Créer un agent avec ADK et Agents CLI dans Agent Platform

Ce document explique comment créer, évaluer et déployer un prototype d'agent d'IA à l'aide de l'Agent Development Kit (ADK) avec la CLI Agents dans Agent Platform. ADK est un framework Open Source axé sur le code permettant de créer des agents IA sophistiqués. L'interface de ligne de commande Agents 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 englobe les connaissances d'experts sur ADK, l'évaluation des agents et le déploiement vers Google Cloud, ce qui permet aux outils de développement de l'IA d'effectuer des actions complexes à partir de requêtes en langage naturel.

En utilisant Agents CLI avec votre outil de développement optimisé par l'IA préféré, tel que Gemini CLI, Claude Code ou Codex, vous pouvez utiliser des invites en langage naturel pour définir, tester en local et déployer un agent prototype dans un environnement d'exécutionGoogle Cloud .

Ce tutoriel vous guide tout au long de la création d'un agent "compresseur de l'homme des cavernes", qui transforme un texte verbeux en résumés concis, inspiré de caveman.

Avant de commencer

Remplissez les conditions préalables suivantes :

  1. Assurez-vous d'avoir 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 de développement basé sur l'IA, tel que Antigravity, Gemini CLI, 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 de uv.

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

    uvx google-agents-cli setup

  3. Ouvrez votre outil de développement d'IA, tel qu'Antigravity.

Projet de scaffold

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

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

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

  • Pose des questions de clarification, comme sa cible de déploiement et ses contraintes de sécurité.
  • Écrit un fichier DESIGN_SPEC.md qui décrit l'objectif de l'agent.

  • Génère la structure du projet :

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

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

Créer un agent

Votre outil de développement 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 obtenu ressemble à ce qui suit :

root_agent = Agent(
   name="caveman_agent",
   model=Gemini(model="gemini-flash-latest"),
   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 : environnement d'exécution de l'agent, Cloud Run, GKE. Choisissez-en une. Ship.”

Évaluer l'agent

Pour évaluer l'agent, donnez à votre outil de développement d'IA l'instruction suivante :

Write evaluations for the caveman agent and run them.

Votre outil de développement de l'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 cas 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 itère 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 d'IA :

Deploy this agent to Cloud Run.

Votre outil de développement d'IA active la skill google-agents-cli-deploy et :

  • Ajoutez la configuration de l'infrastructure de déploiement nécessaire :

    agents-cli scaffold enhance --deployment-target cloud_run

  • Déploie l'agent :

    agents-cli deploy

L'agent est désormais 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 spans pour les appels LLM et les exécutions d'outils.

Pour activer une observabilité plus détaillée, indiquez à votre outil de développement d'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, et met à jour le service déployé pour utiliser ces ressources. Pour en savoir plus, consultez le Guide sur l'observabilité.

Résumé des actions

Ce tableau récapitule les requêtes et les actions correspondantes effectuées par votre outil de développement d'IA :

Instructions destinées aux utilisateurs Actions de votre outil de développement IA
"Crée un agent de compression homme des cavernes" Échafaude le projet, écrit le code de l'agent et le teste en local.
"Écrire et exécuter des évaluations" Crée un ensemble d'évaluation, configure LLM-as-judge 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 le compte de service, le bucket Cloud Storage et l'ensemble de données BigQuery.

Les compétences de la CLI Agents 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 : "Intègre un outil de recherche Google pour que l'agent puisse accéder aux informations actuelles."
  • Systèmes multi-agents : "Crée 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 se basant sur notre documentation à l'aide du modèle agentic_rag."

En savoir plus sur Agent Platform :