En este artículo explicamos de forma práctica cómo crear, empaquetar y desplegar un agente de inteligencia artificial en Kubernetes usando un enfoque declarativo con kagent. El objetivo es que puedas llevar agentes IA construidos con frameworks habituales como CrewAI, langchain o ADK a un entorno de orquestación robusto sin reescribir tu lógica, solo contenedorizando y registrando el despliegue. Este flujo es ideal para proyectos de aplicaciones a medida y software a medida que requieren integración de modelos LLM en producción.
Sobre Q2BSTUDIO: somos una empresa de desarrollo de software especializada en aplicaciones a medida, inteligencia artificial y ciberseguridad. Ofrecemos servicios integrales que van desde diseño de software hasta despliegue en la nube y consultoría en inteligencia de negocio y power bi. Si buscas potenciar procesos con IA para empresas o desplegar soluciones cloud en AWS y Azure podemos ayudarte a implementar agentes IA en producción, además de servicios de ciberseguridad y pentesting para proteger tus activos.
Requisitos previos: un clúster de Kubernetes con kagent instalado; Python 3.10 o superior; Docker instalado para construir imágenes; acceso a una API de LLM para el agente, por ejemplo Google Gemini, OpenAI u otro proveedor. Para integración continua y despliegue recomendamos contar con un registro de contenedores como Docker Hub o GitHub Container Registry.
Concepto BYO Agents: BYO significa Bring Your Own, es decir traer tu propio agente. kagent soporta un modo BYO que permite importar agentes ya desarrollados en frameworks de Python o JS. Lo único que necesitas es empaquetar tu agente en una imagen de contenedor y proporcionar la configuración declarativa para que kagent lo despliegue y lo conecte al proveedor de LLM.
Crear un agente con ADK: instala la librería ADK de Google con pip install google-adk. Crea el esqueleto del agente con adk create NOMBRE_DEL_AGENT. Dentro del directorio generado puedes probar el agente con adk run NOMBRE_DEL_AGENT. Este flujo genera una plantilla lista para implementar la lógica que quieras y facilita la transición a contenedor.
Usar un agente existente como referencia: si prefieres evitar empezar desde cero puedes clonar repositorios de ejemplo que ya incluyen un Dockerfile y la estructura necesaria. Un Dockerfile típico para un agente ADK puede usar una imagen base kagent-adk, copiar el paquete del agente, instalar dependencias bloqueadas con uv sync y finalmente declarar el comando de entrada. Por ejemplo en la etapa base se pueden usar variables como DOCKER_REGISTRY y VERSION y en el contenedor ejecutar uv sync --locked --refresh antes de CMD nombre_del_agente.
Construir la imagen: en el directorio del Dockerfile ejecuta docker build . -t nombreagente:latest. Si obtienes un error relacionado con uv sync genera un lock de dependencias con uv lock y vuelve a construir. Cuando la imagen esté lista etiqueta y sube al registro elegido con docker tag nombreagente:latest usuario/registro/nombreagente:latest y docker push usuario/registro/nombreagente:latest.
Crear el secreto con la clave del proveedor LLM: exporta la variable de entorno con la API y crea un secreto en Kubernetes, por ejemplo con kubectl create secret generic kagent-google -n kagent --from-literal=GOOGLE_API_KEY=valor_de_tu_api. Este secreto será referenciado por el objeto Agent de kagent para que el contenedor pueda autenticar llamadas al LLM.
Declarar el agente en kagent: utiliza el CRD Agent para un despliegue BYO. Un manifiesto de ejemplo contiene metadata con name y namespace, spec con description y type BYO, y la sección byo.deployment con la imagen y las variables de entorno referenciando el secreto creado. Aplica el manifiesto con kubectl apply -f agente.yaml o con la herramienta que prefieras. Tras aplicar el manifiesto revisa que el pod esté en el namespace kagent con kubectl get pods -n kagent.
Detalles operativos y buenas prácticas: usa tags de versión semántica en las imágenes para poder hacer rollbacks; configura readiness y liveness probes si tu agente expone endpoints de salud; limita recursos con requests y limits para evitar que un agente consuma todo el nodo; habilita logs estructurados y métricas para monitorizar uso de tokens y latencias del LLM. Para seguridad, almacena credenciales en secretos y aplica políticas RBAC mínimas.
Ejemplo de flujo mínimo resumido: 1 instalar dependencias y crear agente con ADK; 2 preparar Dockerfile y construir imagen; 3 subir imagen a registro público o privado; 4 crear secreto con la API del LLM; 5 crear el recurso Agent en kagent y aplicar el manifiesto; 6 verificar pods y logs y probar interacciones con el agente. Este enfoque permite integrar agentes IA en pipelines de CI CD y en arquitecturas que ya usan Kubernetes y servicios cloud.
Por qué elegir a Q2BSTUDIO: si necesitas adaptar este flujo a tus necesidades de negocio o desarrollar agentes IA a medida, en Q2BSTUDIO ofrecemos servicios de desarrollo de aplicaciones a medida y soluciones de inteligencia artificial para empresas. Podemos ayudarte a diseñar, desplegar y asegurar tus agentes IA, integrar servicios cloud AWS y Azure, y enriquecer tus proyectos con inteligencia de negocio y Power BI para visualización y reporting.
Palabras clave y servicios relacionados: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA, power bi. Si quieres un piloto o una consultoría para llevar agentes inteligentes a producción contáctanos y definimos una hoja de ruta que incluya arquitectura, seguridad y optimización de costes en la nube.
Conclusión: ejecutar agentes de IA en Kubernetes con kagent ofrece un método declarativo, reproducible y escalable para poner en producción tus modelos y flujos conversacionales. Aprovecha contenedores, registros y secretos para mantener control y seguridad, y apóyate en especialistas para adaptar la solución a tus procesos y objetivos de negocio.
.jpg)
.jpg)
.jpg)