde acceso a modelos hasta agentes completos en producción. Se organiza en tres piezas principales.
Model Garden
Catálogo de modelosDescubre, prueba y despliega modelos de primera parte, abiertos y de terceros desde un mismo lugar.
Model Garden es el catálogo centralizado de foundation models disponibles en Google Cloud: modelos de primera parte (Gemini, Imagen, Veo), modelos abiertos (Gemma) y modelos de terceros, todos accesibles con una experiencia de descubrimiento, prueba y despliegue unificada.
Por qué importa
Un desarrollador no tiene que buscar en múltiples proveedores ni gestionar credenciales separadas — Model Garden centraliza el descubrimiento y la evaluación de qué modelo conviene para cada tarea (texto, imagen, video, embeddings) dentro del mismo proyecto de Google Cloud.
Agent Search
Búsqueda reutilizableCapacidades de búsqueda y recuperación de nivel Google, expuestas como componente para incorporar en un agente propio.
Ya vimos Agent Search como producto orientado a experiencia de cliente. Desde la perspectiva de Agent Platform, es también un componente que un desarrollador puede incorporar directamente en su propia aplicación o agente: capacidades de búsqueda y recuperación de nivel Google, expuestas como servicio reutilizable en vez de tener que construirlas desde cero.
Agent Platform AutoML
ML personalizadoEntrena modelos propios de clasificación, regresión o visión sobre tus datos etiquetados, con mínimo código.
Agent Platform AutoML permite entrenar modelos de machine learning personalizados (clasificación, regresión, visión) sobre los propios datos del cliente, con un mínimo de código: el desarrollador aporta los datos etiquetados y AutoML se encarga de la selección de arquitectura y el ajuste de hiperparámetros.
Cuándo usarlo frente a un foundation model
AutoML tiene sentido cuando la tarea es un problema de ML clásico y bien acotado (por ejemplo, clasificar imágenes de defectos de fábrica en categorías predefinidas) con suficientes datos etiquetados propios, en vez de una tarea de lenguaje natural abierta donde un foundation model preentrenado como Gemini ya rinde bien sin entrenamiento adicional.
RAG (Retrieval-Augmented Generation) permite que un modelo fundamente sus respuestas en documentos reales recuperados en el momento de la consulta, en vez de depender únicamente de su conocimiento paramétrico. Google Cloud ofrece dos formas de implementarlo, con distinto nivel de control.
RAG preconstruido con Agent Search
Solución administrada: el desarrollador aporta los documentos (o los conecta desde una fuente existente) y Agent Search se encarga de la ingesta, el chunking, indexado y recuperación de forma automática. Menos configuración, más rapidez para producción.
RAG APIs
Control granular: el desarrollador diseña su propia canalización de RAG usando APIs individuales (embeddings, Vertex AI Vector Search, chunking personalizado), eligiendo cada pieza según necesidades específicas de rendimiento o formato de datos.
Cómo decidir entre las dos — pregunta típica de examen
Si la prioridad es velocidad de implementación y mantenimiento mínimo, usa el RAG preconstruido con Agent Search (administrado). Si la prioridad es control fino sobre cada etapa del pipeline (estrategia de chunking específica, motor de vector search propio, lógica de reranking personalizada), usa las RAG APIs.
Más allá de usar modelos o búsqueda de forma aislada, Agent Platform permite ensamblar agentes completos: sistemas que combinan un modelo base, herramientas para actuar sobre el entorno (function calling, conexión a datos) y lógica de orquestación para completar tareas de varios pasos, no solo responder una pregunta aislada.
Ejemplo
Un agente de aprobación de gastos construido en Agent Platform puede leer un recibo (visión), consultar la política de gastos de la empresa (RAG sobre documentos internos), verificar el presupuesto disponible (llamada a una función/API interna) y decidir aprobar o escalar la solicitud — todo en una sola interacción automatizada.
¿Entendiste este tema?
Pon a prueba lo que acabas de aprender
Un equipo de desarrollo necesita implementar RAG sobre una base de conocimiento interna, pero requiere control granular sobre la estrategia de chunking y el motor de vector search específico que se usará, porque su formato de documentos es poco convencional. ¿Qué opción de Google Cloud es más adecuada?
Pon a prueba lo que aprendiste con preguntas originales del examen Gen AI Leader.
Iniciar simulacro Gen AI LeaderSin límite de simulacros con plan Pro
Inicia sesión para llevar tu progreso.