google-agents-cli-workflow

google-agents-cli-workflow — официальный workflow для Google Agents CLI, который связывает понимание задачи, изучение рецептов, создание проекта, разработку, eval, деплой, публикацию и наблюдаемость. Toolkit предназначен для сборки, проверки и запуска AI-агентов в Google Cloud, работает с coding agents вроде Antigravity CLI, Claude Code и Codex и по умолчанию опирается на Agent Development Kit (ADK). В исходной инструкции указана установка через uvx google-agents-cli setup и требуемая совместимая версия google-agents-cli ~= 1.3.1; текущую конфигурацию и команды следует проверять через agents-cli info и agents-cli --help. Workflow начинается с непрерывности контекста. Перед каждой фазой нужно снова прочитать релевантный skill, потому что предыдущие детали могли исчезнуть после сокращения контекста. Если в каталоге есть .agents-cli-spec.md, он считается главным источником требований. Фаза 0 посвящена пониманию задачи через короткий design dialogue, а не механическому чек-листу. Нужно выяснить назначение агента, внешние API и данные, ограничения безопасности и предпочтение по деплою. Для простого агента достаточно нескольких вопросов и короткой спецификации; для сложного нужны все существенные решения. До согласования спецификации нельзя переходить к scaffold или коду. На фазе 1 сначала изучаются reference recipes. Инструкция отдельно требует загрузить google-agents-cli-adk-code и посмотреть его topic index в references/samples.md, если проекту нужны retrieval, sandboxed execution, память между сессиями, OAuth, approval gates, moderation, планирование, делегация sub-agents, A2A, события, онлайн-исследование или генерация медиа. Идея в том, чтобы взять проверенный рецепт, а не заново проектировать уже описанный capability. После выбора дизайна спецификация записывается по шаблону, проходит самопроверку и только затем используется для следующей фазы. Фаза 2 проверяет существующий проект командой agents-cli info. Если проекта нет, используется agents-cli scaffold create <name>; существующий код можно усилить через agents-cli scaffold enhance .. Для scaffold и дальнейшего кода предусмотрены отдельные skills. На фазе 3 сначала реализуется логика агента в согласованной директории, затем выполняется быстрый smoke test через agents-cli run "prompt". Для интерактивной проверки предлагается agents-cli playground. Поведенческие pytest-проверки для текста LLM инструкция запрещает: быстрый run нужен для итерации, а качество поведения проверяется eval. Фаза 4 — обязательная оценка поведения end-to-end. Перед ней нужно активировать eval skill, начать с одного-двух примеров, запустить agents-cli eval run либо раздельные generate и grade, затем исправлять сначала основные случаи и добавлять edge cases после них. uv run pytest проверяет корректность кода и типовые контракты, но не качество ответа агента; agents-cli eval оценивает поведение, инструменты, последовательность действий и соблюдение требований. Поэтому прохождение одного smoke prompt не заменяет eval. После достижения согласованных порогов начинается фаза 5: проверяется deployment target через agents-cli info, при необходимости добавляется его поддержка через scaffold enhance, затем вызывается agents-cli deploy. Деплой никогда не выполняется без явного одобрения человека. Фаза 6 — необязательная регистрация в Gemini Enterprise через publish workflow. Фаза 7 посвящена наблюдаемости: Cloud Trace, журналированию prompt-response, BigQuery Analytics и другим интеграциям подключаются после деплоя. Операционные правила требуют сохранять существующий код и конфигурацию, не менять модель без явного запроса, запускать Python через uv, а при ошибке воспроизводить точную команду, локализовать причину, менять одну вещь и повторно проверять результат.