agents-cli Skills 体系详解用 7 个内置技能让编码助手精通 ADK Agent 的开发、评估与部署【免费下载链接】agents-cliThe CLI and skills that turn any coding assistant into an expert at creating, evaluating, and deploying AI agents on Google Cloud.项目地址: https://gitcode.com/GitHub_Trending/ag/agents-cli本文基于 Skills Reference 文档 展开讲解 agents-cli 的技能Skills体系这些技能是随agents-cli setup安装到编码助手Antigravity CLI、Claude Code、GitHub Copilot 等的上下文文件为处理脚手架生成的 Agent 项目提供领域专属指引。读完后你将理解 7 个内置技能各自的职责边界、安装与更新机制、技能之间的阶段协作关系以及它们背后在仓库源码中的落地方式从而在真实项目中高效驱动任意编码助手完成「scaffold → build → evaluate → deploy → publish → observe」的完整生命周期。技能是什么如何安装与更新Skills 是一组 Markdown 格式的上下文文件每个技能为一个目录核心是SKILL.md及references/参考文件通过agents-cli setup安装到编码助手的技能目录中。它们不改变助手的行为能力而是把 Google ADKAgent Development Kit生态的领域知识——API 用法、评估方法论、部署参数、排障经验——按需注入助手的工作上下文。安装与更新只有两条命令agents-cli setup # 安装全部技能 agents-cli update # 重新安装 / 更新技能源码级机制随 wheel 打包离线可装从源码结构看技能的「离线可用」并非偶然。仓库把权威技能源放在包内路径src/google/agents/cli/skills/data/下捆绑定位模块 说明了设计意图_SKILL_PREFIX google-agents-cli- SKILL_BUNDLE_DIR Path(__file__).resolve().parent / data def is_skill_dir(path: Path) - bool: A skill is a google-agents-cli-* directory containing a SKILL.md spec. return ( path.is_dir() and path.name.startswith(_SKILL_PREFIX) and (path / SKILL.md).is_file() )由于data/目录位于包内部它会被自动打入 wheel——agents-cli setup安装技能时无需git、无需网络。get_bundled_skills_dir()还会做完整性自检目录存在且至少包含一个符合google-agents-cli-*SKILL.md约定的子目录才认定为有效技能包否则返回None走其他安装路径。安装流程本身由 setup 命令 实现默认通过npx skills包SKILLS_NPX_PACKAGE定义于 技能检查模块远程安装当git/npx不可用或安装失败时可回退到本地捆绑包--skills-source可指定默认取DEFAULT_SKILLS_SOURCE。--agent参数支持按助手安装例如--agent claude-code --agent cursor或all全量安装针对 Antigravity CLI另有专门的软链接逻辑link_skills_for_antigravity安装到~/.gemini/antigravity-cli/skills等位置。仓库中skills/目录是技能的人类可读权威源含 skills READMEsrc/google/agents/cli/skills/data/是打包进 wheel 的同步副本——两者当前都包含相同的 7 个技能目录。七个内置技能总览技能一句话定位触发时机frontmatter description 摘要google-agents-cli-workflow开发生命周期总入口常驻激活develop an agent、build an agent using ADK、deploy an agent 等google-agents-cli-adk-codeADK Python API 速查与参考配方索引write agent code、add a tool、create a callbackgoogle-agents-cli-scaffold项目脚手架 create/enhance/upgradecreate an agent project、add CI/CD、upgrade my projectgoogle-agents-cli-eval完整评估生命周期与质量飞轮run an evaluation、write an eval dataset、optimize agentgoogle-agents-cli-deploy部署目标、CI/CD、服务账号与回滚deploy an agent、configure secrets、troubleshoot a deploymentgoogle-agents-cli-publishGemini Enterprise 注册publish an agent、register an MCP servergoogle-agents-cli-observability链路追踪、日志、BigQuery 分析set up tracing、monitor my agent每个技能的SKILL.md头部都带有结构化 frontmatter是编码助手判断「何时加载该技能」的依据。以 workflow 技能的 frontmatter 为例--- name: google-agents-cli-workflow description: This skill should be used when the user wants to develop an agent, ... Always active — provides the full workflow (scaffold, build, evaluate, deploy, publish, observe), code preservation rules, model selection guidance, and troubleshooting steps ... metadata: author: Google license: Apache-2.0 version: 1.5.0 requires: bins: - agents-cli install: uv tool install google-agents-cli ---description中枚举了触发短语trigger phrases供助手做技能路由requires.bins声明了对agents-cli二进制的依赖install给出补救命令uv tool install google-agents-cli。version: 1.5.0与 workflow 正文中「Requires: google-agents-cli ~ 1.5.0」的提示呼应——版本落后时可运行uv tool install google-agents-cli~1.5.0升级并用agents-cli info核对。workflow常驻激活的生命周期编排者google-agents-cli-workflow 是唯一「Always active」的技能提供从 Phase 0 到 Phase 7 的完整工作流并规定技能间的加载次序——这是理解整套技能体系的关键Phase加载的技能加载时机0 — Understand—无技能读取.agents-cli-spec.md如存在否则与用户澄清目标1 — Study recipesgoogle-agents-cli-adk-code设计阶段就要加载——references/samples.md的主题索引把需求映射到参考配方2 — Scaffoldgoogle-agents-cli-scaffold创建或增强项目之前3 — Buildgoogle-agents-cli-adk-code写 Agent 代码前——API 模式、工具、回调、状态4 — Evaluategoogle-agents-cli-eval运行任何 eval 之前——数据集 schema、指标、eval-fix 循环5 — Deploygoogle-agents-cli-deploy部署前——目标选择、403/超时排障6 — Publishgoogle-agents-cli-publish部署后可选注册 Gemini Enterprise7 — Observegoogle-agents-cli-observability部署后——traces、logging、监控该技能同时包含面向编码助手的「运营守则」值得单独说明常见捷径反制表明确列出并反驳「需求够清楚不用澄清」「agents-cli run跑通一次就不需要 eval」「换用更新的模型」等借口。例如「换模型」被判定为违反代码保留原则——脚手架选定的模型是刻意选择的擅自更换常导致错误位置、废弃版本或 404。原则 1代码保留与隔离修改必须外科手术式只动用户明确指向的代码段。正文给出违规/合规对照示例——只把instruction从助手改为菜谱推荐器model等字段必须原样保留。原则 2执行最佳实践新建 Agent 时列出可用模型选最新 Gemini通过google-genai的client.models.list()Python 命令一律走uv连续 3 次相同错误立即停止重试防无限循环Terraform 409 冲突用terraform import而非重复创建CLI 命令失败时运行agents-cli command --help其输出末尾的Source:行指向实现该命令的确切源码文件可直接阅读定位。系统化调试五步Reproduce → Localize用agents-cli run prompt与-v打印完整 JSON 事件流隔离问题→ Fix one thing → Verify → Guard为非显而易见的 bug 补 eval 用例。技能的references/目录包含 6 个参考文件目录internals.mdagents-cli 包装的底层工具adk、pytest、ruff、uvicorn、spec-template.md.agents-cli-spec.md模板、brainstorming.mdPhase 0 一次一问的设计对话剧本、terminology.md产品名到 CLI 值映射如 Agent Engine →agent_runtime、commands.md按阶段的命令索引、extension.md编写或采用扩展以覆盖/新增命令。adk-codeADK Python API 速查与配方索引google-agents-cli-adk-code 是写代码阶段的 API 参考。它首先强调「先研究配方」——references/samples.md是按主题索引的 ADK 参考配方目录覆盖沙箱/按用户代码执行、Agent 可加载的SKILL.md技能、跨会话记忆、风险操作前的审批门、工具护栏、按用户凭证、定时/事件驱动运行等能力。技能的立场很直接为索引中已列出的能力手写 Docker/E2B 沙箱封装、技能加载器、moderation 回调或记忆存储意味着「停在了名字层面」——应克隆配方并先读其AGENTS.md。写代码前置条件先用agents-cli info验证项目已脚手架化否则新项目走scaffold create name、存量代码走scaffold enhance .。当前参考仅覆盖 Python ADK SDK。最常用模式的最小示例from google.adk.agents import Agent def get_weather(city: str) - dict: Get current weather for a city. return {city: city, temp: 22°C, condition: sunny} root_agent Agent( namemy_agent, modelgemini-3.7-flash, instructionYou are a helpful assistant that ..., tools[get_weather], )深度参考分四层references/samples.md配方目录Phase 1 就读、references/adk-python.md核心 APIAgent、工具、回调、插件、状态、artifacts、SequentialAgent/ParallelAgent/LoopAgent、自定义BaseAgent、ManagedAgent、A2A 协议、A2UI、references/adk-workflows.mdADK 2.0 图式 Workflow API节点、边、fan-out/fan-in、HITL、并行处理需要显式图拓扑时使用、已安装的 ADK 包源码精确签名与符号。scaffoldcreate / enhance / upgrade 三命令与部署目标google-agents-cli-scaffold 覆盖三个命令、模板选项与 prototype-first 工作流。用户选择到 CLI 参数的映射表选择CLI 参数RAG/检索、沙箱执行、跨会话记忆、OAuth 同意、护栏、定时任务无参数——来自克隆-研究配方clone-and-study recipeA2A 协议内置于脚手架ADK--agent adk默认原型不部署--prototype部署目标--deployment-target agent_runtime\|cloud_run\|gkeCI/CD runner--cicd-runner github_actions\|google_cloud_build会话存储--session-type in_memory\|cloud_sql\|agent_platform_sessions创建命令与约束agents-cli scaffold create project-name \ --agent template \ --deployment-target target \ --region region \ --prototype项目名 ≤26 字符仅小写字母、数字、连字符不要先mkdir目录——CLI 自动创建预建会导致进入 enhance 模式而非 create 模式按运行中的 IDE 传--agent-guidance-filenameAntigravity CLI 用GEMINI.mdClaude Code 用CLAUDE.mdOpenAI Codex/其他用AGENTS.md增强存量项目且 Agent 代码不在app/时传--agent-directory dir。enhance 与 upgradeagents-cli scaffold enhance . --deployment-target target agents-cli scaffold enhance . --cicd-runner runner agents-cli scaffold upgrade # 升级当前目录 agents-cli scaffold upgrade project-path # 升级指定项目 agents-cli scaffold upgrade --dry-run # 预览不应用 agents-cli scaffold upgrade --auto-approve # 自动应用无冲突变更CLI 默认严格程序化模式——必需参数必须显式传参否则抛UsageError。Prototype First 模式推荐先用--prototype跳过 CI/CD 与 Terraform迭代到 Agent 可用后再用enhance --deployment-target补部署agents-cli scaffold create my-agent --agent adk --prototype # ... 迭代 Agent 代码 ... agents-cli scaffold enhance . --deployment-target agent_runtimeScaffold 作参考只需特定基础设施文件Terraform、CI/CD、Dockerfile而不想动当前项目时用--output-dir /tmp在临时目录生成参考项目取用后删除——适用于enhance处理不了的非标准结构、按需摘取特定文件、以及提交前预览 CLI 生成物。关键规则还包括A2A 面AgentCardschema、to_a2a()签名等随版本变化且非平凡绝不手写——它已内置于脚手架出的app/fast_api_app.py与app/app_utils/中adk是唯一内置模板--agent的可选值见 模板目录含adk、adk_go、adk_java、adk_ts等其他框架如 LangChain以模板仓库形式直接脚手架。完整参数参考在references/flags.md。eval质量飞轮、指标选择与配置 Schemagoogle-agents-cli-eval 覆盖完整评估生命周期数据集 schema、生成与评分 traces、比较运行、失败聚类分析、指标发现、prompt 优化、LLM-as-judge 配置与常见失败原因。其方法论核心是**质量飞轮Quality Flywheel**四阶段循环每阶段都有「默认路径编码助手直接做」与「可选 CLI 命令委托 Agent Platform Eval Service」准备数据编辑脚手架出的tests/eval/datasets/basic-dataset.json从 1–2 个用例起步可选eval dataset synthesize做用户模拟多轮数据集ADK 项目。运行评估必做agents-cli eval run一条命令串联generategrade结果写入artifacts/grade_results/解耦形态为eval generate后eval grade适合自定义 trace 位置或不重跑 Agent 的重新评分。分析失败打开最新results_ts.html/.json定位失败指标10 失败用例时可选eval analyze做 LLM 失败聚类。优化与改码根据失败映射修 prompt/工具描述/指令可选eval optimize跑 ADK GEPA prompt 优化——长时且昂贵大量 LLM 调用仅当用户明确要求时执行且先手动修、最后只跑一次绝不对该命令循环。循环纪律同样重要用eval compare prev.json new.json确认目标指标提升且无回归每个用例预期 5–10 轮迭代保留 hold-out 用例不参与循环只在自认为完成时评分以区分泛化修复与过拟合。技能还给出反捷径表——「降低及格线让它通过」「把这个 flaky 用例跳过」「只改 eval 数据集不改 Agent」都会被明确驳回。指标选择表按测量目标选内置指标目标推荐内置指标Agent 是否达成用户目标多轮兜底multi_turn_task_success推理路径是否逻辑且高效multi_turn_trajectory_quality跨轮工具/函数调用质量multi_turn_tool_use_quality最终响应质量无需参考答案final_response_quality事实接地抓幻觉如 RAGhallucination用例带context字段时用grounding安全策略合规safety对 golden 答案匹配final_response_match用例需reference每用例不同通过判据用例上挂rubric_groups用托管 rubric 指标评分内置指标覆盖不了的领域检查自定义LLMMetric或CodeExecutionMetric注意只有三个multi_turn_*指标接受多轮 trace其余内置指标喂多轮会 400。agents-cli eval metric list列出全部内置指标。评估命令# 基本数据集取自 tests/eval/datasets/指标取自 tests/eval/eval_config.yaml agents-cli eval run # 高级自选数据集、指标与输出目录 agents-cli eval run --dataset tests/eval/datasets/custom.json --metrics final_response_quality,safety --output ./out/ # 只生成 traces可指向已部署 Agent agents-cli eval generate agents-cli eval generate --url https://my-agent.run.app --app-name app # 只评分默认读 artifacts/traces/ agents-cli eval grade agents-cli eval grade --traces custom_traces/ --qps 5 # 比较两次运行 agents-cli eval compare baseline.json candidate.jsoneval grade默认 15 次/秒指标计算派发--qps可调。ADK 项目的内置生成器会把 Agent 经 HTTP 服务优先项目的fast_api_app.py否则adk api_server并驱动/apps/...与/run_sse路由。评估配置 Schema--config接受 YAML推荐或 JSON声明两部分——metrics_to_run本次运行的指标选择列表与custom_metrics自定义指标定义池定义不等于运行需同时出现在metrics_to_run或经--metrics传入metrics_to_run: - multi_turn_task_success # 内置 - example_llm_metric # 选自下方 custom_metrics 池 - agent_turn_count # 选自 custom_metrics 池 custom_metrics: - name: example_llm_metric prompt_template: | Rate the agents response 1-5 for helpfulness and accuracy. Prompt: {prompt} Final response: {response} Full trace (for tool-call and reasoning context): {agent_data} Return JSON: {score: 1|2|3|4|5, explanation: reason} - name: agent_turn_count custom_function: | def evaluate(instance): turns (instance.get(agent_data) or {}).get(turns, []) return {score: len(turns)}按字段派发custom_function→ Python 指标prompt_template→LLMMetricLLM-as-judge两者皆无且为内置名 → 参数化该内置指标。指标可使用的标准 trace 字段{prompt}用户消息、{response}最终文本响应、{agent_data}完整turns/events结构化 tracereference/context/rubric_groups由作者自行编写eval generate只透传不臆造。代码型指标默认本地进程内执行无需 GCP 项目设execution: remote可改在 Vertex AI 沙箱服务端执行。常见坑用 rubric 式multi_turn_tool_use_quality/multi_turn_trajectory_quality替代硬编码工具序列匹配ADK 项目App的name必须等于 Agent 所在目录名否则 Session not foundeval 服务默认global端点不继承 manifest regioneval analyze仅global模型 thinking 模式可能绕过工具调用必要时用tool_config的modeANY强制工具使用。deploy部署目标决策矩阵、完整 flag 参考与回滚google-agents-cli-deploy 覆盖部署工作流、服务账号、回滚与生产基础设施。三个目标均为容器化部署任何语言可用维度Agent RuntimeCloud RunGKE扩缩容托管自动扩缩全可配min/max 实例、并发、CPU完整 K8s 扩缩HPA/VPA网络VPC-SC、PSC-I私有 VPC完整 VPC、IAP、ingress 规则完整 K8s 网络会话状态托管 Agent Engine 会话内存/Cloud SQL/Agent Platform Sessions同 Cloud Run批量/事件经/api透传触发端点原生 Pub/Sub、Eventarc 触发自定义K8s Jobs、Pub/Sub成本模型vCPU-小时 内存-小时空闲不计费按实例秒 最小实例成本节点池成本设置复杂度低托管为 Agent 而生中高需 K8s 经验注意产品名映射「Agent Engine / Vertex AI Agent Engine」现称 Agent Runtime对应--deployment-target agent_runtime。OAuth 用户同意类 Agent 应选 Agent Runtime配合 Gemini EnterpriseCloud Run 暂不支持托管 OAuth 流。部署工作流四步原型项目先scaffold enhance . --deployment-target target→ 粘贴 eval 分数并显式请求人类批准→ 批准后agents-cli deploy。Agent Runtime 部署需 5–10 分钟命令超时时服务端仍会继续用agents-cli deploy --status每 60 秒轮询。Deploy flag 参考节选核心项完整表见技能原文Flag说明目标--project/--regionGCP 项目 ID / 区域全部--service-account部署 Agent 使用的 SA 邮箱全部--secrets逗号分隔ENVSECRET或ENVSECRET:VERSION对Agent Runtime, Cloud Run--update-env-vars逗号分隔KEYVALUE环境变量Agent Runtime, Cloud Run--memory/--cpu默认4Gi/1Agent Runtime, Cloud Run--min-instances/--max-instances默认0缩零生成的 Terraform 固定为 1 避免冷启动/10Agent Runtime, Cloud Run--concurrency每容器并发请求默认8Agent Runtime, Cloud Run--image容器镜像 URI跳过源码构建Agent Runtime 不支持Cloud Run, GKE--no-wait/--status异步启动 / 查询进度Agent Runtime, Cloud Run--list/--dry-run/--no-confirm-project列出部署 / 打印将执行命令 / 跳过项目确认全部--agent-gateway-egress/--agent-gateway-ingress绑定出入站 Agent Gateway完整资源名Agent Runtime容量规划三原则单 uvicorn 异步进程——靠--concurrency与横向扩缩--max-instances而非加进程内存约束并发峰值 ≈ 基础 并发 × 单请求内存只升--concurrency不升--memory是 OOM 主因8是保守默认轻量 Agent 压测后可提到 16–32。四倍吞吐示例agents-cli deploy --cpu 4 --concurrency 16 --memory 16Gi --max-instances 20。GKE 拒绝这些 sizing flags——用 Terraform manifest HPA 调整。其他重点脚手架项目使用双服务账号架构每环境一个app_sa运行时身份 CI/CD 项目的cicd_runner_sa角色见deployment/terraform/iam.tf技能附常见 403 错误对照表Secret Manager 用法--secrets API_KEYmy-api-key,DB_PASSdb-password:2格式ENV_VARSECRET_ID[:VERSION]回滚以 git 为主修复→提交→推送触发 staging→productionCloud Run 可用 revision 流量切换即时回滚Agent Runtime 无 revision 回滚GKE 用kubectl rollout undo自定义基础设施必须走 Terraform禁止手工gcloud建生产资源。测试已部署 Agent 的最快方式是agents-cli run --url service-url --mode a2a your prompt自动处理认证、会话与流式。publishGemini Enterprise 注册的 ADK 与 A2A 双模式google-agents-cli-publish 覆盖publish gemini-enterprise命令。前置条件Agent 已部署且可达、Gemini Enterprise app 已在 Console 创建Agent Runtime 项目由agents-cli deploy生成的deployment_metadata.json提供自动探测。两种注册模式A2A 注册——Cloud Run/GKE 的默认也是唯一类型Agent Runtime 上经--registration-type a2a亦可传入--agent-card-url命令抓取 Agent Card 注册显示名/描述默认取 card 的name/description。ADK Agent 部署在 Agent Runtime 时 CLI 会警告不推荐 A2A——因为 Gemini Enterprise 可经:streamQuery原生调用其他框架则处处适用 A2A。ADK 注册——ADK Agent 在 Agent Runtime 上的默认推荐模式Gemini Enterprise 经推理引擎资源以:streamQuery原生调用并端到端认证底层分发到AdkApp的streaming_agent_run_with_events方法排障时在reasoning_engine_stderr日志中搜索该方法名。需要 OAuth 授权--authorization-id时也走此路径。程序化模式CI/CD 安全非交互支持全 flag 或环境变量注入AGENT_RUNTIME_ID、GEMINI_ENTERPRISE_APP_ID、GEMINI_DISPLAY_NAME等--interactive则引导式补齐缺失值。deployment_metadata.json存在时自动读取 agent runtime ID、判定注册类型与部署目标——最简单的场景ADK Agent Agent Runtime只需agents-cli publish gemini-enterprise \ --gemini-enterprise-app-id projects/123456/locations/global/collections/default_collection/engines/my-app完整 flag 表含--tool-description仅 ADK 模式、--authorization-idOAuth 资源名、--metadata-file默认deployment_metadata.json、--list列出当前项目 Gemini Enterprise apps等。注意幂等性重复注册是原地更新而非重复创建。排障表覆盖 Session not found升级google-cloud-aiplatform≤1.128.0 有此问题交互模式会检查uv.lock并提示升级、Could not fetch agent cardCloud Run 需先gcloud auth login等。此外技能还覆盖 Agent RegistryPreview——托管运行时上的 Agent 部署后自动注册用gcloud agent-registry管理需roles/agentregistry.editor外部 MCP server 需上传 ≤10KB 的toolspec.json。observability四层可观测性与第三方集成google-agents-cli-observability 覆盖 Cloud Trace、prompt-response 日志、BigQuery Agent Analytics 与第三方集成。Cloud Trace 开箱即用无需基础设施prompt-response 日志与 BigQuery Analytics 需要 Terraform 供给的资源服务账号、GCS bucket、BQ dataset用agents-cli infra single-project --project PROJECT_ID供给。关键顺序约束agent_runtime部署必须在首次agents-cli deploy之前运行infra single-project——Terraform 模块拥有整个 Reasoning Engine 资源SDK 先部署后再 apply 会形成无法自动调和的状态错配。已先 deploy 的两种补救删除 SDK 部署的引擎转 Terraform 托管会话与在途状态丢失或保留 SDK 实例并跳过infra single-project、用deploy --update-env-vars补环境变量并手工授予遥测 IAM 角色roles/storage.admin、roles/logging.logWriter、roles/cloudtrace.agent加--bq-analytics时的 BQ 角色完整清单在deployment/terraform/single-project/iam.tf与telemetry.tf。四层可观测性可叠加Cloud Trace 恒开层级作用默认状态适用Cloud TraceOpenTelemetry 分布式追踪执行流、延迟、错误恒开调试延迟、理解执行流Prompt-Response LoggingGenAI 交互导出 GCS/BigQuery/Cloud Logging本地关、部署后开审计 LLM 交互、合规BigQuery Agent Analytics结构化 Agent 事件入 BigQueryopt-inscaffold 时--bq-analytics会话分析、自定义看板第三方集成AgentOps、Phoenix、MLflow 等opt-in团队协作、专项可视化Cloud Trace 的 span 层级ADK 项目invoke_workflow (top-level run) └── invoke_agent (one per agent in the chain) ├── call_llm (model request) │ └── generate_content (underlying GenAI model call) └── execute_tool (tool execution)ADK 项目中的接线是app/fast_api_app.py里的get_fast_api_app(otel_to_cloudTrue)Agent Runtime 上由GOOGLE_CLOUD_AGENT_ENGINE_ENABLE_TELEMETRY门控deploy 时设置。Prompt-response 日志由两个独立层级控制Terraform 部署的净默认是「GCS/BigQuery 全量内容、trace 中无内容」GCS/BQ 完成度上传由OTEL_INSTRUMENTATION_GENAI_COMPLETION_HOOKuploadLOGS_BUCKET_NAME控制默认开、全量trace span/Cloud Logging 事件由OTEL_INSTRUMENTATION_GENAI_CAPTURE_MESSAGE_CONTENT控制默认NO_CONTENT另有EVENT_ONLY、SPAN_ONLY、SPAN_AND_EVENT取值true/false无效并回退NO_CONTENT。两层互不遵守对方开关——想彻底停止全量内容捕获需移除LOGS_BUCKET_NAME/OTEL_INSTRUMENTATION_GENAI_COMPLETION_HOOK。第三方集成表覆盖 AgentOps、Arize AX、Phoenix、MLflow、Monocle、Weave、Freeplay 七个平台的差异、设置复杂度与自托管选项。排障表给出「Cloud Trace 无 trace」「GCS 无数据」「trace 中出现不该出现的内容」「遥测成本过高」等问题的对应解法。技能协作关系与整体架构从 7 个技能 frontmatter 的 description 可读出清晰的职责切分每个技能都显式声明「不用于什么、该用哪个技能」——例如 adk-code 声明「脚手架用 google-agents-cli-scaffold部署用 google-agents-cli-deploy」eval 声明「API 代码模式用 adk-code、部署用 deploy」deploy 声明「注册见 publish」。这种交叉引用 workflow 技能的 Phase 加载表共同构成助手的技能路由机制按阶段在开始前而非撞墙后加载对应技能上下文压缩丢失内容时重新加载。技能仓库内还附带 扩展机制参考编写临时扩展或采用现有扩展以覆盖/新增命令以及一等 LangChain 模板仓库 extensions/langchain/template——印证了 scaffold 技能中「adk是唯一内置模板其他框架以模板仓库形式提供」的说法。总结agents-cli 的 Skills 体系把「构建 Agent 的领域知识」产品化为可安装、可版本化当前 1.5.0、随 wheel 离线分发的上下文包。7 个技能分别守住设计workflow、编码adk-code、脚手架scaffold、评估eval、部署deploy、发布publish、观测observability七道关口agents-cli setup/agents-cli update两条命令即可在任意编码助手中完成装配。对开发者的直接价值是无论使用 Antigravity CLI、Claude Code 还是 GitHub Copilot助手都能在同一套经仓库源码验证的指令下工作避免模型自行「重发明」沙箱、记忆、A2A 等已有成熟实现的轮子。【免费下载链接】agents-cliThe CLI and skills that turn any coding assistant into an expert at creating, evaluating, and deploying AI agents on Google Cloud.项目地址: https://gitcode.com/GitHub_Trending/ag/agents-cli创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考