Créer un agent avec ADK et Agents CLI dans Agent Platform

Ce document explique comment créer, évaluer et déployer un prototype d'agent IA à l'aide de l'Agent Development Kit (ADK) avec Agents CLI dans Agent Platform. ADK est un framework Open Source axé sur le code, qui permet de créer des agents IA sophistiqués. Agents CLI fournit une interface unifiée et lisible par machine permettant aux outils de développement d'IA d'interagir avec l'ADK, ce qui permet de gérer le cycle de vie des agents de bout en bout. Il encapsule les connaissances d'expert sur l'ADK, l'évaluation des agents et le déploiement surGoogle Cloud, ce qui permet aux outils pour les développeurs d'IA d'effectuer des actions complexes à partir de prompts en langage naturel.

En utilisant Agents CLI avec votre outil pour les développeurs basé sur l'IA préféré, tel que Gemini CLI, Claude Code ou Codex, vous pouvez utiliser des prompts en langage naturel pour définir, tester localement et déployer un agent prototype sur un environnement d'exécutionGoogle Cloud .

Ce tutoriel vous explique comment créer un agent "compresseur d'homme des cavernes", qui transforme un texte détaillé en résumés concis, inspiré par l'homme des cavernes.

Avant de commencer

Remplissez les conditions préalables suivantes :

  1. Assurez-vous de disposer d'un projet Google Cloud et d'avoir activé l'API Agent Platform. Si ce n'est pas le cas, suivez l'un des guides de démarrage rapide suivants :

  2. Installez un outil pour les développeurs optimisé par l'IA, tel que Antigravity, CLI Gemini, Claude Code ou Codex. Cet outil est nécessaire pour interagir avec Agents CLI.

Configuration

  1. Installez uv, un programme d'installation de packages Python. Pour obtenir des instructions, consultez le guide d'installation d'uv.

  2. Exécutez la commande de configuration d'Agents CLI à l'aide de uvx (inclus dans uv). Il s'agit de la seule commande Agents CLI que vous exécutez directement :

    uvx google-agents-cli setup

  3. Ouvrez votre outil de développement IA, comme Antigravity.

Projet d'échafaudage

Donnez l'instruction suivante à votre outil de développement IA :

Use agents-cli to build an agent that compresses verbose text into concise, caveman-style summaries.

Votre outil de développement IA active les compétences google-agents-cli-workflow et google-agents-cli-scaffold. Il effectue les actions suivantes :

  • Pose des questions de clarification, par exemple sur la cible de déploiement et les contraintes de sécurité.
  • Écrit un fichier DESIGN_SPEC.md décrivant l'objectif de l'agent.

  • Génère le projet :

    agents-cli create caveman-agent --prototype --yes
cd caveman-agent && agents-cli install

Ce processus crée un projet avec un code d'agent récurrent, des tests et des ensembles d'évaluation.

Créer un agent

Votre outil pour les développeurs d'IA modifie app/agent.py, en remplaçant l'agent par défaut par la logique du compresseur de l'homme des cavernes. Il utilise la compétence google-agents-cli-adk-code pour les modèles de conception ADK.

La définition de l'agent obtenue ressemble à ceci :

root_agent = Agent(
   name="caveman_agent",
   model=Gemini(model="gemini-3.5-flash"),
   instruction="""You are a text compressor. Convert verbose input text into short, simple summaries with a caveman-like tone. Rules:
   - Omit articles, filler words, and politeness.
   - Use short sentences and simple words.
   - Preserve technical terms.
   - The tone should be abrupt and funny, but the core meaning must be retained.

   Example input:  "I would like to deploy the application to production environment."
   Example output: "Me deploy. Production. Now."
   """,
)

Votre outil de développement d'IA effectue ensuite un test de fonctionnalité de base :

agents-cli run "Please help me understand the deployment options available for my project"

Voici le résultat attendu de ce test :

"Options de déploiement : Agent Runtime, Cloud Run, GKE. Choisissez un titre sur lequel danser. Ship."

Évaluer l'agent

Pour évaluer l'agent, donnez l'instruction suivante à votre outil pour les développeurs IA :

Write evaluations for the caveman agent and run them.

Votre outil de développement IA active la compétence google-agents-cli-eval et effectue les tâches suivantes :

  • Crée tests/eval/evalsets/caveman.evalset.json avec des scénarios de test couvrant la qualité de la compression, la préservation des termes techniques et le ton.
  • Configure les critères LLM-as-judge dans tests/eval/eval_config.json.

  • Exécute l'évaluation :

    agents-cli eval run

Si des scénarios de test échouent, fournissez des commentaires correctifs à votre outil de développement d'IA. Exemple :

La réponse au test de salutation est trop polie. Rends-le plus brusque.

Votre outil de développement d'IA ajuste les instructions de l'agent, réexécute agents-cli eval run et effectue des itérations jusqu'à ce que la qualité souhaitée soit atteinte.

Déployer l'agent

Pour déployer et exécuter l'agent sur Google Cloud, donnez les instructions suivantes à votre outil de développement IA :

Deploy this agent to Cloud Run.

Votre outil pour les développeurs IA active la compétence google-agents-cli-deploy et :

  • Ajoute la configuration d'infrastructure de déploiement nécessaire :

    agents-cli scaffold enhance --deployment-target cloud_run

  • Déploie l'agent :

    agents-cli deploy

L'agent est maintenant déployé sur Cloud Run. Le résultat inclut l'URL du service, que vous utilisez pour accéder à l'agent.

Observer l'agent

Cloud Trace est activé par défaut. Pour afficher les traces, ouvrez l'explorateur Cloud Trace dans la console Google Cloud et envoyez des requêtes à votre agent déployé. Vous verrez des segments pour les appels de LLM et les exécutions d'outils.

Pour activer une observabilité plus détaillée, donnez les instructions suivantes à votre outil de développement IA :

Set up observability infrastructure for my agent.

Votre outil de développement d'IA provisionne un compte de service, un bucket Cloud Storage et un ensemble de données BigQuery, puis met à jour le service déployé pour utiliser ces ressources. Pour en savoir plus, consultez le guide d'observabilité.

Résumé des actions

Ce tableau récapitule les prompts et les actions correspondantes effectuées par votre outil de développement IA :

Instruction de l'utilisateur Actions de votre outil de développement IA
"Créer un agent de compression de l'homme des cavernes" Il structure le projet, écrit le code de l'agent et le teste localement.
"Écrire des évaluations et les exécuter" Crée un ensemble d'évaluation, configure le LLM en tant que juge et exécute agents-cli eval run.
"Déployer sur Cloud Run" Ajoute la configuration de la cible de déploiement et déploie sur Cloud Run.
"Configurer l'observabilité" Provisionne un compte de service, un bucket Cloud Storage et un ensemble de données BigQuery.

Les compétences Agents CLI fournissent le contexte nécessaire à votre outil de développement d'IA pour utiliser les modèles ADK appropriés, structurer les évaluations et configurer les déploiements.

Étapes suivantes

Explorez des conceptions d'agents plus complexes avec ces prompts :

  • Ajouter des outils : "Intégrez un outil de recherche Google pour que l'agent puisse accéder aux informations actuelles."
  • Systèmes multi-agents : "Créez un agent capable d'interagir avec d'autres agents à l'aide du modèle adk_a2a."
  • RAG : "Crée un agent qui répond aux questions en fonction de notre documentation à l'aide du modèle agentic_rag."

En savoir plus sur Agent Platform :