Construire un agent ADK, le tester, le déployer sur Agent Runtime, puis l'enregistrer dans Gemini Enterprise : c'était déjà rationalisé avec l'Agent Starter Pack. Mais Google vient de monter d'un cran avec agents-cli (docs), un outil qui transforme votre coding agent (Gemini CLI, Claude Code, Cursor…) en véritable expert ADK grâce à un système de skills.
J'ai testé le flux complet pour bâtir un assistant de recherche de références clients pour notre équipe commerciale SFEIR. Voici le récit, étape par étape.
Étape 1 : Installation de la CLI et des skills
Tout commence avec une seule commande :
uvx google-agents-cli setup
L'outil enchaîne quatre actions automatiquement :
- Authentification GCP avec mon compte SFEIR sur le projet cible.
- Installation de la CLI via
uv tool install google-agents-cli. - Installation de 7 skills dans
~/.agents/skills/, déployés sur les 45 coding agents détectés sur ma machine. - Récapitulatif des composants installés et de leur scope (global).
Les skills installés couvrent l'ensemble du cycle de vie d'un agent ADK :
google-agents-cli-workflow: entrypoint général, lifecycle ADKgoogle-agents-cli-scaffold: création de projetgoogle-agents-cli-adk-code: patterns de code ADKgoogle-agents-cli-deploy: Agent Runtime, Cloud Run, GKEgoogle-agents-cli-eval: evalsets, métriques, debuggoogle-agents-cli-observability: tracing, logging, BigQuery Analyticsgoogle-agents-cli-publish: enregistrement dans Gemini Enterprise
Étape 2 : Activation des skills dans Gemini CLI
Direction le terminal, je lance gemini dans un dossier vide. Première vérification avec la commande /skills : tous les skills google-agents-cli-* sont bien listés et prêts à l'emploi.
C'est là que la mécanique devient intéressante : je n'ai plus à connaître la syntaxe exacte de agents-cli. Je décris simplement mon besoin en langage naturel, et le coding agent active dynamiquement le skill pertinent.
Étape 3 : Scaffolding du projet en langage naturel
Je formule ma demande en anglais :
Build a success stories agent that help sales finding the right customer reference from our success-stories-datastore discovery engine datastore.J'ajoute un prompt système métier en français, qui décrit le rôle de l'assistant et les secteurs d'expertise SFEIR.
Gemini CLI active alors le skill google-agents-cli-workflow, puis enchaîne avec google-agents-cli-scaffold. Il choisit le bon template (agentic_rag), le bon datastore (agent_platform_search) et lance la commande :
agents-cli scaffold create success-stories-agent \
--agent agentic_rag \
--datastore agent_platform_search \
--prototype \
--agent-guidance-filename GEMINI.md
Dans la foulée, l'agent édite app/agent.py pour :
- remplacer le
DATA_STORE_IDpar défaut parsuccess-stories-datastore - injecter le prompt système métier en français (contexte SFEIR, secteurs cibles, instructions de réponse)
En une seule itération, j'ai un projet ADK fonctionnel, configuré pour mon use case, avec une evalset d'exemple dans tests/eval/evalsets/success_stories.json.
Étape 4 : choix de la cible de déploiement
Je pose la question :
Where can you deploy it?
Gemini CLI active le skill google-agents-cli-deploy et me présente les trois cibles possibles, avec leurs trade-offs :
- Agent Runtime (Vertex AI) : plateforme managée native pour les agents IA. Sessions gérées automatiquement, pas de Dockerfile, scaling sur vCPU-hours. Le choix le plus frictionless dans l'écosystème Google.
- Cloud Run : pour des déploiements containerisés classiques avec contrôle complet du scaling et du networking. Nécessite de gérer soi-même l'état des sessions.
- GKE (Autopilot) : pour les déploiements enterprise avec orchestration Kubernetes complète. Setup le plus complexe.
Je choisis Agent Runtime pour rester sur du managé. L'agent enchaîne automatiquement :
agents-cli scaffold enhance . --deployment-target agent_runtime
agents-cli deploy
Étape 5 : Vérification dans Google Cloud
Direction la console Google Cloud, section Agent Platform > Agents > Deployments. Mon success-stories-agent apparaît dans la liste, avec :
- La télémétrie activée
- Le framework
google-adkdétecté - Le déploiement en région
us-east1
Étape 6 : Test dans le Playground
Le Playground intégré à Agent Platform permet de tester l'agent immédiatement après déploiement, sans passer par Gemini Enterprise.
Je lance ma requête métier :
Cherche des références dans le secteur de la banque pour un projet GenAI
L'agent répond en français, structure sa réponse avec un tableau (Client & Secteur, Problématique Métier, Solution & Technologies, Résultat) et met en avant les références les plus pertinentes du secteur bancaire. Le grounding sur le datastore success-stories-datastore fonctionne du premier coup.
Conclusion
agents-cli change la donne par rapport à l'Agent Starter Pack classique : au lieu d'apprendre une CLI, vous briefez votre coding agent en langage naturel et les skills se chargent du reste, du scaffolding au déploiement en passant par l'évaluation et l'observabilité.
En quelques échanges avec Gemini CLI, je suis passé de zéro à un agent agentic RAG déployé sur Agent Runtime, prêt à servir l'équipe commerciale. Le tout en gardant la maîtrise du code généré, puisque chaque action (scaffold, edit, deploy) est validée explicitement.
La prochaine étape logique : enregistrer cet agent dans Gemini Enterprise via le skill google-agents-cli-publish pour le mettre à disposition de tous les commerciaux SFEIR.
Prêt à laisser votre coding agent prendre les commandes ?
