Компания Google выпустила agents-cli 21 апреля 2026 года, и за прошедшие с тех пор 71 день было выпущено 13 обновлений. Самое последнее, v0.6.1, вышло 28 июня и включало обновление зависимостей, благодаря которому входящий в комплект Agent Development Kit обновился до версии 2.3.0, а также исправлена ошибка публикации, из-за которой регистрации Gemini Enterprise завершались сбоем. Этот инструмент не является кодирующим агентом. Это специализированный уровень, который располагается рядом с Claude Code, Antigravity CLI, Codex или любым другим помощником по кодированию и предоставляет этому помощнику глубокие, актуальные знания обо всем стеке разработки агентов Google — так разработчик может попросить свой предпочтительный инструмент создать и развернуть производственного уровня ИИ-агента в Google Cloud, не изучая вручную каждую базовую службу.
Такое позиционирование имеет большее значение, чем может показаться. Разработчики, создающие ИИ-агентов в Google Cloud, в настоящее время сталкиваются с проблемой фрагментации: Agent Development Kit (ADK) управляет логикой агента, Cloud Run или Google Kubernetes Engine (GKE) — развертыванием, Cloud Trace — наблюдаемостью, Terraform — предоставлением инфраструктуры, а Gemini Enterprise Agent Platform — корпоративной регистрацией. Знание того, как все эти части соединяются — и какова правильная последовательность команд для их связывания — требует такого накопленного опыта работы с платформой, что это фактически становится второй работой в дополнение к созданию самого агента. agents-cli поглощает этот опыт в набор структурированных файлов знаний и делает его доступным для любого помощника по кодированию, который использует разработчик.
Как работает внедрение навыков
Механизм специфичен и заслуживает понимания. Когда разработчик выполняет однострочную команду установки — uvx google-agents-cli setup — agents-cli помещает семь структурированных файлов Markdown в каталог навыков помощника по кодированию. Эти файлы не являются страницами документации для чтения людьми. Это машиночитаемые пакеты знаний, написанные специально для потребления ИИ, отформатированные в соответствии с открытой спецификацией SKILL.md, которую Anthropic опубликовала в декабре 2025 года и которая теперь поддерживается в 32 инструментах для кодирования.
В начале каждой сессии помощник по кодированию, такой как Claude Code, сканирует имя и краткое описание триггера каждого установленного навыка — несколько десятков токенов на навык — и загружает полное содержимое только тогда, когда запрос пользователя сигнализирует о релевантности навыка. Разработчик, который просит своего помощника «развернуть этого агента в Cloud Run», автоматически вызывает навык развертывания, который предоставляет точные команды, флаги и последовательность конфигурации, необходимые для правильного выполнения задачи. Ничего не нужно вставлять из документации; ничего не нужно выводить из смутного воспоминания об устаревшем API.
Семь включенных навыков охватывают полный жизненный цикл ADK: навык рабочего процесса (workflow) управляет общим процессом разработки и правилами выбора модели; навык кода ADK (ADK code) содержит весь Python API для определения агентов, инструментов, шаблонов оркестровки, обратных вызовов и управления состоянием; навык каркаса (scaffold) управляет созданием и улучшением проекта; навык оценки (eval) охватывает методологию оценки; навык развертывания (deploy) охватывает все три целевых объекта развертывания; навык публикации (publish) управляет регистрацией Gemini Enterprise; а навык наблюдаемости (observability) охватывает Cloud Trace, логирование и сторонние интеграции. Разработчик может выполнять команды CLI непосредственно из своего терминала без помощника по кодированию, но ценность инструмента заключается в том, что помощник автоматически управляет каркасом, конфигурацией и развертыванием, пока разработчик сосредоточен на фактической логике агента.
Проблема оценки, которую пропускают большинство инструментов для агентов
Наиболее технически значимой частью agents-cli является его конвейер оценки — и это та часть, которую, скорее всего, упустят при поверхностном обзоре инструмента. Статья в Википедии об ИИ-агентах определяет «отсутствие стандартизированных методов оценки» как задокументированную структурную проблему в этой области. Большинство современных инструментов для агентов рассматривают оценку как ручной, специальный процесс: разработчики запускают своего агента на нескольких тестовых случаях, проверяют результаты и решают, выглядит ли это достаточно хорошо. Такой подход не масштабируется до продакшена и не выявляет режимы сбоев, которые проявляются только в многоходовых диалогах или сценариях использования инструментов на граничных случаях.
agents-cli поставляется с пятиступенчатым циклом качества, который устраняет этот пробел от начала до конца. Первая стадия, agents-cli eval dataset synthesize, использует симуляцию пользователей на основе LLM для автоматической генерации разнообразных многоходовых тестовых сценариев на основе собственных инструкций агента и определений инструментов — без необходимости ручного написания тестовых случаев человеком. Вторая стадия, agents-cli eval generate, запускает агента против этих сценариев и фиксирует полные трассировки выполнения, включая вызовы инструментов. Третья стадия, agents-cli eval grade, оценивает эти трассировки по встроенным или настраиваемым метрикам. Четвертая стадия, agents-cli eval analyze, кластеризует режимы сбоев, чтобы разработчики могли увидеть, где агент систематически работает хуже, а не только какие отдельные тестовые случаи провалились. Пятая стадия, agents-cli eval optimize, применяет алгоритм GEPA — Genetic Evolutionary Prompt Augmentation (Генетическое Эволюционное Увеличение Подсказок) — для итеративного уточнения корневых системных инструкций агента на основе анализа сбоев, а затем повторно оценивает для проверки улучшения.
Последняя стадия отличает agents-cli от обертки для развертывания. GEPA — это итеративный алгоритм оптимизации, подтвержденный в официальной документации Google Agent Platform; он использует структуру сбоев оценки как сигнал для предложения целенаправленных перезаписей инструкций агента, а затем подтверждает, действительно ли каждая перезапись улучшила производительность на сбойных случаях. Разработчик может запустить agents-cli eval optimize и позволить инструменту автоматически улучшать подсказки агента вместо того, чтобы вручную угадывать исправления.
Этот конвейер отделяет производственного уровня агента от прототипа. Инструмент для кодирования может создать каркас и развернуть агента за минуты; только интегрированная система оценки может сказать вам, действительно ли этот агент достаточно надежен, чтобы ему можно было доверить рабочую нагрузку продакшена.
Локальная разработка без учетной записи Cloud
Один из ограничений, о котором проект заявляет прямо: agents-cli не требует учетной записи Google Cloud для локальной разработки. Разработчики могут установить инструмент, создать каркас проекта, запустить оценки и итерировать поведение агента, используя ключ API Google AI Studio без начисления платы за облачные ресурсы. Зависимость от Google Cloud возникает только при развертывании в продакшене — в этот момент agents-cli автоматически управляет предоставлением инфраструктуры, настройкой конвейера CI/CD, управлением сеансами Cloud SQL для агентов с сохранением состояния, конфигурацией секретов и интеграцией наблюдаемости с помощью своих шаблонов Terraform.
Поддержка платформы охватывает macOS, Linux и Windows через WSL 2. Репозиторий, лицензированный под Apache 2.0 и доступный по адресу github.com/google/agents-cli, собрал около 3600 звезд GitHub с момента его публичного дебюта. Полная документация доступна по адресу google.github.io/agents-cli.
Что изменилось в v0.6.1
В выпуске от 28 июня зависимость google-adk, входящая в комплект инструмента, была обновлена с 2.2.0 до 2.3.0, что гарантирует, что созданные каркасы проектов агентов используют актуальные API ADK, а не версию, которая на 10 дней устарела на момент создания проекта. Также была исправлена ошибка, из-за которой команда publish gemini-enterprise регистрировала развертывания Cloud Run и GKE по протоколу Agent-to-Agent (A2A) по умолчанию, а не через ADK — который Gemini Enterprise вызывает нативно, — что приводило к созданию дублирующих регистраций при повторной публикации A2A-агента и отображению A2A-карточек агентов с неверными публичными URL-адресами при первом развертывании. Обновление также исправило вводящий в заблуждение зеленый баннер «Skills updated» (Навыки обновлены), который отображался agents-cli update, даже если обновление навыка не удалось, а также исправило отображение сообщений об ошибках в средах Windows PowerShell.
Проект, который Google анонсировала на Cloud Next 2026 22 апреля, является явным преемником более раннего проекта Google с открытым исходным кодом agent-starter-pack, который перешел в режим только поддержки. Новые проекты должны использовать agents-cli; существующие проекты agent-starter-pack могут мигрировать без переписывания кода агента, поскольку их конфигурации Terraform, тесты и CI/CD переносятся напрямую.
Часто задаваемые вопросы
Чем agents-cli отличается от прямого использования ADK?
ADK — это сам фреймворк агента — он определяет, как работают агенты, инструменты, оркестровка и состояние в Python. agents-cli — это обертка жизненного цикла вокруг него: она управляет каркасом проекта, настройкой конвейера оценки, развертыванием в Cloud Run, GKE или Agent Runtime, регистрацией Gemini Enterprise и конфигурацией наблюдаемости. Прямое использование ADK означает написание всего этого инфраструктурного кода с нуля и знание того, какие API Google Cloud соединяют какие службы; использование agents-cli означает запрос к помощнику по кодированию для обработки этого с помощью подсказки на естественном языке. Инструмент также можно использовать автономно из терминала без помощника по кодированию.
Требует ли agents-cli Google Cloud?
Не для разработки или оценки. Ключа API Google AI Studio достаточно для создания каркасов проектов, запуска агентов локально, генерации наборов данных для оценки, оценки трассировок и оптимизации подсказок с помощью GEPA. Проект Google Cloud требуется только при развертывании в Agent Runtime, Cloud Run или GKE — в этот момент agents-cli автоматически предоставляет инфраструктуру. Разработчики без учетной записи Google Cloud все равно могут использовать полный конвейер оценки до того, как примут решение о развертывании в продакшене.
С какими помощниками по кодированию работает agents-cli?
В репозитории GitHub явно указаны Antigravity CLI, Claude Code и Codex, и инструмент работает с любым кодирующим агентом, который поддерживает стандарт SKILL.md — в настоящее время 32 инструмента, включая продукты от Google, Microsoft, JetBrains и AWS. Он также может работать полностью без помощника по кодированию: каждая команда agents-cli работает как автономный терминальный инструмент для разработчиков, которые предпочитают прямое управление CLI делегированию на естественном языке.
Как именно работает оптимизатор оценки GEPA?
GEPA — Genetic Evolutionary Prompt Augmentation — это итеративный алгоритм оптимизации, который берет шаблоны сбоев из прогона оценки (eval grade) и предлагает целенаправленные перезаписи системных инструкций агента. Затем он повторно запускает оценку на измененных инструкциях, чтобы проверить улучшение, прежде чем принять изменение. Подход является генетическим в том смысле, что он перебирает варианты уточнений инструкций, выбирая и комбинируя изменения, которые улучшают оценки по конкретным сбойным тестовым случаям. Результатом является рабочий процесс, в котором проектирование подсказок для производственных агентов может быть частично автоматизировано, а не полностью зависеть от интуиции разработчика о том, какие изменения в инструкциях исправят какие наблюдаемые режимы сбоев.
Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.
Автор – Richard L. Wells
