为什么你的 AI Agent 项目总是烂尾agents-cli 8 阶段生命周期全解析【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大多数 AI Agent 项目为什么会卡死在 demo 阶段、最终不了了之答案往往不是模型能力而是缺少一条完整的生产化闭环。本文用agents-cli——一套把编码助手变成Agent 生产线专家的开源命令行工具 技能包——完整拆解它的 8 阶段生命周期从规格、脚手架、评测、部署到观测帮你把 AI Agent 项目真正跑上生产而不是烂尾在笔记本里。 烂尾的 4 个典型征兆想象一个已经上线一周的故障恢复 Agent它 4.3 秒完成了排查。真正救命的不是 Agent 本身——大多数框架都能写出它——而是它周围的一切不允许它给出危险建议的评测规则、能抓住 runbook 检索错误的 CI 检查、可以让事故完整重放的 trace。没有这条闭环时AI Agent 项目的翻车现场通常长这样场景没有闭环有 agents-cli 闭环幻觉式修复建议被客户事后发现评测规则在合并前直接拦截 PR工具 API 悄悄变了凌晨 2 点报警Agent 静默损坏CI 集成测试捕捉 schema 漂移生产环境被滥用无重放、无遥测Cloud Trace BigQuery 一小时内现形话痨工具推高成本下个月的账单才是告警按工具的 span 统计几小时内定位循环agents-cli 的核心主张只有一句话笔记本里看起来不错和生产环境稳定运行之间需要一条可持续运转的循环。 agents-cli 是什么给编码助手的技能包agents-cli 不是编码 Agent 本身而是服务于编码 Agent 的工具它提供 CLI 命令和技能skills让 Antigravity CLI、Claude Code、Codex 等任何编码助手都学会在 Google Cloud 上创建、评测和部署 AI Agent。你负责说需求它负责在正确的阶段选正确的命令。技能助手学会的能力google-agents-cli-workflow开发生命周期总控、代码保护规则、模型选择google-agents-cli-adk-codeADK Python APIAgent、工具、编排、状态google-agents-cli-scaffold项目脚手架创建、增强、升级google-agents-cli-eval评测方法论指标、数据集、LLM 评委google-agents-cli-deploy部署到 Agent Runtime / Cloud Run / GKE、CI/CDgoogle-agents-cli-observabilityCloud Trace、日志、第三方集成每条命令也可以脱离编码助手单独使用——CLI 本身完全独立可用。️ 8 阶段生命周期全景图把这条循环慢慢展开就是 8 个阶段。每个阶段都对应一个技能确保你的编码助手在每个节点都给出专家级的答案agents-cli 所依托的 Google Cloud Agent 全栈评测、LLM、编排、部署、数据与可观测性#阶段做什么核心命令0Spec 规格写一份.agents-cli-spec.md后续阶段都从它派生—1Scaffold 脚手架一条命令生成生产级项目约 72 个文件agents-cli scaffold create2Build 构建写 Agent 主体模型、指令、工具、App—3Orchestrate 编排单 Agent 长成团队时拆分专家角色—4Evaluate 评测每次部署前用数据集打分agents-cli eval run5Deploy 部署发布到 Agent Runtime、Cloud Run 或 GKEagents-cli deploy6Publish 发布注册到 Gemini Enterprise让其他 Agent 能找到它agents-cli publish7Observe 观测Cloud Trace BigQuery 分析反哺明天的评测集—四个核心动词scaffold、eval、deploy、observe 永动循环你写规格循环拦住该拦的、放行该放的并告诉你接下来发生了什么。阶段 0 · Spec先写规则再写代码规格文件只有一屏长声明 Agent 能用的工具、约束条件比如永远引用 runbook 章节和成功标准比如≥80% 事故诊断根因正确。脚手架参数、评测规则、安全护栏、生产要盯的 trace 属性全部从这一屏派生。跳过规格直接写代码是项目烂尾的第一个信号。阶段 1 · Scaffold一条命令生成 72 个文件的生产级项目scaffold create把规格变成完整项目Agent 代码、测试、评测样板、Terraform、GitHub Actions 工作流、部署清单。每个开关都有意义——不需要 CI/CD 或 BigQuery 分析就跳过对应文件脚手架随之裁剪。完整模板说明见 templates.md脚手架实现入口在 cmd_scaffold_group.py。阶段 2 · BuildAgent 主体只有 4 样东西模型、指令、工具列表、一个App包装——有效代码通常不到 30 行真正的工作发生在工具里。模型也不锁死默认 Gemini换成 Model Garden 支持的任意厂商即可生命周期其余部分行为不变。阶段 3 · Orchestrate让单 Agent 长成团队问题变大后一个 Agent 会裂变成一个编排者 几个专家。拆分的好处会体现在评测、部署和观测里提示词更小更可靠、每个 Agent 可单独加护栏、trace 能精确指出是哪个子 Agent 走歪了。需要跨进程或调用别人家的 Agent 时A2A 协议已内置于每个 ADK Agent开箱即通。阶段 4 · Evaluate90% 的 Agent demo 跳过这一步这是烂尾重灾区。eval run会拿数据集跑真实 Agent让 LLM 评委按规则给每条回复打分给你一个可以拿去辩护的数字。官方预期你要跑 5~10 轮以上评测—修复循环分数过线才放行部署。还有整套配套武器eval dataset synthesize冷启动多轮场景、eval compare对比两次结果、eval analyze聚类失败模式、eval optimize用评测数据自动调优提示词。方法论详见 evaluation.md 与 SKILL.md。阶段 5 · Deploy三个目的地一条命令同一份 Agent 代码可以落在三个地方Agent Runtime托管 Agent 运行时、Cloud Run 或 GKE。deploy按脚手架时选定的目标自动分派agents-cli deploy --dry-run # 先预览流水线 agents-cli deploy # 正式发布部署不等于裸奔——每个目标都继承了生产原语独立服务账号--agent-identityAgent 用自己的 GCP 身份运行评测规则拦不住的破坏性操作IAM 直接让它没权限IAP--iap把内部 Agent 挡在 Google Workspace SSO 后面不再暴露公网工作负载身份联合CI 用 WIF 认证仓库里不落任何服务账号密钥。CI/CD 侧则是PR 触发检查 → 合并触发 Staging → 人工审批后上生产的标准流水线PR 检查、Staging 部署、生产发布三段式流水线全部由脚手架预生成部署命令的实现入口在 cmd_deploy.py各目标完整走查见 deployment.md。阶段 6 · Publish让 Agent 被找到部署只是给了 Agent 一个 URL发布才是把它登记进 Gemini Enterprise 目录让其他 Agent 和人真正发现它。支持两种注册模式ADK发布已部署的 Agent Runtime 实例和 A2A发布任意框架的 A2A 兼容端点。阶段 7 · Observe用生产数据喂明天的评测Agent 上线后每次调用都会产生 Cloud Trace span——每个工具调用、每次模型生成、每个子 Agent 交接都可见。观测的价值在于抓住评测没覆盖到的回归、话痨工具的成本飙升、绕过安全提示的用法。开启--bq-analytics后所有 prompt 和响应还会写入 BigQuery 做离线分析Agent 遥测分流到 Cloud Trace 与 BigQuery生产流量持续回流为明天的评测集最妙的是数据闭环生产流量变成明天的评测集评测分数被持续重算——回归在几天内暴露而不是几个月后。详见 observability/index.md。 两种驱动方式三步上手方式一推荐直接对编码助手说人话。助手会读技能、按阶段选命令写规格 → 脚手架 → 写 Agent 与工具 → 造评测用例 →eval run循环到分数过线 →deploy→ 接好 trace 和 analytics把 URL 交给你。方式二手动敲 CLI。scaffold create→playground本地调试 →eval run循环 →deploy --dry-run→deploy→ 可选publish gemini-enterprise。完整手动教程见 hands-on-tutorial.md。上手只需三步安装uvx google-agents-cli setup前置Python 3.11、uv、Node.js打开你的编码助手对它说用 agents-cli 帮我做一个 XX Agent写在最后AI Agent 项目烂尾很少是因为模型不行而是规格缺失、评测缺席、部署裸奔、上线失明四件套叠加。agents-cli 的价值在于把这 8 个阶段的全部最佳实践编码成命令和技能——你只需要负责说清楚要什么循环负责把它变成可辩护、可重放、可持续改进的生产系统。核心参考文档lifecycle.md生命周期总地图、skills 技能目录、getting-started.md。【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 为什么你的 AI Agent 项目总是烂尾？agents-cli 8 阶段生命周期全解析
为什么你的 AI Agent 项目总是烂尾agents-cli 8 阶段生命周期全解析【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大多数 AI Agent 项目为什么会卡死在 demo 阶段、最终不了了之答案往往不是模型能力而是缺少一条完整的生产化闭环。本文用agents-cli——一套把编码助手变成Agent 生产线专家的开源命令行工具 技能包——完整拆解它的 8 阶段生命周期从规格、脚手架、评测、部署到观测帮你把 AI Agent 项目真正跑上生产而不是烂尾在笔记本里。 烂尾的 4 个典型征兆想象一个已经上线一周的故障恢复 Agent它 4.3 秒完成了排查。真正救命的不是 Agent 本身——大多数框架都能写出它——而是它周围的一切不允许它给出危险建议的评测规则、能抓住 runbook 检索错误的 CI 检查、可以让事故完整重放的 trace。没有这条闭环时AI Agent 项目的翻车现场通常长这样场景没有闭环有 agents-cli 闭环幻觉式修复建议被客户事后发现评测规则在合并前直接拦截 PR工具 API 悄悄变了凌晨 2 点报警Agent 静默损坏CI 集成测试捕捉 schema 漂移生产环境被滥用无重放、无遥测Cloud Trace BigQuery 一小时内现形话痨工具推高成本下个月的账单才是告警按工具的 span 统计几小时内定位循环agents-cli 的核心主张只有一句话笔记本里看起来不错和生产环境稳定运行之间需要一条可持续运转的循环。 agents-cli 是什么给编码助手的技能包agents-cli 不是编码 Agent 本身而是服务于编码 Agent 的工具它提供 CLI 命令和技能skills让 Antigravity CLI、Claude Code、Codex 等任何编码助手都学会在 Google Cloud 上创建、评测和部署 AI Agent。你负责说需求它负责在正确的阶段选正确的命令。技能助手学会的能力google-agents-cli-workflow开发生命周期总控、代码保护规则、模型选择google-agents-cli-adk-codeADK Python APIAgent、工具、编排、状态google-agents-cli-scaffold项目脚手架创建、增强、升级google-agents-cli-eval评测方法论指标、数据集、LLM 评委google-agents-cli-deploy部署到 Agent Runtime / Cloud Run / GKE、CI/CDgoogle-agents-cli-observabilityCloud Trace、日志、第三方集成每条命令也可以脱离编码助手单独使用——CLI 本身完全独立可用。️ 8 阶段生命周期全景图把这条循环慢慢展开就是 8 个阶段。每个阶段都对应一个技能确保你的编码助手在每个节点都给出专家级的答案agents-cli 所依托的 Google Cloud Agent 全栈评测、LLM、编排、部署、数据与可观测性#阶段做什么核心命令0Spec 规格写一份.agents-cli-spec.md后续阶段都从它派生—1Scaffold 脚手架一条命令生成生产级项目约 72 个文件agents-cli scaffold create2Build 构建写 Agent 主体模型、指令、工具、App—3Orchestrate 编排单 Agent 长成团队时拆分专家角色—4Evaluate 评测每次部署前用数据集打分agents-cli eval run5Deploy 部署发布到 Agent Runtime、Cloud Run 或 GKEagents-cli deploy6Publish 发布注册到 Gemini Enterprise让其他 Agent 能找到它agents-cli publish7Observe 观测Cloud Trace BigQuery 分析反哺明天的评测集—四个核心动词scaffold、eval、deploy、observe 永动循环你写规格循环拦住该拦的、放行该放的并告诉你接下来发生了什么。阶段 0 · Spec先写规则再写代码规格文件只有一屏长声明 Agent 能用的工具、约束条件比如永远引用 runbook 章节和成功标准比如≥80% 事故诊断根因正确。脚手架参数、评测规则、安全护栏、生产要盯的 trace 属性全部从这一屏派生。跳过规格直接写代码是项目烂尾的第一个信号。阶段 1 · Scaffold一条命令生成 72 个文件的生产级项目scaffold create把规格变成完整项目Agent 代码、测试、评测样板、Terraform、GitHub Actions 工作流、部署清单。每个开关都有意义——不需要 CI/CD 或 BigQuery 分析就跳过对应文件脚手架随之裁剪。完整模板说明见 templates.md脚手架实现入口在 cmd_scaffold_group.py。阶段 2 · BuildAgent 主体只有 4 样东西模型、指令、工具列表、一个App包装——有效代码通常不到 30 行真正的工作发生在工具里。模型也不锁死默认 Gemini换成 Model Garden 支持的任意厂商即可生命周期其余部分行为不变。阶段 3 · Orchestrate让单 Agent 长成团队问题变大后一个 Agent 会裂变成一个编排者 几个专家。拆分的好处会体现在评测、部署和观测里提示词更小更可靠、每个 Agent 可单独加护栏、trace 能精确指出是哪个子 Agent 走歪了。需要跨进程或调用别人家的 Agent 时A2A 协议已内置于每个 ADK Agent开箱即通。阶段 4 · Evaluate90% 的 Agent demo 跳过这一步这是烂尾重灾区。eval run会拿数据集跑真实 Agent让 LLM 评委按规则给每条回复打分给你一个可以拿去辩护的数字。官方预期你要跑 5~10 轮以上评测—修复循环分数过线才放行部署。还有整套配套武器eval dataset synthesize冷启动多轮场景、eval compare对比两次结果、eval analyze聚类失败模式、eval optimize用评测数据自动调优提示词。方法论详见 evaluation.md 与 SKILL.md。阶段 5 · Deploy三个目的地一条命令同一份 Agent 代码可以落在三个地方Agent Runtime托管 Agent 运行时、Cloud Run 或 GKE。deploy按脚手架时选定的目标自动分派agents-cli deploy --dry-run # 先预览流水线 agents-cli deploy # 正式发布部署不等于裸奔——每个目标都继承了生产原语独立服务账号--agent-identityAgent 用自己的 GCP 身份运行评测规则拦不住的破坏性操作IAM 直接让它没权限IAP--iap把内部 Agent 挡在 Google Workspace SSO 后面不再暴露公网工作负载身份联合CI 用 WIF 认证仓库里不落任何服务账号密钥。CI/CD 侧则是PR 触发检查 → 合并触发 Staging → 人工审批后上生产的标准流水线PR 检查、Staging 部署、生产发布三段式流水线全部由脚手架预生成部署命令的实现入口在 cmd_deploy.py各目标完整走查见 deployment.md。阶段 6 · Publish让 Agent 被找到部署只是给了 Agent 一个 URL发布才是把它登记进 Gemini Enterprise 目录让其他 Agent 和人真正发现它。支持两种注册模式ADK发布已部署的 Agent Runtime 实例和 A2A发布任意框架的 A2A 兼容端点。阶段 7 · Observe用生产数据喂明天的评测Agent 上线后每次调用都会产生 Cloud Trace span——每个工具调用、每次模型生成、每个子 Agent 交接都可见。观测的价值在于抓住评测没覆盖到的回归、话痨工具的成本飙升、绕过安全提示的用法。开启--bq-analytics后所有 prompt 和响应还会写入 BigQuery 做离线分析Agent 遥测分流到 Cloud Trace 与 BigQuery生产流量持续回流为明天的评测集最妙的是数据闭环生产流量变成明天的评测集评测分数被持续重算——回归在几天内暴露而不是几个月后。详见 observability/index.md。 两种驱动方式三步上手方式一推荐直接对编码助手说人话。助手会读技能、按阶段选命令写规格 → 脚手架 → 写 Agent 与工具 → 造评测用例 →eval run循环到分数过线 →deploy→ 接好 trace 和 analytics把 URL 交给你。方式二手动敲 CLI。scaffold create→playground本地调试 →eval run循环 →deploy --dry-run→deploy→ 可选publish gemini-enterprise。完整手动教程见 hands-on-tutorial.md。上手只需三步安装uvx google-agents-cli setup前置Python 3.11、uv、Node.js打开你的编码助手对它说用 agents-cli 帮我做一个 XX Agent写在最后AI Agent 项目烂尾很少是因为模型不行而是规格缺失、评测缺席、部署裸奔、上线失明四件套叠加。agents-cli 的价值在于把这 8 个阶段的全部最佳实践编码成命令和技能——你只需要负责说清楚要什么循环负责把它变成可辩护、可重放、可持续改进的生产系统。核心参考文档lifecycle.md生命周期总地图、skills 技能目录、getting-started.md。【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