agents-cli
agents-cli – это унифицированный CLI плюс устанавливаемые "навыки", которые позволяют любому помощнику по кодированию создавать, запускать, оценивать, развертывать, публиковать и наблюдать за ИИ-агентами на основе ADK от начала до конца в Google Cloud.
https://github.com/google/agents-cli?ref=producthunt&utm_source=aipure
Информация о продукте
Обновлено:09/07/2026
Что такое agents-cli
Agents CLI в Agent Platform (agents-cli) – это инструмент командной строки с открытым исходным кодом от Google и сопутствующий пакет навыков, разработанный для оптимизации полного жизненного цикла разработки агентов, созданных с помощью Google's Agent Development Kit (ADK). Вместо того чтобы быть самим агентом кодирования, он интегрируется с агентами кодирования (например, Antigravity CLI, Claude Code, Codex, Cursor), предоставляя машиночитаемые навыки и согласованный набор команд для создания проекта, локальной разработки, оценки, развертывания, публикации в корпоративных средах и наблюдаемости в производстве. Вы также можете использовать agents-cli напрямую в "человеческом режиме", вводя команды самостоятельно. Для локального прототипирования вы можете использовать ключ API AI Studio; Google Cloud в основном требуется для развертывания и облачных функций.
Ключевые особенности agents-cli
agents-cli (интерфейс командной строки агентов в Agent Platform) – это унифицированный интерфейс командной строки плюс "набор навыков", который превращает помощников по кодированию (например, Antigravity CLI, Claude Code, Codex, Cursor) в комплексных экспертов по созданию агентов на основе ADK: создание проектов, запуск и оценка, развертывание на целевых объектах Google Cloud (Cloud Run, Agent Runtime, GKE) и обеспечение производственной наблюдаемости (Cloud Trace и логирование запросов/ответов). Он поддерживает локальную разработку без Google Cloud с использованием ключа API AI Studio для Gemini, в то время как развертывание в облаке и управляемые функции требуют учетных данных Google Cloud и проекта.
Унифицированный CLI жизненного цикла агента: Единая командная поверхность для создания/развертывания, запуска, линтинга, оценки (генерация/оценка/сравнение/анализ/оптимизация), развертывания, публикации и предоставления инфраструктуры – заменяет фрагментированные скрипты и рабочие процессы на основе Makefile.
Встроенные "навыки" для кодирования агентов: Устанавливает машиночитаемые навыки (рабочий процесс, шаблоны кода ADK, создание, оценка, развертывание, публикация, наблюдаемость), чтобы агенты по кодированию могли надежно выполнять лучшие практики с меньшим количеством догадок и меньшим количеством итеративных подсказок.
Опция разработки "local-first": Поддерживает создание, запуск и оценку агентов локально без Google Cloud с использованием ключа API AI Studio для запуска Gemini с ADK; облако требуется только для развертывания и облачных функций.
Набор для оценки с оценкой на основе трассировки: Генерирует трассировки выполнения из наборов данных оценки, оценивает их с помощью настраиваемых метрик (включая рубрики в стиле LLM-as-judge), сравнивает JSON-результаты, анализирует режимы отказа и может оптимизировать подсказки с использованием данных оценки.
Развертывание + автоматизация инфраструктуры в Google Cloud: Развертывает агентов в Cloud Run, Agent Runtime или GKE и может предоставлять вспомогательную инфраструктуру (IAM/сервисные учетные записи, API, ресурсы телеметрии, конвейеры CI/CD и опциональное хранилище данных RAG + прием).
Встроенная производственная наблюдаемость: Поставляется с инструментарием OpenTelemetry, экспортирующим трассировки в Cloud Trace; опциональное логирование запросов/ответов может экспортировать взаимодействия модели (запросы, ответы, токены) в GCS/BigQuery/Cloud Logging для более глубокого анализа.
Варианты использования agents-cli
Автоматизация поддержки клиентов (SaaS/телеком/розничная торговля): Создание и развертывание агента поддержки с интеграцией инструментов, затем непрерывная оценка качества ответов и обоснованности с помощью оценки на основе трассировки перед выпуском обновлений в производство на Cloud Run.
Помощник по регулируемым документам (финансы/юриспруденция/здравоохранение): Использование оценок (пользовательские метрики и рубрики) плюс журналы наблюдаемости для проверки поведения, аудита взаимодействий модели и мониторинга регрессий производительности между версиями в управляемом конвейере развертывания.
Ежедневный бот для аналитики и отчетности (медиа/корпоративные операции): Создание запланированных агентов, которые получают источники (например, RSS), суммируют ключевые элементы и публикуют их в чате/почте; использование инфраструктуры CI/CD и Cloud Trace для мониторинга задержек и сбоев.
Внутренний агент знаний на основе RAG (ИТ/HR/инженерия): Улучшение существующего проекта агента с помощью подготовки и приема данных хранилища, затем запуск синтеза оценки и оценки для тестирования многоходовых сценариев извлечения перед развертыванием в управляемой среде выполнения.
Взаимодействие нескольких агентов (команды платформы): Начните с шаблонов, поддерживающих протокол Agent-to-Agent (A2A), для интеграции агентов ADK с агентами, созданными на других фреймворках, и последовательно управляйте развертыванием/наблюдаемостью между службами.
Фабрика агентов для повышения производительности разработчиков (программные организации): Стандартизация создания агентов с помощью шаблонов, применение линтинга и оценочных шлюзов, а также автоматизация развертывания и предоставления телеметрии, чтобы команды могли быстрее и безопаснее выпускать новых агентов.
Преимущества
Комплексное покрытие рабочего процесса (создание → оценка → развертывание → наблюдение) уменьшает фрагментацию инструментов и ручной связующий код.
Работает с несколькими помощниками по кодированию через устанавливаемые навыки, делая автоматизацию более детерминированной и повторяемой.
Локальная разработка не требует Google Cloud – ключа API AI Studio достаточно для создания/запуска/оценки с Gemini.
Сильная история оценки и наблюдаемости (оценка на основе трассировки, Cloud Trace, опциональное логирование запросов/ответов).
Недостатки
Развертывание в облаке и многие управляемые функции требуют учетных данных Google Cloud, проекта и могут повлечь за собой затраты на ресурсы.
Некоторые возможности подпадают под условия Pre-GA/предварительного просмотра, что подразумевает потенциальные ограничения или изменения.
Оптимизирован для экосистемы Google Cloud/ADK; команды, стандартизированные в других местах, могут столкнуться с накладными расходами на внедрение и интеграцию.
Как использовать agents-cli
1) Установите предварительные требования: Убедитесь, что на вашей машине установлены Python 3.11+, uv (Astral) и Node.js.
2) Установите Agents CLI + bundled skills (рекомендуется): Запустите: `uvx google-agents-cli setup`, чтобы установить CLI и внедрить bundled Agents CLI skills в поддерживаемые агенты кодирования на вашей машине.
3) (Необязательно) Установите только навыки: Если вам нужны только навыки, и вы позволите вашему агенту кодирования выполнять команды за вас, запустите: `npx skills add google/agents-cli` (или установите из URL репозитория).
4) Проверьте доступность CLI: Запустите: `uvx google-agents-cli --version` и/или `uvx google-agents-cli --help`, чтобы подтвердить установку.
5) Аутентификация (облачная или локальная): Запустите: `agents-cli login` для аутентификации. Для локальной разработки вы можете использовать ключ API AI Studio; для развертывания и облачных функций вам нужна аутентификация Google Cloud. Проверьте статус с помощью: `agents-cli login --status`.
6) Создайте (сгенерируйте) новый проект агента: Запустите: `agents-cli scaffold <name>`, чтобы сгенерировать новый проект агента ADK. Для готового к запуску прототипа используйте документированный шаблон: `agents-cli create my-agent --prototype --yes` (если ваша версия поддерживает `create`).
7) Изучите и настройте проект: Просмотрите сгенерированные файлы проекта, включая `agents-cli-manifest.yaml` (метаданные/конфигурация проекта). Обновите переменные среды и/или поля манифеста для модели, региона и проекта Google Cloud по мере необходимости.
8) Реализуйте логику и инструменты агента: Отредактируйте `app/agent.py`, чтобы реализовать поведение вашего агента. Добавьте инструменты ADK как обычные функции Python; напишите четкие docstrings, потому что они станут описаниями инструментов, которые видит LLM.
9) Запустите локально (быстрая проверка запроса): Используйте: `agents-cli run "<prompt>"`, чтобы отправить один запрос вашему агенту и увидеть ответ.
10) Используйте веб-песочницу (интерактивная разработка): Запустите: `agents-cli playground`, чтобы запустить веб-песочницу ADK (обычно по адресу `localhost:8080`) с горячей перезагрузкой для быстрой итерации.
11) Установите зависимости проекта (при необходимости): Запустите: `agents-cli install`, чтобы установить зависимости проекта, определенные сгенерированным проектом Python.
12) Проверьте проект: Запустите: `agents-cli lint`, чтобы выполнить проверки качества кода (Ruff) и исправить проблемы перед оценкой/развертыванием.
13) Создайте сценарии оценки: Добавьте сценарии оценки (каждый сценарий определяет сообщение пользователя) и настройте метрики в `eval_config.yaml`. Система оценки отправит каждое сообщение вашему агенту и оценит ответ с использованием настроенных метрик.
14) Сгенерируйте трассировки из сценариев оценки: Запустите: `agents-cli eval generate`, чтобы запустить вашего агента на наборе данных оценки и получить заполненные JSON-трассировки.
15) Оцените трассировки по метрикам: Запустите: `agents-cli eval grade --traces <PATH>`, чтобы оценить сгенерированные трассировки по одной или нескольким метрикам и вывести результаты оценки.
16) Итерируйте с помощью инструментов анализа оценки (необязательно, но рекомендуется): Используйте `agents-cli eval compare` для сравнения результатов между запусками, `agents-cli eval analyze` для кластеризации режимов отказа и `agents-cli eval metric list` для обнаружения доступных метрик. Итерируйте код/запрос агента, пока не будут достигнуты пороговые значения.
17) Синтезируйте дополнительные сценарии оценки (необязательно): Запустите: `agents-cli eval dataset synthesize`, чтобы сгенерировать многоходовые сценарии для вашего локального агента. Пример: `agents-cli eval dataset synthesize -n 10 --max-turns 8 --instruction "Scenarios where users change destination"`.
18) Улучшите существующий проект (развертывание/CI/CD/RAG): Если вы начали с прототипа или у вас есть существующий проект, запустите: `agents-cli scaffold enhance`, чтобы добавить цели развертывания (Cloud Run, Agent Runtime, GKE), CI/CD или компоненты RAG.
19) Разверните в Google Cloud: Запустите: `agents-cli deploy`, чтобы развернуть вашего агента. Если вам нужно увидеть базовую команду `gcloud` для расширенной настройки, используйте опцию сухого запуска CLI (документировано как `--dry-run` / `-n`, где доступно).
20) Предоставьте инфраструктуру наблюдаемости (рекомендуется для производства): После развертывания запустите: `agents-cli infra single-project --project <YOUR_PROJECT_ID>`, чтобы предоставить ресурсы телеметрии (учетная запись службы, корзина GCS, набор данных BigQuery) и обновить развернутую службу для их использования. Затем проверьте трассировки в Google Cloud Trace Explorer.
21) Настройте CI/CD (необязательно): Запустите: `agents-cli infra cicd`, чтобы настроить конвейер CI/CD плюс инфраструктуру промежуточного/производственного развертывания для повторяющихся развертываний.
22) Опубликуйте в Gemini Enterprise (необязательно): Запустите: `agents-cli publish gemini-enterprise`, чтобы зарегистрировать/опубликовать вашего агента для Gemini Enterprise (применимо).
23) Обновите или обновите навыки со временем: Используйте `agents-cli scaffold upgrade`, чтобы обновить проект до более новой версии agents-cli, и `agents-cli update`, чтобы принудительно переустановить/обновить навыки для всех обнаруженных IDE/агентов кодирования.
24) Используйте с агентом кодирования (рабочий процесс на естественном языке): Откройте своего агента кодирования (Antigravity CLI, Claude Code, Codex и т. д.) и запросите его: "Используйте agents-cli для создания...". С установленными навыками агент кодирования может создавать, реализовывать, оценивать и развертывать, вызывая команды `agents-cli` от вашего имени.
Часто задаваемые вопросы о agents-cli
Agents CLI в Agent Platform (agents-cli) — это пакет CLI и навыков, который помогает создавать, оценивать, развертывать, публиковать и отслеживать корпоративные агенты ИИ в Google Cloud с использованием Google's Agent Development Kit (ADK). Его можно использовать непосредственно из терминала, а его навыки также могут быть установлены, чтобы кодирующие агенты могли их использовать.
Видео agents-cli
Популярные статьи
Atoms: Мультиагентная ИИ-платформа, которая превращает идеи в готовые к запуску продукты
May 22, 2026
Nano Banana SBTI: Что это такое, как это работает и как это использовать в 2026 году
Apr 15, 2026
Обзор Atoms — AI Product Builder, переопределяющий цифровое творчество в 2026 году
Apr 10, 2026
Kilo Claw: Как развернуть и использовать настоящего AI-агента "Сделай-Это-За-Вас" (Обновление 2026)
Apr 3, 2026
Последние ИИ-инструменты, похожие на agents-cli
Gait
Gait — это инструмент для сотрудничества, который интегрирует генерацию кода с поддержкой ИИ с системой контроля версий, позволяя командам эффективно отслеживать, понимать и делиться контекстом кода, сгенерированного ИИ.
invoices.dev
invoices.dev - это автоматизированная платформа для выставления счетов, которая генерирует счета напрямую из коммитов Git разработчиков, с возможностями интеграции с GitHub, Slack, Linear и Google-услугами.
EasyRFP
EasyRFP — это ИИ-технология для вычислений на краю, которая упрощает ответы на RFP (запросы предложений) и позволяет проводить реальное время полевой фенотипизации с использованием технологий глубокого обучения.
Cart.ai
Cart.ai — это платформа на основе ИИ, предоставляющая комплексные решения для автоматизации бизнеса, включая программирование, управление отношениями с клиентами, редактирование видео, настройку электронной коммерции и разработку пользовательских решений на основе ИИ с поддержкой 24/7.
Популярные ИИ-инструменты, похожие на agents-cli
GitHub Copilot Chat
GitHub Copilot Chat — это помощник по кодированию на базе искусственного интеллекта, который обеспечивает взаимодействия на естественном языке, реальные предложения кода и контекстную поддержку непосредственно в поддерживаемых IDE и на GitHub.com.
CopilotForXcode
CopilotForXcode — это расширение редактора исходного кода Xcode, которое интегрирует GitHub Copilot, Codeium и ChatGPT для предоставления предложений по коду на основе искусственного интеллекта, чат-помощи и функциональности prompt-to-code в Xcode.
BrowserAI
BrowserAI — это библиотека с открытым исходным кодом, которая позволяет запускать локальные большие языковые модели (LLM) непосредственно в веб-браузерах с ускорением WebGPU, предлагая возможности ИИ, ориентированные на конфиденциальность, без необходимости в серверной инфраструктуре.
OpenAI Codex CLI
OpenAI Codex CLI - это легкий агент для кодирования с открытым исходным кодом, который работает в вашем терминале, позволяя разработчикам переводить естественный язык в выполнение кода, обеспечивая при этом рассуждения на уровне ChatGPT с возможностью запуска кода, манипулирования файлами и итерации под контролем версий.