今天要给大家介绍最近挺火的开源项目Agents CLI，它在 GitHub 上已经收获了 5.1k stars。
第一眼看到这个名字，我还以为 Google 又搞出类似 Claude Code、Codex 那样的命令行智能体，结果并不是。
Agents CLI 真正做的事情，是给 Claude Code、Codex 这些编程智能体，装上一整套 CLI + Skills 工具包。
有了它加持之后，智能体不用人类反复手把手教，就能比较自主地完成整套流程：梳理需求、生成符合标准的 ADK 工程代码、自动搭建评测数据集、一键部署到 Google Cloud，上线之后还能完整追踪请求全链路、模型调用和工具执行路径。
基本上把 Agent 从开发、测试到运维的整条工程链路，都交给了 AI 来高效推进。
项目链接：
https://github.com/google/agents-cli/
01
7项Skills，把工程经验
装进Coding Agent
目前很多Agent开发工具解决的是“怎么写Agent”。
例如，Google的Agent Development Kit，也就是ADK，提供了Agent、工具、状态、回调和多智能体编排等开发能力。开发者可以利用它定义模型、编写提示词、接入搜索或数据库工具，再把多个专业Agent组合起来。
但Agent从代码走向生产，还要经历更多环节。
项目目录应该如何设计？评测数据集放在哪里？怎样判断提示词修改后效果变好了还是变差了？如何生成Terraform配置？应该部署到Agent Runtime、Cloud Run还是GKE？怎样配置服务账号、IAM权限和CI/CD？Agent上线后，如何追踪一次请求究竟调用了哪些模型和工具？
Coding Agent为了理解构建、评测和部署的组件如何协同工作，往往需要摄入大量文档，导致上下文过载、Token浪费，还容易在不同工具之间反复试错。
从官方架构可以看出，Agents CLI是Google Cloud智能体技术栈之上的统一工程入口。
Agents CLI所做的，就是用Skills和结构化 CLI 命令把这些原本分散的组件连接起来，让Coding Agent能够沿着标准化路径完成Agent的开发、评测、部署和持续优化。
目前，Agents CLI共内置7项Skills。
工作流Skill负责整个Agent生命周期、模型选择和代码保护规则；
ADK代码Skill提供Agent类型、工具定义、状态管理、回调和编排模式；
脚手架Skill负责创建、增强和升级项目；
评测Skill负责数据集格式、指标选择、LLM-as-a-Judge评分和常见失败原因；
部署Skill负责Agent Runtime、Cloud Run、GKE、服务账号及生产基础设施；
发布Skill负责将Agent注册到Gemini Enterprise；
可观测性Skill则覆盖Cloud Trace、BigQuery Agent Analytics以及AgentOps、Phoenix、MLflow等第三方工具。
这些 Skills 为编程智能体提供了每个阶段所需的上下文，使它能够作出正确决策。
而Agents CLI 的命令体系则覆盖了从本地到云端的完整生命周期，包括安装更新、身份认证、项目脚手架、依赖管理、本地运行与调试、代码质量检查、效果评测、基础设施配置、云端部署、企业级发布等多个维度，真正做到了“一站式”工程化支撑。
02
使用方法
环境要求：Node.js、Python（3.11+）、uv；
（1）安装
uvx google-agents-cli setup（2）只装技能
npx skills add google/agents-cli（3）使用案例
示例：构建类caveman-compressor项目的demo，可以把冗长文本压缩成简短的原始人（caveman ）风格摘要。
创建项目脚手架
打开你使用的编程智能体，输入：
"Use agents-cli to build a caveman-style agent that compresses verbose text into terse, technical grunts"智能体会激活 google-agents-cli-workflow 和 google-agents-cli-scaffold 两个 Skill。
然后开始询问澄清问题，例如部署目标、安全限制等；接着将智能体的用途写入 .agents-cli-spec.md 规格文件；并创建项目脚手架：
agents-cli create caveman-agent --prototype --yescd caveman-agent && agents-cli install
此时，你将得到一个可以正常运行的项目，其中已经包含智能体样板代码、测试文件和评测数据集。
构建智能体
智能体会编辑 app/agent.py，将默认智能体替换成caveman compressor。
在此过程中，它会使用 google-agents-cli-adk-code Skill，遵循 ADK 的开发模式。
最终的智能体定义大致如下：
root_agent = Agent(name="caveman_agent",model=Gemini(model="gemini-flash-latest"),instruction="""You caveman compressor. Human give long words,you make short. Rules:- No articles. No filler. No fluff.- Short grunts. Simple words.- Keep technical terms but grunt around them.- Funny but meaning stays.Example input: "I would like to deploy the application to production"Example output: "Me deploy. Production. Now."""",)
随后，编程智能体会进行冒烟测试（smoke-tests）：
agents-cli run "Please help me understand the deployment options available for my project"输出如下：
Deploy options: Agent Runtime, Cloud Run, GKE. Pick one. Ship.评测
告诉你的编程智能体：
"Write evals for the caveman agent and run them"智能体会激活 google-agents-cli-eval Skill，并完成以下工作：创建 tests/eval/datasets/caveman-dataset.json 文件，其中包含压缩质量、技术术语保留和原始人口吻等测试用例。
运行评测：
agents-cli eval generateagents-cli eval grade
如果某些测试用例失败，可以直接告诉编程智能体需要修改的地方：
"The response to the greeting test is too polite. Make it more caveman."编程智能体会调整指令，重新运行评测，并持续迭代，直到结果达到预设的质量门槛。
部署
告诉你的编程智能体：
"Deploy this to Cloud Run"你的编程智能体会激活 google-agents-cli-deploy Skill，并完成以下操作。
添加部署基础设施：
agents-cli scaffold enhance --deployment-target cloud_run执行部署：
agents-cli deploy此时，caveman agent已经正式上线。
Cloud Run 的访问地址会出现在命令输出中。
观察运行情况
Cloud Trace 默认启用，无需额外配置。
打开 Google Cloud Console 中的 Trace Explorer，然后向智能体发送几次请求。你将看到大模型调用和工具执行对应的 Span。
如果还想检查智能体在生产环境中处理的实际 Prompt 和响应，可以告诉编程智能体：
"Set up observability infrastructure for my agent"编程智能体会运行 infra single-project，创建服务账号、GCS 存储桶和 BigQuery 数据集，同时更新已部署的服务，让它能够使用这些资源。
03
从“会写Agent”到“会养Agent”，
谷歌悄悄改写了游戏规则
Agents CLI 最值得关注的地方，是它把“怎么做Agent”，往“怎么长期经营Agent”推了一步。
Agent 已经能够帮助人类开发 Agent，并且逐渐接管更多原本依赖人工协调的工程步骤。
而开发者的角色，也可能随之发生变化。
人类不需要盯住每一行代码和命令，而是主要去负责定义目标、制定质量标准、设置权限边界，并在关键节点作出判断。
当然，目前 Agents CLI 仍处于 Preview 阶段，它能否真正适应复杂企业项目、不同团队规范和长期生产环境，还需要继续验证。
但它释放出的信号已经很清楚。
当模型能力越强，Agent 开发的竞争就落在谁能把开发、评测、部署和运维经验，沉淀成机器可以反复执行的工程系统。
