google-agents-cli-workflow
Construire des agents Google ADK avec des workflows guidés
La construction d'agents ADK implique de nombreuses étapes — scaffolding, évaluation, déploiement et surveillance. Cette compétence fournit un workflow structuré afin que vous puissiez développer des agents correctement à l'aide de la boîte à outils agents-cli de Google sans manquer d'étapes critiques.
Télécharger le ZIP du skill
Importer dans Claude
Allez dans Paramètres → Capacités → Skills → Importer un skill
Activez et commencez à utiliser
Tester
Utilisation de "google-agents-cli-workflow". Je veux construire un agent de support client qui peut consulter le statut des commandes et créer des tickets.
Résultat attendu:
Avant de scaffolder, j'ai besoin de clarifier quelques exigences : À quelles API externes la consultation des commandes se connecte-t-elle ? L'agent doit-il se souvenir du contexte de conversation entre les sessions ? S'agit-il d'un prototype ou d'un déploiement en production ? Une fois que vous aurez répondu, j'écrirai la spécification dans .agents-cli-spec.md et je passerai à la Phase 1 (Étudier les exemples de référence).
Utilisation de "google-agents-cli-workflow". Lancez agents-cli eval sur mon agent.
Résultat attendu:
Démarrage du workflow d'évaluation. D'abord, activation de la compétence eval pour les conseils sur le schéma de jeu de données et les métriques. Puis exécution de agents-cli eval generate pour produire des traces, suivie de agents-cli eval grade pour évaluer par rapport à votre eval_config.yaml. Les résultats afficheront les métriques par cas et les clusters d'échecs.
Audit de sécurité
SûrThis skill is pure markdown documentation from Google's official google/agents-cli repository. It contains no executable code — only workflow guidelines, CLI command references, and best practices for ADK agent development. All 229 static findings are false positives: backticks are markdown inline-code formatting (not shell execution), URLs point to official Google documentation, and .env/API-key references are educational discussions about configuration management.
Problèmes à risque faible (3)
Facteurs de risque
⚙️ Commandes externes (17)
🌐 Accès réseau (6)
📁 Accès au système de fichiers (4)
🔑 Variables d’environnement (4)
Score de qualité
Ce que vous pouvez construire
Scaffolder un nouveau projet d'agent ADK
Démarrez un nouveau projet d'agent Google ADK avec la bonne structure de projet, la configuration CI/CD et le boilerplate d'évaluation dès le départ.
Déployer un agent évalué en production
Faites passer un agent des tests locaux à travers les seuils d'évaluation jusqu'au déploiement sur Agent Runtime, Cloud Run ou GKE avec une configuration CI/CD appropriée.
Déboguer et itérer sur le comportement de l'agent
Utilisez des étapes de débogage systématiques, l'inspection verbose des événements JSON et la boucle eval-fix pour identifier et corriger les problèmes de comportement de l'agent.
Essayez ces prompts
Je veux construire un nouvel agent en utilisant l'ADK de Google. L'agent doit aider les utilisateurs à [décrire l'objectif]. Aidez-moi à scaffolder le projet en utilisant agents-cli et guidez-moi à travers les questions sur les exigences.
J'ai construit un agent à [chemin]. Lancez agents-cli eval pour valider son comportement. Commencez par 1-2 cas d'exemple et itérez jusqu'à ce que les seuils de qualité soient atteints.
Mon agent a passé l'évaluation. Déployez-le sur Cloud Run en utilisant agents-cli deploy. Mettez en place la CI/CD avec GitHub Actions et utilisez Cloud SQL pour le stockage des sessions.
Mon exécution d'évaluation montre [décrire l'échec]. Suivez le processus de débogage systématique : reproduire, localiser, corriger une chose, vérifier et ajouter un cas d'évaluation de garde-fou.
Bonnes pratiques
- Complétez toujours la Phase 0 (Comprendre) et obtenez l'approbation explicite de l'utilisateur sur .agents-cli-spec.md avant de scaffolder ou de coder
- Utilisez agents-cli eval pour valider le comportement de l'agent — n'écrivez jamais de tests pytest qui vérifient le contenu de sortie du LLM
- Ne modifiez jamais la configuration du modèle à moins que l'utilisateur ne le demande explicitement — préservez toutes les valeurs de configuration existantes lors des modifications
Éviter
- Sauter la phase de scaffold pour configurer un projet manuellement — vous manquerez le boilerplate d'évaluation, la configuration CI/CD et les conventions du projet
- Écrire des tests pytest qui vérifient des mots-clés dans les réponses du LLM — ils sont instables car les sorties du LLM sont non-déterministes
- Modifier plusieurs variables simultanément pendant le débogage — vous ne saurez pas quel changement a corrigé ou cassé le problème