GSP532

Descripción general del desafío

En un lab de desafío, se le proporcionarán una situación y un conjunto de tareas. En lugar de seguir instrucciones paso a paso, deberás utilizar las habilidades aprendidas en los labs del curso para decidir cómo completar las tareas por tu cuenta. Un sistema automatizado de puntuación (en esta página) mostrará comentarios y determinará si completaste tus tareas correctamente.

En un lab de desafío, no se explican conceptos nuevos de Google Cloud, sino que se espera que amplíes las habilidades que adquiriste, como cambiar los valores predeterminados y leer o investigar los mensajes de error para corregir sus propios errores.

Debe completar correctamente todas las tareas dentro del período establecido para obtener una puntuación del 100%.

Se recomienda este lab a los estudiantes inscritos en el curso Crea una aplicación inteligente en la nube con Vibe Coding. ¿Aceptas el desafío?

Temas evaluados

• Habilitar las APIs y establecer las variables de entorno
• Realizar las vinculaciones de políticas de IAM
• Implementar el servidor de MCP de forma local para realizar pruebas y, luego, en Cloud Run
• Usar el Kit de desarrollo de agentes (ADK) para actualizar la aplicación de Python y usar MCP
• Virtualizar mediante Docker e implementar el servidor de MCP y el agente de ADK en Cloud Run

Configuración y requisitos

Antes de hacer clic en el botón Comenzar lab

Lee estas instrucciones. Los labs cuentan con un temporizador que no se puede pausar. El temporizador, que comienza a funcionar cuando haces clic en Comenzar lab, indica por cuánto tiempo tendrás a tu disposición los recursos de Google Cloud.

Este lab práctico te permitirá realizar las actividades correspondientes en un entorno de nube real, no en uno de simulación o demostración. Para ello, se te proporcionan credenciales temporales nuevas que utilizarás para acceder a Google Cloud durante todo el lab.

Para completar este lab, necesitarás lo siguiente:

• Acceso a un navegador de Internet estándar. Se recomienda el navegador Chrome.

Nota: Usa una ventana del navegador privada o de incógnito (opción recomendada) para ejecutar el lab. Así evitarás conflictos entre tu cuenta personal y la cuenta de estudiante, lo que podría generar cargos adicionales en tu cuenta personal.

• Tiempo para completar el lab (recuerda que, una vez que comienzas un lab, no puedes pausarlo).

Nota: Usa solo la cuenta de estudiante para este lab. Si usas otra cuenta de Google Cloud, es posible que se apliquen cargos a esa cuenta.

Situación del desafío

El zoológico Cloud Creek contrató a la división de consultoría "Experiencia digital" de Cymbal Group para implementar un sistema de participación de visitantes de vanguardia. El objetivo final del zoológico Cloud Creek es tener un guía turístico altamente preciso, dinámico y atractivo potenciado por IA que pueda proporcionar respuestas profundas y contextuales a las preguntas de los visitantes. En el centro de la actualización del sistema se encuentra la implementación y actualización del agente de IA "guía turístico del zoológico", que puede realizar búsquedas de información sobre animales a través de un servidor remoto del Protocolo de contexto del modelo (MCP), el "servidor del zoológico".

Además de usar Wikipedia para obtener contexto cuando responde a las consultas de los visitantes, el agente "guía turístico del zoológico" debería tener acceso a información amplia y en tiempo real a través de una herramienta dedicada de servidor de MCP de Búsqueda de Google. Esto le daría al agente la capacidad de responder preguntas como "Dame noticias recientes sobre la conservación de la especie de león".

Un consultor junior cometió algunos errores mientras actualizaba el "servidor del zoológico" existente, lo que dio como resultado un servidor de Python ligeramente dañado y no funcional. Además, la arquitectura del proyecto aún no se había finalizado de acuerdo con las estrictas políticas de IAM de Cymbal Group.

Te llamaron para que abordes estos problemas.

Tu desafío

En este lab, tu misión como especialista sénior en integración de IA para Cymbal Group es la siguiente:

• Configurar el proyecto y habilitar las APIs y los servicios necesarios
• Aplicar la política de IAM corporativa
• Corregir el código del servidor de MCP dañado y, luego, implementar el servidor en Cloud Run para probarlo
• Integrar y actualizar la funcionalidad y el flujo de trabajo del agente de IA del ADK "guía turístico del zoológico" para que sea compatible con la Búsqueda de Google
• Virtualizar mediante Docker el paquete del agente de ADK y, luego, implementarlo en Cloud Run para lograr la preparación para producción

Tarea 1: Configura el entorno y habilita las APIs necesarias

En esta tarea, crearás la base específica del proyecto en Google Cloud para respaldar una implementación de IA a gran escala.

Asegúrate de que tu proyecto de Google Cloud esté configurado para permitir que los servicios requeridos funcionen y se comuniquen de manera eficaz.

Descarga los archivos de código

1. En Cloud Shell, haz clic en Abrir editor para abrir el editor de Cloud Shell en tu directorio principal.

2. En la barra de acciones del Editor de Cloud Shell, haz clic en View > Terminal.

   Nota: Es posible que debas alargar la ventana del navegador o hacer clic en More options () para ver la opción de menú View.

Usa esta ventana como tu IDE, con el editor de Cloud Shell (arriba) y la terminal de Cloud Shell (abajo), durante el resto de este lab.

Cierra cualquier instructivo adicional o panel de Gemini que aparezca en el lado derecho de la pantalla para tener más espacio en la ventana para tu editor de código.

3. En la terminal, ingresa el siguiente comando para configurar tu proyecto:

   gcloud config set project {{{primary_project.project_id | filled in at lab start}}}

   Resultado esperado: Deberías obtener un mensaje de resultado que confirme la propiedad actualizada.

4. En la terminal, ejecuta los siguientes comandos para descargar y extraer los archivos de código estándar:

   gcloud storage cp gs://{{{primary_project.project_id | filled in at lab start}}}-labconfig-bucket/labs_code.zip . unzip labs_code.zip

5. Ejecuta lo siguiente para crear las variables de entorno:

   cd ~/zoo_guide_agent cat <<EOF > .env MODEL="{{{primary_project.startup_script.gemini_flash_model_id |filled in at lab start}}}" SERVICE_ACCOUNT="{{{primary_project.startup_script.project_number | filled in at lab start}}}-compute@developer.gserviceaccount.com" MCP_SERVER_URL="https://{{{primary_project.startup_script.mcp_server_name | filled in at lab start}}}-{{{primary_project.startup_script.project_number | filled in at lab start}}}.{{{primary_project.default_region | filled in at lab start}}}.run.app/mcp/" GOOGLE_GENAI_USE_ENTERPRISE=1 GOOGLE_CLOUD_PROJECT={{{primary_project.project_id | filled in at lab start}}} PROJECT_NUMBER={{{primary_project.startup_script.project_number | filled in at lab start}}} GOOGLE_CLOUD_LOCATION={{{primary_project.default_region | filled in at lab start}}} EOF

   Tu estructura de directorio final debería ser similar a la siguiente.

   Resultado:

   . ├── mcp-on-cloudrun │ ├── Dockerfile │ ├── local_mcp_call.py │ ├── pyproject.toml │ ├── server.py │ └── uv.lock └── zoo_guide_agent ├── agent.py ├── __init__.py ├── .env └── requirements.txt

6. Por último, habilita las APIs necesarias: API de Agent Platform, API de Artifact Registry, API de Compute Engine, API de Cloud Build y API de Cloud Run Admin.

Haz clic en Revisar mi progreso para verificar el objetivo. Habilitar las APIs necesarias

Tarea 2: Realiza las vinculaciones de políticas necesarias (configuración de IAM)

Los servicios automatizados (Cloud Build y Cloud Run) necesitan permisos específicos para interactuar entre sí y con AI Platform.

En esta tarea, debes realizar las vinculaciones de políticas necesarias para otorgar permisos a la cuenta de usuario o de servicio para invocar Cloud Run y usar AI Platform.

Debes otorgar los siguientes roles de IAM a las cuentas de servicio correspondientes:

• Otorga el rol de administrador de Cloud Run y usuario de Agent Platform al usuario para permitirle implementar servicios en Cloud Run.

Haz clic en Revisar mi progreso para verificar el objetivo. Realizar las vinculaciones de políticas necesarias

Tarea 3: Corrige y, luego, implementa el servidor de MCP en Cloud Run

En esta tarea, debes usar la Gemini CLI para solucionar problemas y revitalizar el servidor de MCP, que actúa como la columna vertebral de la aplicación y organiza el uso de herramientas de IA.

Una vez que hayas corregido los problemas en el código, asegúrate de usar el comando de integración de Cloud Build pertinente en la Gemini CLI para implementar el servidor de MCP remoto preexistente en el repositorio de la esta CLI para realizar pruebas.

Implementa y prueba el servidor de manera local

1. En la terminal, ejecuta los siguientes comandos para ejecutar ~/mcp-on-cloudrun/server.py:

   cd ~/mcp-on-cloudrun uv run server.py

   Obtendrás un error que deberás corregir con Gemini en Cloud Shell.

   Nota: Es posible que la Gemini CLI tarde un tiempo en actualizarse y realizar cambios en el archivo de Python real. Si la Gemini CLI te pide permiso para ejecutar el archivo de Python que corrigió, presiona ESC para cancelar y sal de la Gemini CLI para volver a la terminal. Luego, sigue los pasos del lab que se indican a continuación para continuar con el lab.

2. Una vez que se solucione el error, vuelve a ejecutar el comando anterior. Debería iniciar el servidor de MCP de forma local y deberías obtener un resultado que lo confirme.

3. Abre otra instancia de terminal y ejecuta ~/mcp-on-cloudrun/local_mcp_call.py para probar el agente implementado localmente:

   Nota: Si recibes un error google.logging.v2.WriteLogEntriesPartialErrors, configura tu proyecto con el comando gcloud config set project . cd ~/mcp-on-cloudrun uv run local_mcp_call.py

   Resultado esperado: El resultado, presentado como un CallToolResult, debería mostrar la recuperación exitosa de datos estructurados sobre la especie de la morsa.

Haz clic en Revisar mi progreso para verificar el objetivo. Implementar y probar el MCP localmente

Implementa en Cloud Run

Nota: Debes autorizar Cloud Shell durante el proceso de implementación si se te solicita.

• Ejecuta el siguiente comando de gcloud para implementar la aplicación en Cloud Run:

  cd ~/mcp-on-cloudrun gcloud run deploy {{{primary_project.startup_script.mcp_server_name | filled in at lab start}}} \ --no-allow-unauthenticated \ --region={{{primary_project.default_region | filled in at lab start}}} \ --source=. \ --min=1 \ --project={{{primary_project.project_id | filled in at lab start}}} \ --labels=lab-dev=mcp-zoo-cloud-run-service

Nota: La implementación puede tardar hasta 10 minutos Si encuentras un error Quota exceeded for total allowable CPU per project per region durante la implementación de Cloud Run, espera un momento y vuelve a intentar el comando.

Haz clic en Revisar mi progreso para verificar el objetivo. Implementar el MCP en Cloud Run

Tarea 4: Actualiza el agente para usar MCP

En esta tarea, implementarás tu código de agente de Python y lo vincularás al servidor de MCP recién implementado.

Con los comandos del ADK en la Gemini CLI, implementa el archivo local (actualizado) agent.py. Configura esta implementación para usar el servidor de MCP implementado en la tarea 3, lo que hace que el guía turístico del zoológico esté operativo en tu entorno de CLI local.

Genera tokens y configura el archivo settings.json

1. Guarda tus credenciales de Google Cloud y el número de proyecto en variables de entorno para usarlos en el archivo de configuración de Gemini:

   export PROJECT_NUMBER=$(gcloud projects describe $GOOGLE_CLOUD_PROJECT --format="value(projectNumber)") export ID_TOKEN=$(gcloud auth print-identity-token)

Nota: Si recibes un error de autenticación en la Gemini CLI, es posible que tu ID_TOKEN haya vencido. Sal con /quit y establece tu proyecto con el comando gcloud config set project .

2. En el Editor de Cloud Shell, selecciona View > Toggle hidden files y abre o crea el archivo ~/.gemini/settings.json para que puedas actualizarlo. Propaga el contenido del archivo con la siguiente configuración de Gemini CLI para agregar el servidor de MCP de Cloud Run:

   { "mcpServers": { "zoo-remote": { "httpUrl": "https://{{{primary_project.startup_script.mcp_server_name | filled in at lab start}}}-{{{primary_project.startup_script.project_number | filled in at lab start}}}.{{{primary_project.default_region | filled in at lab start}}}.run.app/mcp/", "headers": { "Authorization": "Bearer $ID_TOKEN" } } }, "selectedAuthType": "cloud-shell", "hasSeenIdeIntegrationNudge": true }

Abre la Gemini CLI

Sigue los pasos que se indican a continuación para abrir la Gemini CLI.

1. En la terminal, ejecuta el comando para iniciar la Gemini CLI.

   Es posible que debas presionar INTRO para aceptar algunos parámetros de configuración predeterminados.

2. Usa el comando de barra pertinente para que Gemini enumere las herramientas de MCP disponibles en su contexto.

3. Pídele a Gemini que encuentre algo en el zoológico:

   ¿Dónde puedo encontrar pingüinos?

   La Gemini CLI debería saber que debe usar el servidor de MCP zoo-remote y debería preguntarte si permites la ejecución de la herramienta de MCP.

4. Elige always allow all tools del servidor de MCP zoo-remote.

   Resultado esperado: El resultado debería mostrar la respuesta correcta y un cuadro de visualización que indique que se usó el servidor de MCP.

5. Envía la siguiente instrucción a la Gemini CLI para usar el nuevo comando personalizado que creaste:

   /find --animal="lion"

   Resultado esperado: Deberías ver que la Gemini CLI llama a la herramienta fetch_animals_by_species y da formato a la respuesta según las indicaciones de la instrucción de MCP.

6. Cuando quieras finalizar tu sesión, sal de la Gemini CLI con el comando o las combinaciones de teclas correspondientes.

Verifica los registros del servidor

• En la terminal, ingresa lo siguiente para verificar los registros del servidor:

  gcloud run services logs read {{{primary_project.startup_script.mcp_server_name | filled in at lab start}}} --region {{{primary_project.default_region| filled in at lab start}}} --limit=5

  Resultado esperado: Deberías ver un registro de salida que confirme que se hizo una llamada a la herramienta. 🛠️

Haz clic en Revisar mi progreso para verificar el objetivo. Actualizar el agente para usar MCP y verificar

Tarea 5: Virtualiza mediante Docker y, luego, implementa el agente del ADK en Cloud Run

Para la tarea final, debes trasladar todo el sistema de tu entorno de pruebas local a un entorno sin servidores escalable y listo para producción.

Debes alojar en contenedores la aplicación ADK completa, lo que incluye el servidor MCP y el agente Zoo Tour Guide que tiene integrada la Búsqueda de Google, y, luego, implementar las imágenes de contenedor resultantes en Google Cloud Run. Debes asegurarte de que el servicio esté configurado para la invocación pública y confirmar que el agente responde en su URL pública.

Implementa y prueba el servidor de manera local

1. Abre ~/zoo_guide_agent/agent.py, revisa los comentarios TODO y actualiza el código en consecuencia para completar la configuración del agente.

2. Ejecuta los siguientes comandos para instalar el paquete zoo_guide_agent:

   gcloud config set project {{{primary_project.project_id | filled in at lab start}}} cd ~/zoo_guide_agent python -m venv .venv source .venv/bin/activate pip install --no-cache-dir -r requirements.txt

3. Ejecuta lo siguiente para implementar el agente del ADK de forma local:

   cd ~ adk web

4. En Cloud Shell, presiona CTRL y haz clic en el vínculo http://localhost:8000 o http://127.0.0.1:8000 para abrir la IU de desarrollo del ADK en una nueva pestaña del navegador.

5. En esta IU, selecciona zoo_guide_agent y hazle la siguiente pregunta:

   ¿Dónde puedo encontrar osos?

   Resultado esperado: Deberías ver eventos para todas las llamadas a función y una resolución para tu consulta que combine información de todas las fuentes. El agente también debe proporcionar un recuento aproximado de la cantidad de especies disponibles a nivel mundial.

Nota: La consolidación de la respuesta real del agente puede tardar un tiempo.

Haz clic en Revisar mi progreso para verificar el objetivo. Implementar el agente del ADK de forma local

Implementa en Cloud Run

• En la terminal, abre otra instancia de terminal y ejecuta los siguientes comandos para implementar tu agente:

  cd ~/zoo_guide_agent uvx --from google-adk \ adk deploy cloud_run \ --project={{{primary_project.project_id | filled in at lab start}}} \ --region={{{primary_project.default_region| filled in at lab start}}} \ --service_name={{{primary_project.startup_script.adk_server_name | filled in at lab start}}} \ --with_ui \ . \ -- \ --labels=lab-dev=cloud-zoo-run-adk-service

El comando uvx te permite ejecutar herramientas de línea de comandos publicadas como paquetes de Python sin necesidad de una instalación global de esas herramientas.

Nota: La implementación puede tardar 15 minutos en promedio en completarse. Si se te solicita confirmar si permites las invocaciones sin autenticar, INGRESA y para continuar.

Haz clic en Revisar mi progreso para verificar el objetivo. Implementar el agente del ADK en Cloud Run

Verifica el agente del ADK implementado

Ahora que tu agente está activo en Cloud Run, realiza una prueba para confirmar que la implementación se realizó correctamente y verificar que el agente funciona como se espera. Usa la URL del servicio público para acceder a la interfaz web del ADK y, así, interactuar con el agente.

1. Una vez que el agente se implementó correctamente en Cloud Run, presiona CTRL y haz clic en la URL del servicio en el resultado para abrirlo en una nueva pestaña del navegador.

Debería parecerse al siguiente formato.

Resultado de la URL del servicio:

https://{{{primary_project.startup_script.adk_server_name | filled in at lab start}}}-{{{primary_project.startup_script.project_number | filled in at lab start}}}.{{{primary_project.default_region | filled in at lab start}}}.run.app/

Como usaste la marca --with_ui cuando implementaste en Cloud Run, deberías ver la IU de desarrollador del ADK.

2. Activa Transmisión de tokens en la parte superior derecha.

3. Interactúa con el agente del zoológico. Ingresa la siguiente consulta para iniciar una nueva conversación:

   ¿Dónde puedo encontrar elefantes?

   Resultado esperado: Deberías ver eventos para todas las llamadas a función con una resolución a tu consulta que combine información de todas las fuentes. El agente también debe proporcionar un recuento aproximado de la cantidad de especies disponibles a nivel mundial.

Nota: La consolidación de la respuesta real del agente puede tardar un tiempo.

Haz clic en Revisar mi progreso para verificar el objetivo. Verificar el agente del ADK implementado

¡Felicitaciones!

En este lab, demostraste tu habilidad para usar Gemini CLI con Google Cloud Run y Cloud Build para configurar, probar e implementar un agente de ADK mejorado y funcional de "guía turístico del zoológico". Garantizar que el agente pueda interactuar con un servidor de MCP dedicado y herramientas integradas mejora y agiliza significativamente el manejo de las consultas de los visitantes del zoológico y las búsquedas de animales como parte de las iniciativas de transformación digital del zoológico Cloud Creek.

Próximos pasos y más información

Consulta los siguientes recursos para obtener más información sobre la IA generativa y Gemini Enterprise Agent Platform:

• Lee la descripción general de los modelos de Gemini de Google DeepMind para obtener información sobre las capacidades principales de los modelos.
• Explora la documentación oficial de Agent Platform para conocer los lineamientos de diseño, implementación y escalamiento.
• Revisa la descripción general de los agentes en Agent Platform para comprender cómo crear y administrar agentes personalizados.
• Mira las playlists sobre IA generativa en YouTube para ver videotutoriales y demostraciones de productos.
• Explora otros notebooks y ejemplos en el repositorio de IA generativa de Google Cloud.
• Explora el repositorio de muestras del Kit de desarrollo de agentes (ADK) de Google para obtener plantillas de agentes personalizadas.

Capacitación y certificación de Google Cloud

Recibe la formación que necesitas para aprovechar al máximo las tecnologías de Google Cloud. Nuestras clases incluyen habilidades técnicas y recomendaciones para ayudarte a avanzar rápidamente y a seguir aprendiendo. Para que puedas realizar nuestros cursos cuando más te convenga, ofrecemos distintos tipos de capacitación de nivel básico a avanzado: a pedido, presenciales y virtuales. Las certificaciones te ayudan a validar y demostrar tus habilidades y tu conocimiento técnico respecto a las tecnologías de Google Cloud.

Actualización más reciente del manual: 16 de octubre de 2025

Prueba más reciente del lab: 16 de octubre de 2025

Copyright 2026 Google LLC. All rights reserved. Google y el logotipo de Google son marcas de Google LLC. Los demás nombres de productos y empresas pueden ser marcas de las respectivas empresas a las que estén asociados.