agents-cli
agents-cli adalah CLI terpadu ditambah "keterampilan" yang dapat diinstal yang melengkapi asisten pengkodean apa pun untuk merancang, menjalankan, mengevaluasi, menerapkan, memublikasikan, dan mengamati agen AI berbasis ADK secara end-to-end di Google Cloud.
https://github.com/google/agents-cli?ref=producthunt&utm_source=aipure
Informasi Produk
Diperbarui:Jul 9, 2026
Apa itu agents-cli
Agents CLI di Agent Platform (agents-cli) adalah alat baris perintah open-source Google dan paket keterampilan pendamping yang dirancang untuk menyederhanakan siklus hidup pengembangan agen secara penuh untuk agen yang dibangun dengan Agent Development Kit (ADK) Google. Daripada menjadi agen pengkodean itu sendiri, ia terintegrasi dengan agen pengkodean (misalnya, Antigravity CLI, Claude Code, Codex, Cursor) dengan menyediakan keterampilan yang dapat dibaca mesin dan serangkaian perintah yang konsisten untuk perancangan proyek, pengembangan lokal, evaluasi, penerapan, penerbitan ke lingkungan perusahaan, dan observabilitas produksi. Anda juga dapat menggunakan agents-cli secara langsung dalam "mode manusia" dengan mengetikkan perintah sendiri. Untuk pembuatan prototipe lokal, Anda dapat menjalankannya dengan kunci API AI Studio; Google Cloud terutama diperlukan untuk penerapan dan fitur-fitur cloud-native.
Fitur Utama agents-cli
agents-cli (Agents CLI di Agent Platform) adalah CLI terpadu ditambah paket "skills" yang dibundel yang mengubah asisten pengkodean (misalnya, Antigravity CLI, Claude Code, Codex, Cursor) menjadi ahli ujung-ke-ujung untuk membangun agen berbasis ADK: membuat proyek, menjalankan dan menilai evaluasi, menerapkan ke target Google Cloud (Cloud Run, Agent Runtime, GKE), dan mengaktifkan observabilitas produksi (Cloud Trace dan pencatatan prompt/respons). Ini mendukung pengembangan lokal tanpa Google Cloud dengan menggunakan kunci API AI Studio untuk Gemini, sementara penerapan cloud dan fitur terkelola memerlukan kredensial dan proyek Google Cloud.
CLI siklus hidup agen terpadu: Permukaan perintah tunggal untuk membuat/membuat, menjalankan, lint, mengevaluasi (menghasilkan/menilai/membandingkan/menganalisis/mengoptimalkan), menerapkan, mempublikasikan, dan penyediaan infra—menggantikan skrip yang terfragmentasi dan alur kerja berbasis Makefile.
“Skills” yang dibundel untuk agen pengkodean: Menginstal skill yang dapat dibaca mesin (alur kerja, pola kode ADK, perancah, evaluasi, penerapan, publikasi, observabilitas) sehingga agen pengkodean dapat secara andal menjalankan langkah-langkah praktik terbaik dengan lebih sedikit tebakan dan lebih sedikit prompt iteratif.
Opsi pengembangan lokal-pertama: Mendukung pembuatan, menjalankan, dan mengevaluasi agen secara lokal tanpa Google Cloud dengan menggunakan kunci API AI Studio untuk menjalankan Gemini dengan ADK; cloud hanya diperlukan untuk penerapan dan fitur cloud-native.
Suite evaluasi dengan penilaian berbasis jejak: Menghasilkan jejak eksekusi dari kumpulan data evaluasi, menilainya dengan metrik yang dapat dikonfigurasi (termasuk rubrik gaya LLM-as-judge), membandingkan JSON hasil, menganalisis mode kegagalan, dan dapat mengoptimalkan prompt menggunakan data evaluasi.
Penerapan + otomatisasi infrastruktur di Google Cloud: Menerapkan agen ke Cloud Run, Agent Runtime, atau GKE dan dapat menyediakan infrastruktur pendukung (akun IAM/layanan, API, sumber daya telemetri, pipeline CI/CD, dan datastore RAG opsional + penyerapan).
Observabilitas produksi bawaan: Dilengkapi dengan instrumentasi OpenTelemetry yang mengekspor jejak ke Cloud Trace; pencatatan prompt/respons opsional dapat mengekspor interaksi model (prompt, respons, token) ke GCS/BigQuery/Cloud Logging untuk analitik yang lebih mendalam.
Kasus Penggunaan agents-cli
Otomatisasi dukungan pelanggan (SaaS/telekomunikasi/ritel): Buat dan terapkan agen dukungan dengan integrasi alat, lalu evaluasi terus-menerus kualitas respons dan dasar melalui penilaian berbasis jejak sebelum merilis pembaruan ke produksi di Cloud Run.
Asisten dokumen teregulasi (keuangan/hukum/kesehatan): Gunakan evaluasi (metrik dan rubrik kustom) ditambah log observabilitas untuk memvalidasi perilaku, mengaudit interaksi model, dan memantau regresi kinerja di seluruh versi dalam pipeline penerapan yang diatur.
Bot intelijen & pelaporan harian (media/operasi perusahaan): Bangun agen terjadwal yang menyerap sumber (misalnya, RSS), meringkas item-item penting, dan mempublikasikan ke obrolan/email; gunakan perancah infra CI/CD dan Cloud Trace untuk memantau latensi dan kegagalan.
Agen pengetahuan internal bertenaga RAG (IT/HR/rekayasa): Tingkatkan proyek agen yang ada dengan penyediaan dan penyerapan datastore, lalu jalankan sintesis evaluasi dan penilaian untuk menguji skenario pengambilan multi-giliran sebelum menerapkan ke runtime terkelola.
Interoperabilitas multi-agen (tim platform): Mulai dari template yang mendukung protokol Agent-to-Agent (A2A) untuk mengintegrasikan agen ADK dengan agen yang dibangun di atas kerangka kerja lain, dan mengelola penerapan/observabilitas secara konsisten di seluruh layanan.
Pabrik agen produktivitas pengembang (organisasi perangkat lunak): Standarisasi pembuatan agen melalui template perancah, terapkan linting dan gerbang evaluasi, dan otomatiskan penerapan dan penyediaan telemetri sehingga tim dapat mengirimkan agen baru lebih cepat dan lebih aman.
Kelebihan
Cakupan alur kerja ujung-ke-ujung (perancah → evaluasi → penerapan → observasi) mengurangi fragmentasi alat dan kode perekat manual.
Bekerja dengan beberapa asisten pengkodean melalui skill yang dapat diinstal, membuat otomatisasi lebih deterministik dan dapat diulang.
Pengembangan lokal tidak memerlukan Google Cloud—kunci API AI Studio cukup untuk membuat/menjalankan/mengevaluasi dengan Gemini.
Evaluasi dan observabilitas yang kuat (penilaian berbasis jejak, Cloud Trace, pencatatan prompt/respons opsional).
Kekurangan
Penerapan cloud dan banyak fitur terkelola memerlukan kredensial Google Cloud, proyek, dan dapat menimbulkan biaya sumber daya.
Beberapa kemampuan tunduk pada ketentuan Pra-GA/pratinjau, menyiratkan potensi batasan atau perubahan.
Dioptimalkan untuk ekosistem Google Cloud/ADK; tim yang terstandarisasi di tempat lain mungkin menghadapi biaya adopsi dan integrasi.
Cara Menggunakan agents-cli
1) Instal prasyarat: Pastikan Anda memiliki Python 3.11+, uv (Astral), dan Node.js yang terinstal di mesin Anda.
2) Instal Agents CLI + keterampilan yang dibundel (disarankan): Jalankan: `uvx google-agents-cli setup` untuk menginstal CLI dan menyuntikkan keterampilan Agents CLI yang dibundel ke dalam agen pengkodean yang didukung di mesin Anda.
3) (Opsional) Instal hanya keterampilannya: Jika Anda hanya menginginkan keterampilannya dan akan membiarkan agen pengkodean Anda menjalankan perintah untuk Anda, jalankan: `npx skills add google/agents-cli` (atau instal dari URL repo).
4) Verifikasi CLI tersedia: Jalankan: `uvx google-agents-cli --version` dan/atau `uvx google-agents-cli --help` untuk mengonfirmasi instalasi.
5) Otentikasi (Cloud atau lokal): Jalankan: `agents-cli login` untuk otentikasi. Untuk pengembangan lokal, Anda dapat menggunakan kunci API AI Studio; untuk penerapan dan fitur cloud, Anda memerlukan otentikasi Google Cloud. Periksa status dengan: `agents-cli login --status`.
6) Buat (rancang) proyek agen baru: Jalankan: `agents-cli scaffold <nama>` untuk menghasilkan proyek agen ADK baru. Untuk prototipe yang siap dijalankan, gunakan pola yang didokumentasikan: `agents-cli create my-agent --prototype --yes` (jika versi Anda mengekspos `create`).
7) Pahami dan konfigurasikan proyek: Tinjau file proyek yang dihasilkan, termasuk `agents-cli-manifest.yaml` (metadata/konfigurasi proyek). Perbarui variabel lingkungan dan/atau bidang manifes untuk model, wilayah, dan proyek Google Cloud sesuai kebutuhan.
8) Implementasikan logika dan alat agen: Edit `app/agent.py` untuk mengimplementasikan perilaku agen Anda. Tambahkan alat ADK sebagai fungsi Python biasa; tulis docstring yang jelas karena akan menjadi deskripsi alat yang dilihat LLM.
9) Jalankan secara lokal (uji prompt cepat): Gunakan: `agents-cli run "<prompt>"` untuk mengirim satu prompt ke agen Anda dan melihat responsnya.
10) Gunakan playground web (pengembangan interaktif): Jalankan: `agents-cli playground` untuk meluncurkan playground web ADK (biasanya di `localhost:8080`) dengan hot reload untuk iterasi cepat.
11) Instal dependensi proyek (jika diperlukan): Jalankan: `agents-cli install` untuk menginstal dependensi proyek yang ditentukan oleh proyek Python yang dirancang.
12) Lint proyek: Jalankan: `agents-cli lint` untuk menjalankan pemeriksaan kualitas kode (Ruff) dan memperbaiki masalah sebelum evaluasi/penerapan.
13) Buat kasus evaluasi: Tambahkan kasus evaluasi (setiap kasus mendefinisikan pesan pengguna) dan konfigurasikan metrik di `eval_config.yaml`. Sistem evaluasi akan mengirim setiap pesan ke agen Anda dan menilai respons menggunakan metrik yang dikonfigurasi.
14) Hasilkan jejak dari kasus evaluasi: Jalankan: `agents-cli eval generate` untuk menjalankan agen Anda di atas dataset evaluasi dan menghasilkan JSON jejak yang terisi.
15) Nilai jejak terhadap metrik: Jalankan: `agents-cli eval grade --traces <PATH>` untuk menilai jejak yang dihasilkan terhadap satu atau lebih metrik dan menampilkan hasil evaluasi.
16) Berulang menggunakan alat analisis evaluasi (opsional tetapi disarankan): Gunakan `agents-cli eval compare` untuk membandingkan hasil antar eksekusi, `agents-cli eval analyze` untuk mengelompokkan mode kegagalan, dan `agents-cli eval metric list` untuk menemukan metrik yang tersedia. Berulang pada kode/prompt agen hingga ambang batas terpenuhi.
17) Sintesis skenario evaluasi tambahan (opsional): Jalankan: `agents-cli eval dataset synthesize` untuk menghasilkan skenario multi-giliran untuk agen lokal Anda. Contoh: `agents-cli eval dataset synthesize -n 10 --max-turns 8 --instruction "Skenario di mana pengguna mengubah tujuan"`.
18) Tingkatkan proyek yang sudah ada (penerapan/CI/CD/RAG): Jika Anda memulai dengan prototipe atau memiliki proyek yang sudah ada, jalankan: `agents-cli scaffold enhance` untuk menambahkan target penerapan (Cloud Run, Agent Runtime, GKE), CI/CD, atau komponen RAG.
19) Terapkan ke Google Cloud: Jalankan: `agents-cli deploy` untuk menerapkan agen Anda. Jika Anda perlu melihat perintah `gcloud` yang mendasari untuk penyesuaian lanjutan, gunakan opsi dry-run CLI (didokumentasikan sebagai `--dry-run` / `-n` jika tersedia).
20) Sediakan infrastruktur observabilitas (disarankan untuk produksi): Setelah menerapkan, jalankan: `agents-cli infra single-project --project <YOUR_PROJECT_ID>` untuk menyediakan sumber daya telemetri (akun layanan, bucket GCS, dataset BigQuery) dan memperbarui layanan yang diterapkan untuk menggunakannya. Kemudian periksa jejak di Google Cloud Trace Explorer.
21) Siapkan CI/CD (opsional): Jalankan: `agents-cli infra cicd` untuk menyiapkan pipeline CI/CD ditambah infrastruktur staging/prod untuk penerapan yang berulang.
22) Publikasikan ke Gemini Enterprise (opsional): Jalankan: `agents-cli publish gemini-enterprise` untuk mendaftarkan/mempublikasikan agen Anda untuk Gemini Enterprise (jika berlaku).
23) Tingkatkan atau perbarui keterampilan seiring waktu: Gunakan `agents-cli scaffold upgrade` untuk meningkatkan proyek ke versi agents-cli yang lebih baru, dan `agents-cli update` untuk memaksa instal ulang/memperbarui keterampilan ke semua IDE/agen pengkodean yang terdeteksi.
24) Gunakan dengan agen pengkodean (alur kerja bahasa alami): Buka agen pengkodean Anda (Antigravity CLI, Claude Code, Codex, dll.) dan berikan prompt: "Gunakan agents-cli untuk membangun …". Dengan keterampilan yang terinstal, agen pengkodean dapat merancang, mengimplementasikan, mengevaluasi, dan menerapkan dengan memanggil perintah `agents-cli` atas nama Anda.
FAQ agents-cli
Agen CLI di Agent Platform (agents-cli) adalah paket CLI dan keterampilan yang membantu membangun, mengevaluasi, menerapkan, memublikasikan, dan mengamati agen AI tingkat perusahaan di Google Cloud menggunakan Agent Development Kit (ADK) Google. Ini dapat digunakan langsung dari terminal, dan keterampilannya juga dapat diinstal sehingga agen pengkodean dapat menggunakannya.
Video agents-cli
Artikel Populer
Atoms: Platform AI Multi-Agen yang Mengubah Ide menjadi Produk Siap Diluncurkan
May 22, 2026
Nano Banana SBTI: Apa Itu, Bagaimana Cara Kerjanya, dan Cara Menggunakannya di Tahun 2026
Apr 15, 2026
Ulasan Atoms — Pembuat Produk AI yang Mendefinisikan Ulang Kreasi Digital di Tahun 2026
Apr 10, 2026
Kilo Claw: Cara Menerapkan dan Menggunakan Agen AI "Lakukan-Untuk-Anda" Sejati (Pembaruan 2026)
Apr 3, 2026
Alat AI Terbaru Serupa dengan agents-cli
Gait
Gait adalah alat kolaborasi yang mengintegrasikan generasi kode yang dibantu AI dengan kontrol versi, memungkinkan tim untuk melacak, memahami, dan membagikan konteks kode yang dihasilkan AI dengan efisien.
invoices.dev
invoices.dev adalah platform penagihan otomatis yang menghasilkan faktur langsung dari komit Git pengembang, dengan kemampuan integrasi untuk layanan GitHub, Slack, Linear, dan Google.
EasyRFP
EasyRFP adalah toolkit komputasi tepi yang didukung AI yang memperlancar respons RFP (Permintaan Proposal) dan memungkinkan fenotip lapangan waktu nyata melalui teknologi pembelajaran mendalam.
Cart.ai
Cart.ai adalah platform layanan bertenaga AI yang menyediakan solusi otomatisasi bisnis yang komprehensif termasuk pengkodean, manajemen hubungan pelanggan, pengeditan video, pengaturan e-commerce, dan pengembangan AI kustom dengan dukungan 24/7.
Alat AI Populer Seperti agents-cli
GitHub Copilot Chat
GitHub Copilot Chat adalah asisten pengkodean bertenaga AI yang menyediakan interaksi bahasa alami, saran kode waktu nyata, dan dukungan kontekstual langsung di dalam IDE yang didukung dan GitHub.com.
CopilotForXcode
CopilotForXcode adalah Ekstensi Editor Sumber Xcode yang mengintegrasikan GitHub Copilot, Codeium, dan ChatGPT untuk memberikan saran kode yang didukung AI, bantuan obrolan, dan fungsionalitas prompt-to-code di dalam Xcode.
BrowserAI
BrowserAI adalah pustaka sumber terbuka yang memungkinkan menjalankan Model Bahasa Besar (LLM) lokal langsung di browser web dengan akselerasi WebGPU, menawarkan kemampuan AI yang berfokus pada privasi tanpa memerlukan infrastruktur server.
OpenAI Codex CLI
OpenAI Codex CLI adalah agen pengkodean sumber terbuka ringan yang berjalan di terminal Anda, memungkinkan pengembang untuk menerjemahkan bahasa alami ke dalam eksekusi kode sambil memberikan penalaran tingkat ChatGPT dengan kemampuan untuk menjalankan kode, memanipulasi file, dan melakukan iterasi di bawah kontrol versi.