💡 站外导读：当前，AI Agent 正从原型走向生产，但开发、评估、部署各环节工程化复杂度高，开发者往往需串联十余个工具与服务，试错成本极高。谷歌云开源 agents-cli，将 Agent 全生命周期知识浓缩为一套 CLI 命令与七大技能模块，让编程助手代为处理基础设施配置，本地开发仅需 API Key 即可启动，显著降低从原型到云端的落地门槛。
agents-cli是什么
Agents CLI 是谷歌云智能体平台推出的官方命令行工具，专为简化 AI Agent 全生命周期设计。工具将工程化知识打包为 7 个独立技能模块，覆盖从项目脚手架、ADK 开发、本地评估到 Cloud Run / GKE 部署及 Gemini Enterprise 发布的完整流程。开发者可让 AI 编程助手自动完成全流程，可通过人工模式直接接管 CLI 命令。本地开发仅需 AI Studio API Key，无需 Google Cloud 项目可快速原型验证。
阅读目录
agents-cli的主要功能
-
项目脚手架：提供
scaffold命令，支持一键创建标准化 Agent 项目、为现有项目追加部署/CI/CD/RAG 能力，及将项目升级至新版规范。 -
本地开发与调试：内置
run命令支持单条指令快速冒烟测试，playground可启动本地 Web 可视化界面进行交互调试，同时提供install和lint命令管理依赖与代码质量。 -
评估与验证：通过
eval run运行评估流水线，按预设指标和评估集测试 Agent 表现，并通过eval compare对比不同版本结果，支持 LLM-as-Judge 和轨迹评分。 -
自动化部署：
deploy命令支持一键部署至 Agent Runtime（自动处理记忆与编排）、Cloud Run（无服务器容器化）或 GKE（Kubernetes 集群）三类目标环境。 -
企业发布：
publish gemini-enterprise可将部署后的 Agent 注册到 Gemini Enterprise 平台，使其在组织内可被搜索和调用。 -
基础设施即代码：提供
infra系列命令生成 Terraform 配置、搭建 staging/prod 的 CI/CD 流水线，配置向量存储等 RAG 数据基础设施及数据接入管道。 -
编程助手技能包：将工程化知识打包为 Workflow、ADK Code、Scaffold、Eval、Deploy、Publish、Observability 七个结构化技能模块，直接注入 Gemini CLI、Claude Code、Codex、Cursor 等编程助手。
agents-cli的技术原理
-
技能包注入机制：agents-cli 将 Google Cloud 的工程化知识（部署流程、评估方法、API 规范）打包为 7 个结构化技能模块，通过
npx skills add注入 Gemini CLI、Claude Code、Codex 等编程助手的上下文，使其无需自行推断云服务连接逻辑即可生成准确的 Agent 代码和配置。 -
基于 ADK + A2A 的编排架构：agents-cli 构建于 Google ADK（Agent Development Kit）和 A2A（Agent-to-Agent）协议之上，利用 ADK 的 Python API 定义 Agent 行为、工具调用、状态管理和多 Agent 编排，并通过 A2A 实现 Agent 间的互操作。
-
分层云原生架构：整个技术栈采用分层设计，编排层通过 ADK/A2A 处理 Agent 逻辑，模型层接入 Model Garden 的 Gemini 系列大模型，数据层整合 Vector Store 和 BigQuery，可观测性层通过 OpenTelemetry 和 Cloud Trace 实现全链路追踪。
-
上下文压缩与确定性交互：通过将云服务的连接逻辑、部署规范和最佳实践预先编码为结构化 CLI 命令和技能包，agents-cli 避免了编程助手在每次交互中重复推断基础设施配置，显著降低 Token 消耗并提升输出确定性。
-
本地评估与轨迹验证：内置的评估流水线支持在本地运行基于数据集的 Agent 测试，通过 LLM-as-Judge 和轨迹评分（Trajectory Scoring）对比不同版本的输出质量，确保部署前的行为一致性。
如何使用agents-cli
-
环境准备：确保本地已安装 Python 3.11+、uv（Python 包管理器）和 Node.js（用于技能包安装），这是运行 agents-cli 的基础依赖条件。
-
安装 CLI 与技能包：执行
uvx google-agents-cli setup一键安装命令行工具，将 Workflow、ADK Code、Scaffold、Eval、Deploy、Publish、Observability 七个结构化技能包同步部署到你的编程助手。 -
仅安装技能包（可选）：若已有其他工具管理 CLI，可运行
npx skills add google/agents-cli单独向 Gemini CLI、Claude Code、Codex 或 Cursor 注入技能知识，由编程助手代为调用底层命令。 -
身份认证：运行
agents-cli login --interactive通过浏览器完成 Google Cloud 交互式登录，或执行export GEMINI_API_KEY="your-key"使用 AI Studio API Key 进行无需 GCP 项目的本地开发认证。 -
创建项目：执行
agents-cli scaffold my-first-agent自动生成包含标准目录结构、ADK 基础代码、依赖文件和默认配置的全新 Agent 项目，并进入项目目录。 -
安装依赖：在项目根目录运行
agents-cli install自动解析并安装 requirements.txt 或 pyproject.toml 中声明的 Python 依赖包。 -
本地调试：执行
agents-cli playground启动本地 Web 可视化界面（默认地址 http://127.0.0.1:8000），在浏览器中选择 Agent 并直接输入指令进行交互式调试，无需编写测试脚本。
agents-cli的核心优势
-
降低工程化门槛：将 Google Cloud 十几个 CLI 工具和服务知识打包成技能包，开发者无需啃文档即可让编程助手完成云端部署。
-
多 Agent 兼容：无缝支持 Gemini CLI、Claude Code、Codex、Cursor、Antigravity 等主流编程助手，不绑定单一工具链。
-
本地零成本起步：本地开发仅需 AI Studio API Key，无需 GCP 项目即可快速原型验证，降低试用门槛。
-
全生命周期覆盖：从脚手架创建、代码开发、评估测试到部署发布、监控观测，提供端到端闭环。
-
人工模式兜底：支持开发者直接执行 CLI 命令，在必要时接管流程，解决全自主系统透明度不足的问题。
-
企业级可靠性：内置评估流水线、IaC、CI/CD 和多环境部署能力，满足生产环境要求。
agents-cli的项目地址
- 项目官网：https://google.github.io/agents-cli/
- GitHub仓库：https://github.com/google/agents-cli
agents-cli的同类竞品对比
| 维度 | Google Agents CLI | MMX-CLI | Cursor CLI |
|---|---|---|---|
| 定位 | 谷歌云官方开源 CLI，通过 7 个结构化技能包将任意编程助手转化为构建、评估和部署企业级 AI Agent 的专家工具。 | MiniMax 推出的多模态命令行工具，封装全模态模型调用能力，面向 AI Agent 实现端到端多媒体内容自动化生产。 | AI 原生 IDE（VS Code fork）内置的 CLI Agent，面向日常编码与大规模代码库重构，提供实时补全与多文件编辑能力。 |
| 覆盖阶段 | 覆盖脚手架创建、ADK 开发、本地评估、Cloud Run/GKE 部署、Gemini Enterprise 发布及生产观测的完整生命周期。 | 覆盖信息搜集、内容生成、语音合成、图像/音乐选择到视频制作的端到端多媒体自动化流程。 | 覆盖代码编辑、多文件重构、测试生成、终端命令执行及通过 Cursor Actions 对接 CI/CD 的编码全流程。 |
| 部署目标 | 支持一键部署至 Agent Runtime（自动处理记忆与编排）、Cloud Run（无服务器容器化）或 GKE（Kubernetes 集群）三类 Google Cloud 环境。 | 仅在本地或 CI 环境中执行 shell 命令，直接调用 MiniMax API 完成内容生成，无特定云基础设施部署目标。 | 以本地开发为主，通过 Cursor Actions 对接外部 CI/CD 流水线，无原生云服务器或容器化部署能力。 |
| 评估能力 | 内置 eval 流水线，支持在本地运行基于数据集的评估，通过 LLM-as-Judge 和轨迹评分量化验证 Agent 行为一致性。 | 未提供内置 Agent 评估框架，仅依赖 MiniMax API 返回的生成结果，缺乏系统化的指标评测与版本对比机制。 | 未提供内置 Agent 评估框架，仅支持生成测试代码供开发者自行运行，缺乏 LLM-as-Judge 或轨迹评分能力。 |
| 技能包机制 | 将工程化知识打包为 Workflow、ADK Code、Scaffold、Eval、Deploy、Publish、Observability 七个结构化技能模块注入编程助手。 | 未采用技能包机制，通过 npm 安装后以标准 shell 命令暴露能力，编程助手需自行推断 MiniMax API 的调用逻辑。 | 未采用技能包机制，通过 .cursorrules 文件实现项目级配置预设，由 IDE 内置 Agent 根据上下文推断操作。 |
| 人工模式 | 支持开发者在任意步骤直接执行原生 CLI 命令（如 agents-cli info 或 agents-cli deploy），绕过编程助手的自动化推理。 |
支持开发者直接执行标准 shell 命令（如 mmx video generate），通过 stdout 纯 JSON 输出和语义状态码实现人工可控。 |
支持开发者直接执行 Cursor CLI 命令或手动接管 IDE 中的 Agent 会话，保持对代码变更的完全控制权。 |
agents-cli的应用场景
-
企业级 Agent 开发：需要从零搭建可投产的多 Agent 系统，涉及编排、记忆、评估和监控的复杂场景。
-
快速原型验证：开发者想在本地快速测试 Agent 逻辑，无需配置云服务即可运行和评估。
-
AI 编程助手增强：让团队现有的编程助手（Cursor / Claude Code）获得 Google Cloud 部署专家能力。
-
DevOps 自动化：需要自动生成 Terraform 配置、CI/CD 流水线，实现 Agent 应用的基础设施即代码管理。
-
组织级 Agent 发布：将内部开发的 Agent 注册到 Gemini Enterprise，实现企业内统一发现和使用。
📝 站长洞察 (Editor’s Insight)
谷歌云此次开源 agents-cli，本质是在抢占 AI Agent 工程化的标准制定权。它将分散在 Cloud Run、GKE、Vertex AI 等十余个服务中的最佳实践，抽象为可注入编程助手的技能包，用 CLI 命令替代大量 YAML 与 Terraform 手动配置，这是 DevOps 向 AgentOps 演进的典型信号。值得关注的是其技能包注入机制——它让 Gemini CLI、Claude Code、Cursor 等不同工具共享同一套云原生知识，意味着谷歌正在尝试以「工具链无关」的姿态构建生态粘性。若该模式成熟，未来 Agent 开发或将像前端用 Vite 脚手架一样标准化，而谷歌则牢牢卡住了云端部署与可观测性的关键卡口。
