上周我刷 GitHub Trending 的时候看到一个仓库两天涨了 3000 star名字叫google/agents-cli。说实话第一反应是——Google 又来整活了Gemini CLI 刚刚宣布个人账号停服、过渡到 Antigravity CLI这会儿又推个新的 CLI点进去看完 README我愣了一下这玩意不是编程助手它是给编程助手「装技能」的。什么意思你用 Claude Code 写代码它帮你写。但如果你要开发一个 AI Agent——从脚手架搭建、到代码生成、到评估测试、到云端部署——Claude Code 默认不具备这些能力。agents-cli 就是往 Claude Code或者 Gemini CLI、Codex里塞了 7 个 Skill让它瞬间变成 Agent 开发专家。我花了一个周末把 7 个 Skill 全部实测了一遍这篇文章是我的完整体验报告。先搞清楚这东西不是竞争关系很多人看到标题会误以为Google 出了个 CLI 工具要跟 Claude Code 抢市场。不是的。打个比方Claude Code 是一把锤子agents-cli 是一套电动螺丝头。你把螺丝头装上去锤子就变成了电动螺丝刀。螺丝头本身不能独立工作它需要一个宿主。看 GitHub README 里的兼容列表就清楚了支持的宿主Host: - Gemini CLI - Claude Code - Codex (OpenAI) - Antigravity CLI它不挑宿主。不管是 Google 自家的还是 Anthropic、OpenAI 的编程助手只要支持 Skill 协议都能装。那问题来了它到底往宿主里塞了什么7 个 Skill 的全景拆解agents-cli v0.5.12026-06-22 刚发布一共提供 7 个 Skill。我按使用顺序把它们分成三个层次开发层日常高频使用Skill一句话说清楚实际感受scaffold生成 Agent 项目脚手架模板质量高开箱即用adk-code生成符合 ADK 规范的 Agent 代码核心中的核心后面重点拆workflow定义多 Agent 协作工作流概念好但文档不够清晰验证层开发中期使用Skill一句话说清楚实际感受eval对 Agent 进行自动化评估测试命令第一次跑直接报错需要手动修配置publish发布 Agent 到 Agent Garden还行但 Agent Garden 生态还很早期运维层最后才用Skill一句话说清楚实际感受deploy部署到 Google Cloud Run需要 GCP 账号纯本地开发暂时用不到observabilityAgent 运行时监控和日志同上和 deploy 捆绑的先别急着装我一个一个拆给你看到底哪些值得现在就用。adk-code最核心的 Skill也是设计最巧的这 7 个 Skill 里adk-code是我用得最多、也觉得设计得最巧妙的一个。它的作用你用自然语言描述你要什么 Agent它帮你生成符合 Google ADKAgent Development Kit规范的代码。但关键不在「生成代码」——Claude Code 本身就能生成代码。关键在「符合 ADK 规范」。什么是 ADK 规范看一个最小 Agent 的结构# my_agent/agent.py from google.adk import Agent from google.adk.models.lite_llm import LiteLlm root_agent Agent( nameweather_agent, modelLiteLlm(modelanthropic/claude-sonnet-4-20250514), description查询天气信息的 Agent, instruction你是一个天气查询助手使用提供的工具获取天气数据。, tools[get_weather], )就这几行对就这几行。但这个结构背后的设计决策很重要1.model字段支持 LiteLlm 中间层。这意味着你可以用 Claude Sonnet 跑、也可以换 Gemini Flash 跑甚至同一套代码在不同环境用不同模型。Google 没有把自己绑死在 Gemini 上。2.tools字段是标准 Python 函数列表。不是特殊格式、不是装饰器魔法就是一个普通函数。ADK 框架通过类型提示和 docstring 自动提取工具描述。3.instruction和description分开。instruction是给模型看的系统提示description是给其他 Agent 看的能力描述。这个分离在多 Agent 协作时特别关键——外层编排 Agent 通过description决定把任务分给谁。adk-codeSkill 的作用就是你说「我要一个能查天气、能订机票的 Agent」它帮你生成完整项目包括 agent.py、tools/ 目录、配置文件全按上面的规范来。说实话如果你之前用过 ADK 手动搭 Agent你就会明白这个 Skill 的价值。ADK 的初始化配置挺繁琐的——pyproject.toml、init.py 的导出、工具函数的签名要求少一步都会报莫名其妙的错误。adk-code全帮你包好了。scaffold脚手架工具但不是你想的那种scaffold看名字像是一个简单的项目生成器类似npx create-react-app。但它比一般的脚手架聪明在哪# 用法在 Claude Code 里直接说 # 帮我创建一个多 Agent 协作的旅行规划 Agent # Claude Code 会调用 scaffold Skill它生成的不只是文件而是一个可运行的多 Agent 拓扑。比如你说「旅行规划 Agent」它不会给你一个单 Agent 加一堆工具函数的平铺结构而是给你travel_agent/ ├── agent.py # 根 Agent路由器 ├── sub_agents/ │ ├── flight_agent.py # 订机票子 Agent │ ├── hotel_agent.py # 订酒店子 Agent │ └── weather_agent.py # 查天气子 Agent ├── tools/ │ ├── flight_api.py │ ├── hotel_api.py │ └── weather_api.py ├── .env # API keys └── pyproject.toml注意它默认就用了 sub_agents 结构。这不是偶然——ADK 的设计哲学就是「一个 Agent 做一件事」通过 Root Agent 做编排。这和我自己在 Claude Code 里搭多 Agent 系统的思路完全一致。但我必须吐槽scaffold目前内置的模板种类太少了。我试了 5 个不同需求其中 3 个生成出来的结构几乎一样。它更像是一个「单模板脚手架 需求解析」的组合而不是有丰富模板库的 Yeoman 那种。现在值得装吗装。虽然模板单一但它生成的结构是符合 ADK 最佳实践的比你从零手写靠谱。workflow多 Agent 编排概念先行细节待打磨workflow是 7 个 Skill 里概念最超前、但落地最粗糙的一个。它解决的问题当你有多个 Agent比如上面旅行规划那个flight_agent hotel_agent weather_agent怎么定义它们之间的协作关系ADK 提供了几种内置的编排模式# 模式一Sequential串行 # 天气查询 → 根据天气选航班 → 根据航班订酒店 # 模式二Parallel并行 # 同时查航班和酒店合并结果 # 模式三Loop循环 # 反复优化行程方案直到用户满意workflowSkill 的作用就是让你用自然语言描述这些编排关系然后它帮你转换成 ADK 的代码结构。听起来很美好但我实测的时候遇到了一个明显问题它对中文描述的理解不太稳定。同样的需求用英文描述生成的 workflow 比用中文描述的质量高一截。我猜训练数据里英文 workflow 描述远多于中文。而且目前workflow只支持简单的 DAG有向无环图编排对有条件分支的复杂场景比如「如果天气不好就取消旅行」这种带条件判断的支持还不到位。现在值得装吗可以装但别指望它能搞定复杂场景。简单的工作流定义用它省时间复杂的还是自己手写更靠谱。eval第一次跑就报错的评估工具到了验证层。eval是让我又爱又恨的一个 Skill。它设计得确实好——用 Python 代码定义评估用例自动跑完给评分# 评估脚本示例简写 from google.adk.evaluation import AgentEvaluator eval_suite AgentEvaluator( agentweather_agent, test_cases[ { input: 北京明天天气怎么样, expected_tools: [get_weather], expected_contains: 北京, }, ], ) results eval_suite.run() print(results.summary()) # pass_rate: 1.0这比我自己写 pytest 来测 Agent 输出靠谱多了。它不只检查最终回答还检查中间步骤——调用了哪些工具、工具参数对不对、有没有幻觉。但坑来了我第一次跑eval命令直接报错。报错信息大概意思是evaluation module not found。翻了 GitHub Issues 才发现v0.5.1 的 eval 模块有个依赖冲突需要手动安装google-adk[eval]额外依赖。README 里没写这一步得自己去翻 Issues。修好之后倒是能跑了而且效果确实不错。它内置了几种评估指标Tool Usage Accuracy工具调用是否正确Response Relevance回答是否切题Hallucination Score幻觉检测这个最实用说实话光冲这个幻觉检测能力eval 就值得装。自己写一套幻觉检测逻辑太痛苦了。现在值得装吗装但做好心理准备——首次配置需要折腾。publish 和 deploy生态早期可以再等等这两个 Skill 简单说一下publish是把你的 Agent 发布到 Google 的 Agent Garden类似 Agent 应用商店。我试了一下发布流程倒是通畅但 Agent Garden 里的 Agent 数量还很少更像是个概念验证阶段。你发布了也没什么人用。deploy是部署到 Google Cloud Run。这个需要 GCP 账号和 billing 设置。如果你本来就在用 GCP那挺方便的——一条命令把本地 Agent 变成 API 端点。如果你没有 GCP 账号专门为此注册一个就不值了。# deploy 的使用方式需要 GCP 项目 # 在 Claude Code 里说把当前 Agent 部署到 Cloud Run # 它会自动处理 Dockerfile 生成、构建、推送、部署现在值得装吗纯本地开发的话这两个先不装也不影响什么。等你要上生产了再补。装之前你要知道的三件事安装方式# 方式一uvx推荐如果你有 Python 环境 uvx google-agents-cli setup # 方式二npx推荐 Node.js 用户 npx skills add google/agents-cli安装完之后它会自动检测你当前环境里有哪些编程助手Claude Code / Gemini CLI / Codex然后在对应目录下写入 Skill 配置文件。整个过程不到 30 秒。API Key 的问题agents-cli 本身不需要 API Key——它只是往你的编程助手里装 Skill。但 Skill 生成的 Agent 代码要跑起来需要模型 API Key。Google 提供了 AI Studio 的免费 API Key日常开发够用# 免费方案Google AI Studio不需要 GCP 账号 export GOOGLE_API_KEYyour-aistudio-key # 付费方案Google Cloud Vertex AI生产用 export GOOGLE_CLOUD_PROJECTyour-project我用 Claude Code 测试的时候直接用的 Anthropic API Key——ADK 的 LiteLlm 层支持直接走 Anthropic 的 API不需要经过 Google。国内访问安装本身没有墙GitHub 直接拉。但 Skill 里部分命令特别是deploy和publish需要访问 Google Cloud API这个你懂的。本地开发、代码生成、评估测试这些功能不受影响。agents-cli vs 直接用 ADK效率差多少这是我在测试过程中最想回答的问题。结论对于新手agents-cli 能把入门时间从 2 天压缩到 2 小时。对于老手提升大约 30%。对比一下维度直接用 ADKagents-cli Claude Code环境搭建手动创建 pyproject.toml、目录结构scaffold 一键生成写 Agent 代码查文档、看示例、手写adk-code 自然语言描述生成多 Agent 编排手动实现编排逻辑workflow 生成简单场景测试自己写 pytesteval 内置评估框架学习曲线2-3 天2-3 小时老手用 agents-cli 主要省在脚手架和评估上——这两个环节用 ADK 手动做太琐碎了。代码生成部分对老手帮助有限因为老手本来就知道 ADK 的结构长什么样。但对新手来说最大的价值是消除了「不知道规范长什么样」的障碍。你不需要先读完 ADK 文档再动手直接说需求它帮你生成符合规范的代码你再读代码学规范。这是典型的「做中学」。FAQ你可能想问的几个问题Q1我用 Cursor 不用 Claude Code能装吗Cursor 目前不在官方支持列表里。不过理论上如果 Cursor 支持类似 Skill/Extension 的机制应该也能接入。目前官方明确支持的是 Gemini CLI、Claude Code、Codex 和 Antigravity CLI。Q2装了 agents-cli 会影响我现有的 Claude Code 配置吗不会。它只是在 Skill 目录下加了几个新 Skill 文件不修改任何已有配置。不想要了手动删掉就行。Q3ADK 和 LangChain / CrewAI 比怎么样这是另一个话题了简单说ADK 是 Google 官方的和 Google Cloud 生态集成最深Agent Garden、Cloud Run、Vertex AI。LangChain 生态最大、社区最活跃。CrewAI 在多 Agent 协作方面概念最先进。三个没有绝对优劣选哪个取决于你的部署环境。Q4agents-cli 的更新频率怎么样非常活跃。项目 2026 年 4 月 8 日创建到现在两个多月版本号已经到 v0.5.1最新一版是昨天6 月 22 日发的。3000 多 starGoogle 内部有人在维护。我的建议如果你是 Claude Code 的日常用户又对 AI Agent 开发感兴趣——装。adk-codescaffoldeval这三个 Skill 组合起来能把你的 Claude Code 从「写代码的助手」变成「帮你搭 Agent 系统的搭档」。workflow、publish、deploy、observability这四个可以观望等社区案例多起来了再上。说实话Google 在 CLI 工具上的品味一直不错。从 gcloud CLI 到 Firebase CLI 再到现在的 agents-cli那种「一行命令搞定一件事」的设计哲学一脉相承。这次往 Claude Code 里塞 Skill 的思路也挺巧妙——不造轮子造零件。唯一让我担心的是Gemini CLI 个人账号停服、过渡到 Antigravity CLI 这件事说明 Google 内部对 CLI 产品的定位还在调整中。agents-cli 作为配套工具它的长期路线图会跟着 Google 的 Agent 生态走。如果 Google 某天调整了 ADK 的方向这些 Skill 的维护质量也会受影响。不过话说回来3000 star 的工具就算 Google 放弃了社区也会 fork 继续维护。先把好用的 Skill 装上用着走一步看一步。 配套实战手册文中涉及的 ADK Agent 项目模板 eval 评估脚本模板已整理成完整可运行代码包含 3 个踩坑场景的解决方案