Как научить своего ИИ-помощника строить агентов для Google Cloud

Знаете это странное чувство, когда просишь ChatGPT или Claude написать код для управления облачной инфраструктурой, а они начинают галлюцинировать параметрами, которых нет в природе? Или выдают код, который устарел еще до того, как вы его скопировали. Даже самые умные LLM часто пасуют перед специфическими SDK и сложными пайплайнами развертывания.

Недавно наткнулся на проект от Google под названием agents-cli. На первый взгляд это обычная консольная утилита, но задумка там гораздо хитрее. Разработчики решили не просто дать нам очередной инструмент, а создать набор «навыков» для ваших привычных кодинг-ассистентов (вроде Claude Code или Gemini CLI), чтобы те перестали ошибаться в архитектуре агентов на платформе Gemini Enterprise.

Что это вообще такое

Если коротко, agents-cli выступает посредником между вами, вашим ИИ-помощником и облаком Google. Основная проблема при работе с AI Agent SDK (ADK) — это куча мелких деталей: как правильно настроить оркестрацию, как прокинуть стейт, как организовать CI/CD и не забыть про секреты.

Вместо того чтобы заставлять вас учить документацию Google Cloud наизусть, этот инструмент «скармливает» вашему кодинг-ассистенту готовые паттерны и команды. В итоге вы просите Claude: «Собери мне агента, который сжимает тексты до технических терминов», — а ассистент использует конкретные навыки agents-cli, чтобы развернуть структуру проекта, настроить промпты и подготовить деплой.

Чем это полезно на практике

Проект закрывает несколько дыр, которые обычно бесят при разработке LLM-приложений.

Быстрый старт без копипасты

Команда agents-cli scaffold создает скелет приложения. Причем это не просто пустые папки, а готовый проект с настроенным линтером (Ruff), зависимостями и структурой под ADK. Если у вас уже есть проект, команда enhance добавит в него недостающие части, например инфраструктуру для RAG или пайплайны развертывания.

Оценка качества (Evaluation)

Это, пожалуй, самая ценная часть. Все знают, что промпты — штука хрупкая. Сегодня работает, завтра нет. В CLI встроены инструменты для оценки:

• Генерация трассировок выполнения.
• Автоматическая проверка ответов через «LLM-судью».
• Сравнение двух версий агента, чтобы понять, не сломали ли вы логику очередным фиксом.

Деплой без боли

Развертывание ИИ-агентов в Google Cloud обычно требует знания Cloud Run, GKE или специальных рантаймов. Тут всё сводится к agents-cli deploy. Инструмент сам упаковывает проект и отправляет его в облако, соблюдая правила безопасности и управления секретами.

Как это устроено внутри

Инструментарий завязан на Python (3.11+) и Node.js. Интересно, что авторы активно продвигают использование менеджера пакетов uv — он действительно быстрее стандартного pip и отлично подходит для таких задач.

Код проекта поставляется в виде прекомпилированных wheel-файлов, что может немного смутить любителей копаться в исходниках. Однако разработчики честно говорят: код не обфусцирован, вы можете спокойно распаковать .whl как обычный zip-архив и посмотреть, что там внутри. Такой подход позволяет им быстрее выпускать обновления, сохраняя стабильный интерфейс.

Как попробовать

Для начала работы понадобится Python и установленный uv. Установка выглядит максимально лаконично:

uvx google-agents-cli setup

После этого ваш локальный кодинг-ассистент получит новые способности. Можно сразу переходить к экспериментам. В README предлагают забавный кейс: попросить ИИ собрать «пещерного» агента, который общается техническим ворчанием.

Для тех, кто предпочитает классический путь, CLI работает и как самостоятельная утилита. Не обязательно использовать ИИ-помощника, чтобы запускать команды вроде:

agents-cli eval analyze

Эта штука проанализирует ошибки в результатах тестов и сгруппирует их по типам, что сильно экономит время при отладке логики агента.

Стоит ли оно того

Если вы уже плотно сидите в экосистеме Google Cloud или планируете использовать Gemini для серьезных задач, то попробовать определенно стоит. Инструмент снимает огромный пласт рутины по настройке окружения и деплою.

Однако есть нюанс: для полноценной работы (особенно для деплоя и публикации) вам все равно понадобится аккаунт Google Cloud и, скорее всего, привязанная карта. Для локальных тестов и разработки на Gemini через AI Studio хватит обычного API-ключа, что уже радует.

Проект еще находится в стадии Preview, так что будьте готовы к возможным изменениям в API. Но даже сейчас это выглядит как один из самых вменяемых способов подружить кодинг-ассистентов с реальной облачной эксплуатацией.