Agents CLI 快速上手实战用 Coding Agent 一行命令构建、评测并部署 ADK Agent【免费下载链接】agents-cliThe CLI and skills that turn any coding assistant into an expert at creating, evaluating, and deploying AI agents on Google Cloud.项目地址: https://gitcode.com/GitHub_Trending/ag/agents-cli本教程面向希望借助 Coding AgentAntigravity CLI、Claude Code、Codex 等快速完成 AI Agent 全生命周期的开发者演示 Agents CLI in Agent Platform 的完整使用路径从一句话需求开始由编码代理自动完成项目脚手架Scaffold、Agent 编码Build、结构化评测Evaluate、部署到 Cloud RunDeploy以及生产观测Observe。读完本教程你将掌握如何在 Coding Agent 的辅助下交付一个可运行的 ADK Agent并理解每一步背后 CLI 实际执行的命令与源码级实现。教程背景构建一个原始人压缩器本教程的实战目标是一个名为caveman compressor原始人压缩器的 Agent它接收啰嗦的长文本将其压缩成简短、硬核的原始人风格摘要。灵感来源于 caveman 项目。整个过程中你只需要自己执行一条命令初始化环境其余所有操作都通过向你的 Coding Agent 下达自然语言指令完成。Coding Agent 会激活 Agents CLI 内置的 skills技能包按workflow → scaffold → adk-code → eval → deploy → observability的顺序自动推进。这些 skills 位于仓库 skills/ 目录随安装一并注入你的编码环境。Setup唯一的自执行命令在开始之前先在终端执行uvx google-agents-cli setup这条命令会安装agents-cliCLI并将整套上下文相关的 skills共 7 个workflow、adk-code、scaffold、eval、deploy、publish、observability详见 Getting Started安装到你的 Coding Agent 环境。之后打开任意支持的编码代理即可开始Antigravity CLIClaude CodeCodex或其他支持 skills 协议的 Coding Agent前置依赖Python 3.11、uv以及用于 skills 安装的 Node.js部署阶段可选 Google Cloud SDK 与 Terraform。完整替代安装方式pipx、venv pip、仅安装 skills 的npx skills add google/agents-cli见 getting-started.md。1. Scaffold用一句话生成项目骨架对你的 Coding Agent 说Use agents-cli to build a caveman-style agent that compresses verbose text into terse, technical gruntsCoding Agent 会激活google-agents-cli-workflow与google-agents-cli-scaffold两个 skill依次执行澄清需求向你确认部署目标部署到哪、安全约束Agent 必须避免什么等关键决策写入需求规格将需求摘要保存到项目根目录的.agents-cli-spec.md执行脚手架命令agents-cli create caveman-agent --prototype --yes cd caveman-agent agents-cli install这一步完成后你会得到一个包含样板 Agent 代码、单元测试与评测数据集的完整可运行项目。脚手架命令的源码视角agents-cli create的核心实现位于 scaffold/commands/create.py。从源码可以看到几个与本教程直接相关的关键设计--prototype标志create.py创建不带 CI/CD 与 Terraform 基础设施的最小项目对应先跑通再部署的推荐路径--yes / --auto-approvecreate.py非交互模式跳过提示直接使用默认值是 Coding Agent 自动执行的理想形态项目名约束不超过 26 个字符、小写字母/数字/连字符源码中的normalize_project_name()会自动把大写与下划线转换为小写与连字符create.py默认区域--region默认us-east1并会调用validate_deployment_region校验create.py--adk快捷模式等价于adk agent_runtime prototype auto-approve的组合一步到位跳过所有交互提示create.py。生成的 ADK 模板 Agent 代码可参考仓库内的 adk/app/agent.py其默认形态包含Gemini模型MODEL gemini-3.7-flash与两个示例工具get_weather、get_current_time。2. Build让 Coding Agent 改写 Agent 逻辑Coding Agent 会编辑app/agent.py将默认 Agent 替换为我们的 caveman compressor。它使用google-agents-cli-adk-codeskill 获取 ADK 模式agents、tools、instruction 编写规范。最终的 Agent 定义大致如下root_agent Agent( namecaveman_agent, modelGemini(modelgemini-3.7-flash), instructionYou caveman compressor. Human give long words, you make short. Rules: - No articles. No filler. No fluff. - Short grunts. Simple words. - Keep technical terms but grunt around them. - Funny but meaning stays. Example input: I would like to deploy the application to production Example output: Me deploy. Production. Now. , )对比仓库模板 adk/app/agent.py 可以看到模板的 instruction 是通用助手提示词而这里被替换成高度定制化的风格指令——这正是改 instruction这一迭代主线的典型场景。注意模板同时示范了tools[get_weather, get_current_time]的挂载方式后续为 caveman 添加工具时遵循同样写法即可。本地冒烟测试Coding Agent 随后会用run命令做冒烟测试agents-cli run Please help me understand the deployment options available for my project预期输出Deploy options: Agent Runtime, Cloud Run, GKE. Pick one. Ship.agents-cli run的实现见 run/cmd_run.py有几个与本教程相关的实用特性值得展开本地执行默认会启动或复用一个本地 ADK SSE 服务再发起查询--start-server可让服务常驻以加速后续请求、--stop-server停止cmd_run.py远程查询--url deployed-url --mode a2a|adk可以直接查询已部署的 Agentcmd_run.py会话续接--session-id恢复已有会话本地会话存在于运行中的服务器内存里多模态输入--file支持附加图片、PDF、音频、视频Agent 返回的二进制产物会保存到.google-agents-cli/artifacts/并打印 Artifacts 尾部cmd_run.py。3. Evaluate编写评测并迭代到通过对你的 Coding Agent 说Write evals for the caveman agent and run themCoding Agent 激活google-agents-cli-evalskill 后创建评测数据集tests/eval/datasets/caveman-dataset.json覆盖三类用例压缩质量是否足够短、技术术语保留术语不被错误改写、原始人语气是否符合风格运行评测agents-cli eval runeval run会基于数据集执行 Agent 并一次性完成打分。评测底层使用 Gemini Enterprise Agent Platform 的 GenAI Eval SDK 进行评分。数据集结构参考仓库内置的示例数据集 basic-dataset.json 展示了标准格式——每个用例包含eval_case_id、promptrole parts可选reference用于 golden 答案对比。例如{ eval_cases: [ { eval_case_id: greeting, prompt: { role: user, parts: [{text: Hello, what can you help me with?}] } }, { eval_case_id: capital_lookup, prompt: { role: user, parts: [{text: What is the capital of France?}] }, reference: { response: { role: model, parts: [{text: The capital of France is Paris.}] } } } ] }迭代修错如果某些用例失败直接告诉 Coding Agent 问题所在The response to the greeting test is too polite. Make it more caveman.Coding Agent 会调整 instruction重新运行评测循环往复直至质量阈值通过。这也是 Evaluation Guide 中强调的eval-fix loop预期需要 5-10 轮迭代先写 1-2 个核心用例通过后再扩展边界用例。超越 eval run 的完整评测面教程指出评测能力不止eval run完整命令面包括agents-cli eval dataset synthesize无需输入文件通过检查本地 ADK Agent 自动生成多轮对话场景可用--count、--instruction、--environment-context引导生成方向适合冷启动或扩展覆盖率agents-cli eval compare并排对比两份评测结果如修复前后确认改动是否真正带来提升agents-cli eval analyze对失败用例做失败模式聚类帮助定位哪一类问题而不是逐条翻阅agents-cli eval optimize基于既有评测自动调优 Agent 的提示词单次运行从几分钟到数小时应在手工调优穷尽后再使用agents-cli eval metric list列出全部内置指标。常用内置指标详细表格见 Evaluation Guide包括general_quality整体质量非工具型 Agent 的推荐起点、tool_use_quality/multi_turn_tool_use_quality工具调用正确性、hallucination/groundingRAG 场景的幻觉与事实一致性、safety安全策略合规等。评测配置通过tests/eval/eval_config.yaml指定支持自定义 Python 代码指标与 LLM-as-a-Judge 指标judge_model、judge_model_sampling_count配置示例见 Evaluation Guide。4. Deploy部署到 Cloud Run对你的 Coding Agent 说Deploy this to Cloud RunCoding Agent 激活google-agents-cli-deployskill执行两步第一步添加部署基础设施因为项目最初以--prototype创建尚未包含部署配置agents-cli scaffold enhance --deployment-target cloud_run第二步部署agents-cli deploy部署完成后Cloud Run URL 会出现在命令输出中caveman agent 正式上线。从原型到部署的路径说明--prototype创建的项目默认deployment_targetnone、cicd_runnerskip源码见 create.py因此需要scaffold enhance补上部署目标。Agents CLI 支持的部署目标包括目标说明agent_runtime由 Google 托管Vertex AI Agent Runtime容器化、会话管理自动化cloud_run容器化部署更多控制权自行构建并部署 Dockerfilegke基于 GKE Autopilot 的容器化部署完整 Kubernetes 控制none仅代码仍包含 Dockerfile不生成部署脚手架enhance的底层基于模板三路合并机制它会用当前模板配置在临时目录重建一棵项目树再与现有项目做智能合并以保留你的定制内容参见 create.py 中关于 quiet 模式的注释。完整脚手架/增强/升级流程见 scaffold 技能文档。5. Observe开箱即用的生产观测Cloud Trace 默认启用无需任何配置。部署完成后打开 Google Cloud Console 的 Trace explorer向你的 Agent 发送几个请求即可看到每次 LLM 调用与工具执行的 span。如需更进一步检查生产环境中 Agent 实际处理的提示词与响应对你的 Coding Agent 说Set up observability infrastructure for my agentCoding Agent 会运行agents-cli infra single-project一次性配置好service account服务账号GCS bucket日志存储桶BigQuery datasetcompletions表用于提示词/响应全文记录并更新已部署服务使其使用这些资源。验证步骤与高级选项见 Observability Guide。观测分层机制从 observability/index.md 可以看到观测能力分为两个独立层级Cloud Trace spans / Cloud Logging默认开启但不包含消息内容OTEL_INSTRUMENTATION_GENAI_CAPTURE_MESSAGE_CONTENT默认NO_CONTENTPrompt-Response LoggingGCS JSONL BigQuerycompletions表捕获完整提示词与响应仅在配置了日志桶LOGS_BUCKET_NAME时启用——Terraform 部署如infra single-project默认开启本地agents-cli playground与未配置桶的裸部署默认关闭。对于云上生产流量--bq-analytics还支持在项目创建时选装 BigQuery Agent Analytics 插件用于 token 用量、会话模式分析与 LLM-as-judge 打分参考模板 adk/app/agent.py 中BigQueryAgentAnalyticsPlugin的初始化逻辑。幕后机制每条指令触发了什么回顾整个教程每条自然语言指令背后 Coding Agent 的实际动作如下你说的Coding Agent 做的Build a caveman compressor agent脚手架项目、编写 Agent 代码、本地冒烟测试Write evals and run them创建数据集使用generate与grade运行评测Deploy this to Cloud Run添加部署目标部署到 Cloud RunSet up observability配置 service account、GCS bucket 与 BigQuery dataset这套能力之所以成立是因为skills 为 Coding Agent 提供了每个阶段所需的决策上下文——该用哪个 ADK 模式、评测数据集如何组织、部署目标要传哪些 flag全部编码在 skills 的参考文档中见 skills/ 各子目录的SKILL.md与references/。这正体现了 Agents CLI in Agent Platform 的核心设计CLI 负责执行skills 负责让编码代理知道该执行什么。下一步进阶教程鼓励在完成基础流程后尝试更复杂的场景添加工具Add a Google Search tool so the caveman can grunt about current events—— 在app/agent.py的tools[...]中挂载新工具函数多 AgentA2ACreate an A2A agent that other agents can talk to—— 使用adk模板即可A2A 协议内建于脚手架应用无需手写 A2A 代码RAGBuild an agent that answers questions from our docs—— Coding Agent 会研究 RAG recipe克隆并改造自 adk-samples 的成熟 Agent 样例详见 Extending the starter agent。完整开发工作流Phase 0 需求理解 → 脚手架 → 构建迭代 → 评测 → 部署 → 发布 → 观测参见 Development Guide全部命令与 flag 参考见 CLI Reference。【免费下载链接】agents-cliThe CLI and skills that turn any coding assistant into an expert at creating, evaluating, and deploying AI agents on Google Cloud.项目地址: https://gitcode.com/GitHub_Trending/ag/agents-cli创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Agents CLI 快速上手实战：用 Coding Agent 一行命令构建、评测并部署 ADK Agent
Agents CLI 快速上手实战用 Coding Agent 一行命令构建、评测并部署 ADK Agent【免费下载链接】agents-cliThe CLI and skills that turn any coding assistant into an expert at creating, evaluating, and deploying AI agents on Google Cloud.项目地址: https://gitcode.com/GitHub_Trending/ag/agents-cli本教程面向希望借助 Coding AgentAntigravity CLI、Claude Code、Codex 等快速完成 AI Agent 全生命周期的开发者演示 Agents CLI in Agent Platform 的完整使用路径从一句话需求开始由编码代理自动完成项目脚手架Scaffold、Agent 编码Build、结构化评测Evaluate、部署到 Cloud RunDeploy以及生产观测Observe。读完本教程你将掌握如何在 Coding Agent 的辅助下交付一个可运行的 ADK Agent并理解每一步背后 CLI 实际执行的命令与源码级实现。教程背景构建一个原始人压缩器本教程的实战目标是一个名为caveman compressor原始人压缩器的 Agent它接收啰嗦的长文本将其压缩成简短、硬核的原始人风格摘要。灵感来源于 caveman 项目。整个过程中你只需要自己执行一条命令初始化环境其余所有操作都通过向你的 Coding Agent 下达自然语言指令完成。Coding Agent 会激活 Agents CLI 内置的 skills技能包按workflow → scaffold → adk-code → eval → deploy → observability的顺序自动推进。这些 skills 位于仓库 skills/ 目录随安装一并注入你的编码环境。Setup唯一的自执行命令在开始之前先在终端执行uvx google-agents-cli setup这条命令会安装agents-cliCLI并将整套上下文相关的 skills共 7 个workflow、adk-code、scaffold、eval、deploy、publish、observability详见 Getting Started安装到你的 Coding Agent 环境。之后打开任意支持的编码代理即可开始Antigravity CLIClaude CodeCodex或其他支持 skills 协议的 Coding Agent前置依赖Python 3.11、uv以及用于 skills 安装的 Node.js部署阶段可选 Google Cloud SDK 与 Terraform。完整替代安装方式pipx、venv pip、仅安装 skills 的npx skills add google/agents-cli见 getting-started.md。1. Scaffold用一句话生成项目骨架对你的 Coding Agent 说Use agents-cli to build a caveman-style agent that compresses verbose text into terse, technical gruntsCoding Agent 会激活google-agents-cli-workflow与google-agents-cli-scaffold两个 skill依次执行澄清需求向你确认部署目标部署到哪、安全约束Agent 必须避免什么等关键决策写入需求规格将需求摘要保存到项目根目录的.agents-cli-spec.md执行脚手架命令agents-cli create caveman-agent --prototype --yes cd caveman-agent agents-cli install这一步完成后你会得到一个包含样板 Agent 代码、单元测试与评测数据集的完整可运行项目。脚手架命令的源码视角agents-cli create的核心实现位于 scaffold/commands/create.py。从源码可以看到几个与本教程直接相关的关键设计--prototype标志create.py创建不带 CI/CD 与 Terraform 基础设施的最小项目对应先跑通再部署的推荐路径--yes / --auto-approvecreate.py非交互模式跳过提示直接使用默认值是 Coding Agent 自动执行的理想形态项目名约束不超过 26 个字符、小写字母/数字/连字符源码中的normalize_project_name()会自动把大写与下划线转换为小写与连字符create.py默认区域--region默认us-east1并会调用validate_deployment_region校验create.py--adk快捷模式等价于adk agent_runtime prototype auto-approve的组合一步到位跳过所有交互提示create.py。生成的 ADK 模板 Agent 代码可参考仓库内的 adk/app/agent.py其默认形态包含Gemini模型MODEL gemini-3.7-flash与两个示例工具get_weather、get_current_time。2. Build让 Coding Agent 改写 Agent 逻辑Coding Agent 会编辑app/agent.py将默认 Agent 替换为我们的 caveman compressor。它使用google-agents-cli-adk-codeskill 获取 ADK 模式agents、tools、instruction 编写规范。最终的 Agent 定义大致如下root_agent Agent( namecaveman_agent, modelGemini(modelgemini-3.7-flash), instructionYou caveman compressor. Human give long words, you make short. Rules: - No articles. No filler. No fluff. - Short grunts. Simple words. - Keep technical terms but grunt around them. - Funny but meaning stays. Example input: I would like to deploy the application to production Example output: Me deploy. Production. Now. , )对比仓库模板 adk/app/agent.py 可以看到模板的 instruction 是通用助手提示词而这里被替换成高度定制化的风格指令——这正是改 instruction这一迭代主线的典型场景。注意模板同时示范了tools[get_weather, get_current_time]的挂载方式后续为 caveman 添加工具时遵循同样写法即可。本地冒烟测试Coding Agent 随后会用run命令做冒烟测试agents-cli run Please help me understand the deployment options available for my project预期输出Deploy options: Agent Runtime, Cloud Run, GKE. Pick one. Ship.agents-cli run的实现见 run/cmd_run.py有几个与本教程相关的实用特性值得展开本地执行默认会启动或复用一个本地 ADK SSE 服务再发起查询--start-server可让服务常驻以加速后续请求、--stop-server停止cmd_run.py远程查询--url deployed-url --mode a2a|adk可以直接查询已部署的 Agentcmd_run.py会话续接--session-id恢复已有会话本地会话存在于运行中的服务器内存里多模态输入--file支持附加图片、PDF、音频、视频Agent 返回的二进制产物会保存到.google-agents-cli/artifacts/并打印 Artifacts 尾部cmd_run.py。3. Evaluate编写评测并迭代到通过对你的 Coding Agent 说Write evals for the caveman agent and run themCoding Agent 激活google-agents-cli-evalskill 后创建评测数据集tests/eval/datasets/caveman-dataset.json覆盖三类用例压缩质量是否足够短、技术术语保留术语不被错误改写、原始人语气是否符合风格运行评测agents-cli eval runeval run会基于数据集执行 Agent 并一次性完成打分。评测底层使用 Gemini Enterprise Agent Platform 的 GenAI Eval SDK 进行评分。数据集结构参考仓库内置的示例数据集 basic-dataset.json 展示了标准格式——每个用例包含eval_case_id、promptrole parts可选reference用于 golden 答案对比。例如{ eval_cases: [ { eval_case_id: greeting, prompt: { role: user, parts: [{text: Hello, what can you help me with?}] } }, { eval_case_id: capital_lookup, prompt: { role: user, parts: [{text: What is the capital of France?}] }, reference: { response: { role: model, parts: [{text: The capital of France is Paris.}] } } } ] }迭代修错如果某些用例失败直接告诉 Coding Agent 问题所在The response to the greeting test is too polite. Make it more caveman.Coding Agent 会调整 instruction重新运行评测循环往复直至质量阈值通过。这也是 Evaluation Guide 中强调的eval-fix loop预期需要 5-10 轮迭代先写 1-2 个核心用例通过后再扩展边界用例。超越 eval run 的完整评测面教程指出评测能力不止eval run完整命令面包括agents-cli eval dataset synthesize无需输入文件通过检查本地 ADK Agent 自动生成多轮对话场景可用--count、--instruction、--environment-context引导生成方向适合冷启动或扩展覆盖率agents-cli eval compare并排对比两份评测结果如修复前后确认改动是否真正带来提升agents-cli eval analyze对失败用例做失败模式聚类帮助定位哪一类问题而不是逐条翻阅agents-cli eval optimize基于既有评测自动调优 Agent 的提示词单次运行从几分钟到数小时应在手工调优穷尽后再使用agents-cli eval metric list列出全部内置指标。常用内置指标详细表格见 Evaluation Guide包括general_quality整体质量非工具型 Agent 的推荐起点、tool_use_quality/multi_turn_tool_use_quality工具调用正确性、hallucination/groundingRAG 场景的幻觉与事实一致性、safety安全策略合规等。评测配置通过tests/eval/eval_config.yaml指定支持自定义 Python 代码指标与 LLM-as-a-Judge 指标judge_model、judge_model_sampling_count配置示例见 Evaluation Guide。4. Deploy部署到 Cloud Run对你的 Coding Agent 说Deploy this to Cloud RunCoding Agent 激活google-agents-cli-deployskill执行两步第一步添加部署基础设施因为项目最初以--prototype创建尚未包含部署配置agents-cli scaffold enhance --deployment-target cloud_run第二步部署agents-cli deploy部署完成后Cloud Run URL 会出现在命令输出中caveman agent 正式上线。从原型到部署的路径说明--prototype创建的项目默认deployment_targetnone、cicd_runnerskip源码见 create.py因此需要scaffold enhance补上部署目标。Agents CLI 支持的部署目标包括目标说明agent_runtime由 Google 托管Vertex AI Agent Runtime容器化、会话管理自动化cloud_run容器化部署更多控制权自行构建并部署 Dockerfilegke基于 GKE Autopilot 的容器化部署完整 Kubernetes 控制none仅代码仍包含 Dockerfile不生成部署脚手架enhance的底层基于模板三路合并机制它会用当前模板配置在临时目录重建一棵项目树再与现有项目做智能合并以保留你的定制内容参见 create.py 中关于 quiet 模式的注释。完整脚手架/增强/升级流程见 scaffold 技能文档。5. Observe开箱即用的生产观测Cloud Trace 默认启用无需任何配置。部署完成后打开 Google Cloud Console 的 Trace explorer向你的 Agent 发送几个请求即可看到每次 LLM 调用与工具执行的 span。如需更进一步检查生产环境中 Agent 实际处理的提示词与响应对你的 Coding Agent 说Set up observability infrastructure for my agentCoding Agent 会运行agents-cli infra single-project一次性配置好service account服务账号GCS bucket日志存储桶BigQuery datasetcompletions表用于提示词/响应全文记录并更新已部署服务使其使用这些资源。验证步骤与高级选项见 Observability Guide。观测分层机制从 observability/index.md 可以看到观测能力分为两个独立层级Cloud Trace spans / Cloud Logging默认开启但不包含消息内容OTEL_INSTRUMENTATION_GENAI_CAPTURE_MESSAGE_CONTENT默认NO_CONTENTPrompt-Response LoggingGCS JSONL BigQuerycompletions表捕获完整提示词与响应仅在配置了日志桶LOGS_BUCKET_NAME时启用——Terraform 部署如infra single-project默认开启本地agents-cli playground与未配置桶的裸部署默认关闭。对于云上生产流量--bq-analytics还支持在项目创建时选装 BigQuery Agent Analytics 插件用于 token 用量、会话模式分析与 LLM-as-judge 打分参考模板 adk/app/agent.py 中BigQueryAgentAnalyticsPlugin的初始化逻辑。幕后机制每条指令触发了什么回顾整个教程每条自然语言指令背后 Coding Agent 的实际动作如下你说的Coding Agent 做的Build a caveman compressor agent脚手架项目、编写 Agent 代码、本地冒烟测试Write evals and run them创建数据集使用generate与grade运行评测Deploy this to Cloud Run添加部署目标部署到 Cloud RunSet up observability配置 service account、GCS bucket 与 BigQuery dataset这套能力之所以成立是因为skills 为 Coding Agent 提供了每个阶段所需的决策上下文——该用哪个 ADK 模式、评测数据集如何组织、部署目标要传哪些 flag全部编码在 skills 的参考文档中见 skills/ 各子目录的SKILL.md与references/。这正体现了 Agents CLI in Agent Platform 的核心设计CLI 负责执行skills 负责让编码代理知道该执行什么。下一步进阶教程鼓励在完成基础流程后尝试更复杂的场景添加工具Add a Google Search tool so the caveman can grunt about current events—— 在app/agent.py的tools[...]中挂载新工具函数多 AgentA2ACreate an A2A agent that other agents can talk to—— 使用adk模板即可A2A 协议内建于脚手架应用无需手写 A2A 代码RAGBuild an agent that answers questions from our docs—— Coding Agent 会研究 RAG recipe克隆并改造自 adk-samples 的成熟 Agent 样例详见 Extending the starter agent。完整开发工作流Phase 0 需求理解 → 脚手架 → 构建迭代 → 评测 → 部署 → 发布 → 观测参见 Development Guide全部命令与 flag 参考见 CLI Reference。【免费下载链接】agents-cliThe CLI and skills that turn any coding assistant into an expert at creating, evaluating, and deploying AI agents on Google Cloud.项目地址: https://gitcode.com/GitHub_Trending/ag/agents-cli创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考