过去做 Agent最容易卡在中间。写代码在编辑器里起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。每一步都能做但每换一个工具脑子里的上下文就丢一截。Google 这个agents-cli解决的正是这段断裂。它并不提供一个新的聊天机器人也不替代 Claude Code 、 Codex 、 Cursor 。它更像一套给 coding agent 装上的工程技能包让这些 coding agent 知道怎么用 Google 的 ADK 、 Agent Runtime 、 Cloud Run 、 Gemini Enterprise 去搭、测、发一个企业级 Agent 。GitHub 上的定位很直白agents-cli是一套 CLI 和 skills用来把常见 coding assistant 变成更懂 Google Cloud Agent Platform 的开发助手。它支持 Antigravity CLI 、 Claude Code 、 Codex也可以配合其他 coding agent 。安装后它会给 coding agent 注入 7 类技能•google-agents-cli-workflowAgent 开发生命周期和代码保留规则。•google-agents-cli-adk-codeADK 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-deployAgent Runtime 、 Cloud Run 、 GKE 、 CI/CD 、 secrets 。•google-agents-cli-publish注册到 Gemini Enterprise 。•google-agents-cli-observabilityCloud Trace 、日志和观测接入。这个设计的重点不止是“又多一个命令行工具”。它想把 Agent 项目从 demo 拉到可交付状态。能创建项目只是第一步能测试、能部署、能被组织里的人找到才算走完。第一步安装准备好 Python 3.11、uv和 Node.js 后直接跑uvx google-agents-cli setup如果只想装 skills让自己的 coding agent 接管后面的工作也可以用npx skillsaddgoogle/agents-cli装完后打开你常用的 coding agent比如 Claude Code 、 Codex 、 Cursor 或 Antigravity CLI让它按自然语言指令去创建项目。第二步让 coding agent 搭一个 RAG Agent一个可复现的起手式是_ragtemplate with Gemini 3.5 Flash.在 Akshay 的测试里Claude Code 调用了agents-cli的 ADK skills从agentic_rag模板搭出项目用 Vector Search 做 datastore还补了 citation 相关逻辑回答必须有引用retriever 返回文档时带 source ID 。这一步很关键。很多 RAG demo 只演示“能答”企业里更关心回答有没有资料依据。引用链如果一开始没设计后面再补会很麻烦。第三步本地先测一轮项目起来后让 coding agent 启动 ADK Web UISpin up a local dev server so I can test this.本地测试至少看两类问题。第一类是资料里能回答的问题比如 “how to merge two dictionaries?”Agent 应该能检索到对应内容解释|合并和update()方法并附上类似[source: 1003]的引用。第二类是资料里没有的问题比如 “who won the FIFA World Cup in 2022?”Agent 应该承认资料不足不能凭常识硬答。 RAG 项目上线前这类拒答测试比“答得很顺”更有价值。第四步上线前做评估很多 Agent 项目死在这里demo 能跑评估没有。 Karpathy 提过一个数据运行 Agent 的团队里做 observability 的比例高于做 evals 的比例。可没有 evals日志再多也很难判断改动有没有把系统弄坏。可以直接让 coding agent 生成评估集Generate 20 test scenarios for this RAG agent covering correct retrieval, insufficient context where the agent should say it doesnt know, multi-hop questions, and citation accuracy. Run the full eval suite and show me the results.这 20 个 case 可以分成四组• 6 个正确检索问题• 5 个资料不足时的拒答问题• 5 个需要多文档推理的问题• 4 个 citation accuracy 问题。Akshay 的测试结果里引用准确率 20/20通过。但 eval 也抓到一个洞当问题不在语料里时Agent 有时会补一句通用知识。问题来自 instruction 里的一行宽松规则大意是“简单问题可以不用工具直接回答”。删掉这行拒答行为才会稳定。这就是 eval 的价值。分数表只是表面结果最有用的是提前暴露那些容易被忽略的指令漏洞。第五步部署到 Agent Runtime评估过后就可以让 coding agent 处理部署Deploy this to Agent Runtime in us-central1.agents-cli会把项目补齐为 Agent Runtime 可部署的形态加入入口文件和基础设施配置。根据这次测试部署到 Google Cloud 大概花了 2 到 3 分钟。Cloud Trace 默认接入这一点对团队协作很实用。 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坏了。第六步注册到 Gemini Enterprise很多内部 Agent 做完后只停留在“某个同事机器上能跑”。别人不知道它存在也拿不到 endpoint 、权限和使用方式。这样的 Agent 很快就会被遗忘。继续让 coding agent 执行Register this agent to Gemini Enterprise.注册后它会出现在 Gemini Enterprise app 里组织内有权限的人可以发现和使用。 IAM 控制访问企业面板负责观测。到这一步一个 RAG Agent 才从个人 demo 变成团队可用的内部知识助手。可以怎么用在自己的项目里如果只是想试水不用一上来就做复杂 Agent 。更稳的路径是先选一个低风险知识库比如团队 FAQ 、产品术语表、内部 onboarding 文档。用agents-cli scaffold或 setup 后的 coding agent 建一个 RAG 项目。写 15 到 30 个真实问题里面故意混入资料不足、歧义、多跳问题。先跑 eval再改 instruction不要只靠手感调 prompt 。本地测过后再部署部署后补 trace 、权限、成本监控。最后再考虑注册到企业入口让团队成员能找到它。GitHub README 里列出的常用命令也值得保存evaleval如果你已经有一个 ADK 项目也可以用agents-cli scaffold enhance它会给旧项目补部署、 CI/CD 或 RAG 相关能力。使用前要先想清楚的地方agents-cli很适合 Google Cloud 和 ADK 体系内的 Agent 工程。如果你的团队已经在用 Vertex AI 、 Cloud Run 、 Gemini Enterprise它能省掉不少胶水工作。但它也带来一个前提部署、观测、企业注册这些能力都和 Google Cloud 绑定得比较深。个人开发者可以本地玩起来真要走云端和企业入口还是要处理账号、计费、权限、服务条款和区域合规。另一个提醒是不要把“coding agent 能自动跑完整流程”理解成可以少做验收。脚手架能加速eval 和权限检查不能省。 Agent 最危险的地方往往不在答不上来而在资料不足时答得太顺。我会怎么判断它值不值得用如果你的 Agent 还停留在玩具 demo 阶段agents-cli可能显得有点重。直接用 ADK 或 LangGraph 写一个本地原型反而更快。如果你已经遇到这些问题它就值得试• 每个 Agent 都要重新搭项目结构• 评估集总是上线前才想起来• 部署脚本、权限、 Cloud Run 配置反复复制• 内部 Agent 做完后没人知道入口在哪里• 团队希望 coding agent 不只写代码还能按工程规范把项目推到可上线状态。Agent 开发接下来拼的不会只是模型调用能力。更麻烦的部分在评估、权限、部署、观测、组织分发。 Google 这次把这些环节塞进一个 CLI 和一组 skills 里方向是对的让 coding agent 少当“会写代码的助手”多承担一点工程交付的脏活。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】