agents-cli
agents-cli est une CLI unifiée et des "compétences" installables qui équipe tout assistant de codage pour échafauder, exécuter, évaluer, déployer, publier et observer des agents IA basés sur l'ADK de bout en bout sur Google Cloud.
https://github.com/google/agents-cli?ref=producthunt&utm_source=aipure
Informations sur le produit
Mis à jour:Jul 9, 2026
Qu'est-ce que agents-cli
Agents CLI dans Agent Platform (agents-cli) est l'outil de ligne de commande open source de Google et le package de compétences compagnon conçu pour rationaliser le cycle de vie complet du développement d'agents pour les agents construits avec le kit de développement d'agents (ADK) de Google. Plutôt que d'être un agent de codage lui-même, il s'intègre aux agents de codage (par exemple, Antigravity CLI, Claude Code, Codex, Cursor) en fournissant des compétences lisibles par machine et un ensemble cohérent de commandes pour l'échafaudage de projets, le développement local, l'évaluation, le déploiement, la publication dans des environnements d'entreprise et l'observabilité de la production. Vous pouvez également utiliser agents-cli directement en "mode humain" en tapant vous-même les commandes. Pour le prototypage local, vous pouvez l'exécuter avec une clé API AI Studio ; Google Cloud est principalement requis pour le déploiement et les fonctionnalités cloud natives.
Caractéristiques principales de agents-cli
agents-cli (CLI des agents dans la plateforme d'agents) est une interface de ligne de commande unifiée, complétée par un "package de compétences" intégré, qui transforme les assistants de codage (par exemple, Antigravity CLI, Claude Code, Codex, Cursor) en experts de bout en bout pour la création d'agents basés sur l'ADK : échafauder des projets, exécuter et noter des évaluations, déployer sur des cibles Google Cloud (Cloud Run, Agent Runtime, GKE) et activer l'observabilité en production (Cloud Trace et journalisation des invites/réponses). Il prend en charge le développement local sans Google Cloud en utilisant une clé API AI Studio pour Gemini, tandis que le déploiement cloud et les fonctionnalités gérées nécessitent des identifiants et un projet Google Cloud.
CLI unifiée pour le cycle de vie des agents: Surface de commande unique pour l'échafaudage/la création, l'exécution, le linting, l'évaluation (générer/noter/comparer/analyser/optimiser), le déploiement, la publication et le provisionnement d'infrastructure, remplaçant les scripts fragmentés et les workflows basés sur Makefile.
Compétences" intégrées pour les agents de codage: Installe des compétences lisibles par machine (workflow, modèles de code ADK, échafaudage, évaluation, déploiement, publication, observabilité) afin que les agents de codage puissent exécuter de manière fiable les étapes des meilleures pratiques avec moins de conjectures et moins d'invites itératives.
Option de développement local d'abord: Prend en charge la création, l'exécution et l'évaluation d'agents localement sans Google Cloud en utilisant une clé API AI Studio pour exécuter Gemini avec ADK ; le cloud n'est requis que pour le déploiement et les fonctionnalités cloud-natives.
Suite d'évaluation avec notation basée sur les traces: Génère des traces d'exécution à partir de jeux de données d'évaluation, les note avec des métriques configurables (y compris des rubriques de style LLM-as-judge), compare les JSON de résultats, analyse les modes de défaillance et peut optimiser les invites à l'aide des données d'évaluation.
Déploiement + automatisation de l'infrastructure sur Google Cloud: Déploie des agents sur Cloud Run, Agent Runtime ou GKE et peut provisionner l'infrastructure de support (IAM/comptes de service, API, ressources de télémétrie, pipelines CI/CD et datastore RAG + ingestion facultatifs).
Observabilité de production intégrée: Livré avec une instrumentation OpenTelemetry exportant les traces vers Cloud Trace ; la journalisation facultative des invites/réponses peut exporter les interactions du modèle (invites, réponses, jetons) vers GCS/BigQuery/Cloud Logging pour une analyse plus approfondie.
Cas d'utilisation de agents-cli
Automatisation du support client (SaaS/télécom/commerce de détail): Échafauder et déployer un agent de support avec des intégrations d'outils, puis évaluer en continu la qualité des réponses et leur fondement via une notation basée sur les traces avant de publier les mises à jour en production sur Cloud Run.
Assistant de documents réglementés (finance/juridique/santé): Utiliser des évaluations (métriques et rubriques personnalisées) et des journaux d'observabilité pour valider le comportement, auditer les interactions du modèle et surveiller les régressions de performances entre les versions dans un pipeline de déploiement gouverné.
Bot d'intelligence et de reporting quotidien (médias/opérations d'entreprise): Construire des agents planifiés qui ingèrent des sources (par exemple, RSS), résument les éléments clés et publient sur le chat/e-mail ; utiliser l'échafaudage d'infrastructure CI/CD et Cloud Trace pour surveiller la latence et les échecs.
Agent de connaissances internes alimenté par RAG (IT/RH/ingénierie): Améliorer un projet d'agent existant avec le provisionnement et l'ingestion de datastore, puis exécuter la synthèse et la notation des évaluations pour tester des scénarios de récupération multi-tours avant de déployer sur un runtime géré.
Interopérabilité multi-agents (équipes de plateforme): Partir de modèles qui prennent en charge le protocole Agent-to-Agent (A2A) pour intégrer les agents ADK avec des agents construits sur d'autres frameworks, et gérer le déploiement/l'observabilité de manière cohérente entre les services.
Usine d'agents de productivité des développeurs (organisations logicielles): Standardiser la création d'agents via des modèles d'échafaudage, appliquer des contrôles de linting et d'évaluation, et automatiser le déploiement et le provisionnement de la télémétrie afin que les équipes puissent livrer de nouveaux agents plus rapidement et en toute sécurité.
Avantages
La couverture du workflow de bout en bout (échafaudage → évaluation → déploiement → observation) réduit la fragmentation des outils et le code de liaison manuel.
Fonctionne avec plusieurs assistants de codage via des compétences installables, rendant l'automatisation plus déterministe et reproductible.
Le développement local ne nécessite pas Google Cloud – une clé API AI Studio est suffisante pour créer/exécuter/évaluer avec Gemini.
Solide histoire d'évaluation et d'observabilité (notation basée sur les traces, Cloud Trace, journalisation facultative des invites/réponses).
Inconvénients
Le déploiement cloud et de nombreuses fonctionnalités gérées nécessitent des identifiants Google Cloud, un projet et peuvent entraîner des coûts de ressources.
Certaines capacités sont soumises aux conditions de pré-GA/prévisualisation, ce qui implique des limitations ou des modifications potentielles.
Optimisé pour l'écosystème Google Cloud/ADK ; les équipes standardisées ailleurs peuvent faire face à des frais d'adoption et d'intégration.
Comment utiliser agents-cli
1) Installer les prérequis: Assurez-vous d'avoir Python 3.11+, uv (Astral) et Node.js installés sur votre machine.
2) Installer Agents CLI + compétences groupées (recommandé): Exécutez : `uvx google-agents-cli setup` pour installer la CLI et injecter les compétences groupées Agents CLI dans les agents de codage pris en charge sur votre machine.
3) (Facultatif) Installer uniquement les compétences: Si vous ne voulez que les compétences et que vous laissez votre agent de codage exécuter les commandes pour vous, exécutez : `npx skills add google/agents-cli` (ou installez à partir de l'URL du dépôt).
4) Vérifier que la CLI est disponible: Exécutez : `uvx google-agents-cli --version` et/ou `uvx google-agents-cli --help` pour confirmer l'installation.
5) S'authentifier (Cloud ou local): Exécutez : `agents-cli login` pour vous authentifier. Pour le développement local, vous pouvez utiliser une clé API AI Studio ; pour le déploiement et les fonctionnalités cloud, vous avez besoin de l'authentification Google Cloud. Vérifiez l'état avec : `agents-cli login --status`.
6) Créer (échafauder) un nouveau projet d'agent: Exécutez : `agents-cli scaffold <name>` pour générer un nouveau projet d'agent ADK. Pour un prototype prêt à l'emploi, utilisez le modèle documenté : `agents-cli create my-agent --prototype --yes` (si votre version expose `create`).
7) Comprendre et configurer le projet: Examinez les fichiers de projet générés, y compris `agents-cli-manifest.yaml` (métadonnées/configuration du projet). Mettez à jour les variables d'environnement et/ou les champs du manifeste pour le modèle, la région et le projet Google Cloud si nécessaire.
8) Implémenter la logique et les outils de l'agent: Modifiez `app/agent.py` pour implémenter le comportement de votre agent. Ajoutez des outils ADK en tant que fonctions Python simples ; écrivez des docstrings claires car elles deviennent les descriptions d'outils que le LLM voit.
9) Exécuter localement (test rapide d'invite): Utilisez : `agents-cli run "<prompt>"` pour envoyer une seule invite à votre agent et voir la réponse.
10) Utiliser le terrain de jeu web (développement interactif): Exécutez : `agents-cli playground` pour lancer le terrain de jeu web ADK (généralement à `localhost:8080`) avec rechargement à chaud pour une itération rapide.
11) Installer les dépendances du projet (si nécessaire): Exécutez : `agents-cli install` pour installer les dépendances du projet définies par le projet Python échafaudé.
12) Lint le projet: Exécutez : `agents-cli lint` pour exécuter des vérifications de qualité de code (Ruff) et corriger les problèmes avant l'évaluation/le déploiement.
13) Créer des cas d'évaluation: Ajoutez des cas d'évaluation (chaque cas définit un message utilisateur) et configurez les métriques dans `eval_config.yaml`. Le système d'évaluation enverra chaque message à votre agent et notera la réponse en utilisant les métriques configurées.
14) Générer des traces à partir des cas d'évaluation: Exécutez : `agents-cli eval generate` pour exécuter votre agent sur l'ensemble de données d'évaluation et produire un JSON de traces rempli.
15) Noter les traces par rapport aux métriques: Exécutez : `agents-cli eval grade --traces <PATH>` pour noter les traces générées par rapport à une ou plusieurs métriques et afficher les résultats de l'évaluation.
16) Itérer à l'aide des outils d'analyse d'évaluation (facultatif mais recommandé): Utilisez `agents-cli eval compare` pour comparer les résultats entre les exécutions, `agents-cli eval analyze` pour regrouper les modes de défaillance, et `agents-cli eval metric list` pour découvrir les métriques disponibles. Itérez sur le code/l'invite de l'agent jusqu'à ce que les seuils soient atteints.
17) Synthétiser des scénarios d'évaluation supplémentaires (facultatif): Exécutez : `agents-cli eval dataset synthesize` pour générer des scénarios multi-tours pour votre agent local. Exemple : `agents-cli eval dataset synthesize -n 10 --max-turns 8 --instruction "Scénarios où les utilisateurs changent de destination"`.
18) Améliorer un projet existant (déploiement/CI/CD/RAG): Si vous avez commencé avec un prototype ou si vous avez un projet existant, exécutez : `agents-cli scaffold enhance` pour ajouter des cibles de déploiement (Cloud Run, Agent Runtime, GKE), CI/CD ou des composants RAG.
19) Déployer sur Google Cloud: Exécutez : `agents-cli deploy` pour déployer votre agent. Si vous avez besoin de voir la commande `gcloud` sous-jacente pour une personnalisation avancée, utilisez l'option d'exécution à sec de la CLI (documentée comme `--dry-run` / `-n` si disponible).
20) Provisionner l'infrastructure d'observabilité (recommandé pour la production): Après le déploiement, exécutez : `agents-cli infra single-project --project <YOUR_PROJECT_ID>` pour provisionner les ressources de télémétrie (compte de service, bucket GCS, ensemble de données BigQuery) et mettre à jour le service déployé pour les utiliser. Ensuite, inspectez les traces dans Google Cloud Trace Explorer.
21) Configurer CI/CD (facultatif): Exécutez : `agents-cli infra cicd` pour configurer un pipeline CI/CD ainsi qu'une infrastructure de staging/production pour des déploiements reproductibles.
22) Publier sur Gemini Enterprise (facultatif): Exécutez : `agents-cli publish gemini-enterprise` pour enregistrer/publier votre agent pour Gemini Enterprise (le cas échéant).
23) Mettre à niveau ou mettre à jour les compétences au fil du temps: Utilisez `agents-cli scaffold upgrade` pour mettre à niveau un projet vers une version plus récente d'agents-cli, et `agents-cli update` pour forcer la réinstallation/mise à jour des compétences vers tous les IDE/agents de codage détectés.
24) Utiliser avec un agent de codage (workflow en langage naturel): Ouvrez votre agent de codage (Antigravity CLI, Claude Code, Codex, etc.) et invitez-le avec : "Utilisez agents-cli pour construire...". Avec les compétences installées, l'agent de codage peut échafauder, implémenter, évaluer et déployer en invoquant les commandes `agents-cli` en votre nom.
FAQ de agents-cli
Agents CLI dans Agent Platform (agents-cli) est un package CLI et de compétences qui aide à construire, évaluer, déployer, publier et observer des agents d'IA de niveau entreprise sur Google Cloud en utilisant le kit de développement d'agents (ADK) de Google. Il peut être utilisé directement depuis le terminal, et ses compétences peuvent également être installées afin que les agents de codage puissent les utiliser.
Vidéo de agents-cli
Articles populaires
Atoms : Une plateforme d'IA multi-agents qui transforme les idées en produits prêts à être lancés
May 22, 2026
Nano Banana SBTI : Qu'est-ce que c'est, comment ça marche et comment l'utiliser en 2026
Apr 15, 2026
Atoms : L'outil de création de produits IA qui redéfinit la création numérique en 2026
Apr 10, 2026
Kilo Claw : Comment déployer et utiliser un véritable agent d'IA "Faites-le pour vous" (Mise à jour 2026)
Apr 3, 2026
Derniers outils d'IA similaires à agents-cli
Gait
Gait est un outil de collaboration qui intègre la génération de code assistée par l'IA avec le contrôle de version, permettant aux équipes de suivre, comprendre et partager efficacement le contexte du code généré par l'IA.
invoices.dev
invoices.dev est une plateforme de facturation automatisée qui génère des factures directement à partir des commits Git des développeurs, avec des capacités d'intégration pour GitHub, Slack, Linear et les services Google.
EasyRFP
EasyRFP est un outil de calcul en périphérie alimenté par l'IA qui rationalise les réponses aux RFP (demande de proposition) et permet le phénotypage des champs en temps réel grâce à la technologie d'apprentissage profond.
Cart.ai
Cart.ai is an AI-powered service platform that provides comprehensive business automation solutions including coding, customer relations management, video editing, e-commerce setup, and custom AI development with 24/7 support.
Outils d'IA populaires comme agents-cli
GitHub Copilot Chat
GitHub Copilot Chat est un assistant de codage alimenté par l'IA qui fournit des interactions en langage naturel, des suggestions de code en temps réel et un soutien contextuel directement dans les IDE pris en charge et sur GitHub.com.
CopilotForXcode
CopilotForXcode est une extension d'Éditeur de Source Xcode qui intègre GitHub Copilot, Codeium et ChatGPT pour fournir des suggestions de code alimentées par l'IA, une assistance par chat et une fonctionnalité de prompt-à-code au sein de Xcode.
BrowserAI
BrowserAI est une bibliothèque open source qui permet d'exécuter des grands modèles de langage (LLM) locaux directement dans les navigateurs Web avec l'accélération WebGPU, offrant des capacités d'IA axées sur la confidentialité sans nécessiter d'infrastructure de serveur.
OpenAI Codex CLI
OpenAI Codex CLI est un agent de codage open source léger qui s'exécute dans votre terminal, permettant aux développeurs de traduire le langage naturel en exécution de code tout en fournissant un raisonnement de niveau ChatGPT avec la possibilité d'exécuter du code, de manipuler des fichiers et d'itérer sous contrôle de version.