Google 开源 agents-cli：让 Agent 开发从 Demo 走向企业级交付

Agent 开发长期以来面临一个尴尬的局面：写代码在编辑器里，建项目在终端里，测试要开浏览器，部署要进云控制台，评估还要再接一套框架。每换一次工具，脑子里的上下文就丢一截。这种工具链的断裂，正是 Agentic Engineering 落地的最大阻力。 Karpathy 提出的 Agentic Engineering 概念，核心就是三件事：先把需求写清楚，再用评估反复压问题，最后把安全、权限、部署、观测这些工程活补齐。但现实情况是，大多数团队卡在中间——Demo 能跑，工程化交付却遥遥无期。

六步走：从零到企业级 Agent

Google 最新开源的 agents-cli 正是为解决这一问题而来。它本质上是一套 CLI 工具和 Skills 集合，旨在将常见的 Coding Agent（如 Claude Code、Codex、Cursor）升级为更懂 Google Cloud Agent Platform 的开发助手。 安装后，agents-cli 会给 Coding Agent 注入 7 类核心工程技能： • google-agents-cli-workflow：Agent 开发生命周期和代码保留规则 • google-agents-cli-adk-code：ADK Python API、tools、callbacks、state 等写法 • google-agents-cli-scaffold：创建、增强、升级 Agent 项目 • google-agents-cli-eval：评估集、指标、LLM-as-judge、rubric • google-agents-cli-deploy：Agent Runtime、Cloud Run、GKE、CI/CD、secrets • googl

第一步：安装与准备

agents-cli 的设计不止于"又多一个命令行工具"，它的目标是把 Agent 项目从 Demo 拉到可交付状态。整个开发流程可以分为六个步骤：

第二步：构建 RAG Agent

准备好 Python 3.11+、uv 和 Node.js 环境后，执行 `uvx google-agents-cli setup` 即可完成安装。如果只想装 Skills 供自己的 Coding Agent 使用，也可以运行 `npx skills add google/agents-cli`。 一个典型的起手式是构建 RAG Agent：Coding Agent 会调用 ADK Skills，从 agentic_rag 模板创建项目，用 Vector Search 作为 datastore，并自动补全 citation 相关逻辑——回答必须带引用，retriever 返回文档时要附带 source ID。这个设计很关键：很多 RAG Demo 只演示"能答"，企业里真正关心的是回答有没有资料依据。引用链如果一开始没设计，后续补救成本很高。

第三到六步：测试、评估、部署与注册

项目创建后，本地测试至少要验证两类场景：一是资料库能回答的问题（如"如何合并两个字典？"），Agent 应检索到对应内容并附上引用；二是资料库没有的问题（如"2022年世界杯冠军是谁？"），Agent 应明确承认资料不足，而不是凭常识硬答。 评估环节最为关键。可以通过自然语言让 Coding Agent 生成 20 个测试场景，涵盖：正确检索、资料不足时的拒答、多文档推理、引用准确率。测试结果显示，引用准确率可以做到 20/20 全通过，但 eval 也可能抓出指令漏洞——比如当问题不在语料里时，Agent 会补一句通用知识，问题可能出在 instruction 里某行"简单问题可以不用工具直接回答"的宽松规则。 评估通过后，部署到 Agent Runtime 大约需要 2-3 分钟。Cloud Trace 默认接入，这对团队协作至关重要——Agent 出问题时，不能只看聊天记录，还要能回到 trace、日志、调用链里定位是哪一步出错。最后一步是注册到 Gemini Enterprise，Agent 会出现在企业应用里，IAM 控制访问权限，组织内有权限的人都能

如有侵权，请联系删除。