google-agents-cli-workflow
Создавайте агентов Google ADK с помощью управляемых рабочих процессов
Создание агентов ADK включает множество этапов — скаффолдинг, оценку, развёртывание и мониторинг. Этот навык предоставляет структурированный рабочий процесс, чтобы вы могли правильно разрабатывать агентов с использованием инструментария Google agents-cli, не пропуская критически важные шаги.
Скачать ZIP навыка
Загрузить в Claude
Перейдите в Settings → Capabilities → Skills → Upload skill
Включите и начните использовать
Протестировать
Использование «google-agents-cli-workflow». Я хочу создать агента службы поддержки клиентов, который может проверять статус заказов и создавать тикеты.
Ожидаемый результат:
Перед созданием скаффолда мне нужно уточнить несколько требований: к каким внешним API подключается проверка статуса заказа? Должен ли агент помнить контекст разговора между сессиями? Это прототип или продакшен-развёртывание? Как только вы ответите, я запишу спецификацию в .agents-cli-spec.md и перейду к Фазе 1 (Изучение справочных примеров).
Использование «google-agents-cli-workflow». Запустите agents-cli eval для моего агента.
Ожидаемый результат:
Запускаю рабочий процесс оценки. Сначала активирую навык eval для получения рекомендаций по схеме набора данных и метрикам. Затем запущу agents-cli eval generate для создания трассировок, а после — agents-cli eval grade для оценки относительно вашего eval_config.yaml. Результаты покажут метрики по каждому случаю и кластеры сбоев.
Аудит безопасности
БезопасноThis 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.
Проблемы низкого риска (3)
Факторы риска
⚙️ Внешние команды (17)
🌐 Доступ к сети (6)
📁 Доступ к файловой системе (4)
🔑 Переменные окружения (4)
Оценка качества
Что вы можете построить
Скаффолдинг нового проекта агента ADK
Начните новый проект агента Google ADK с правильной структурой проекта, конфигурацией CI/CD и шаблоном оценки с самого начала.
Развёртывание оценённого агента в продакшен
Переведите агента от локального тестирования через пороги оценки к развёртыванию на Agent Runtime, Cloud Run или GKE с правильной настройкой CI/CD.
Отладка и итерация поведения агента
Используйте систематические шаги отладки, подробный анализ JSON-событий и цикл eval-fix для выявления и исправления проблем поведения агента.
Попробуйте эти промпты
Я хочу создать нового агента с помощью Google ADK. Агент должен помогать пользователям [опишите назначение]. Помогите мне создать скаффолд проекта с помощью agents-cli и проведите через вопросы по требованиям.
Я создал агента по пути [path]. Запустите agents-cli eval, чтобы проверить его поведение. Начните с 1-2 тестовых случаев и повторяйте, пока не будут достигнуты пороги качества.
Мой агент прошёл оценку. Разверните его в Cloud Run с помощью agents-cli deploy. Настройте CI/CD с GitHub Actions и используйте Cloud SQL для хранения сессий.
Мой запуск eval показывает [опишите сбой]. Следуйте систематическому процессу отладки: воспроизведите, локализуйте, исправьте одну вещь, проверьте и добавьте защитный тестовый случай.
Лучшие практики
- Всегда завершайте Фазу 0 (Понимание) и получайте явное одобрение пользователя на .agents-cli-spec.md перед скаффолдингом или написанием кода
- Используйте agents-cli eval для проверки поведения агента — никогда не пишите pytest-тесты, проверяющие содержимое вывода LLM
- Никогда не меняйте конфигурацию модели, если пользователь явно не запросил это — сохраняйте все существующие значения конфигурации при модификациях
Избегать
- Пропуск фазы скаффолдинга для ручной настройки проекта — вы пропустите шаблон eval, конфигурацию CI/CD и проектные соглашения
- Написание pytest-тестов, проверяющих ключевые слова в ответах LLM — они ненадёжны, потому что выводы LLM недетерминированы
- Одновременное изменение нескольких переменных во время отладки — вы не узнаете, какое изменение исправило или сломало проблему