Google Agents CLI — le méta-outil qui transforme les agents de code en créateurs d’agents

Présenté par Google lors de Cloud Next, agents-cli est un outil en ligne de commande qui injecte à des agents de code comme Gemini CLI, Claude Code ou Codex une expertise spécialisée pour concevoir et déployer des agents IA basés sur Google Cloud. Il ne s’agit pas de l’agent lui-même, mais d’une couche qui améliore les capacités des agents qui créent des agents. Basé sur l’ADK (Agent Development Kit, framework de développement d’agents) de Google, il couvre avec une seule CLI tout le cycle de vie du développement d’agents, de la création de projet à l’évaluation, au déploiement et jusqu’à l’enregistrement en entreprise. Ce que vise cet outil, ce n’est pas l’écriture de code SDK. Il part du constat que le véritable goulet d’étranglement consiste à décider quels composants parmi des dizaines utiliser, dans quel ordre et avec quelle configuration les combiner. Les agents de code généralistes devinent cette combinaison, tandis qu’Agents CLI choisit d’intégrer aux agents de code un niveau de jugement comparable à celui d’un ingénieur plateforme expérimenté. Il est conçu pour que l’agent de code explique non seulement « ce qu’il a fait », mais aussi « pourquoi il a pris cette décision », avec l’objectif d’élever en même temps la compréhension de la plateforme au sein de l’équipe. On y lit aussi la volonté de réduire le coût d’exploration en réunissant dans un seul outil des informations dispersées entre la documentation MCP, la documentation ADK, la documentation gcloud, la documentation Runtime et d’autres sources.

Structure clé

• L’installation se résume à une seule ligne : uvx google-agents-cli setup. Python 3.11 ou supérieur, uv (gestionnaire de paquets Python) et Node.js sont requis
• Il fonctionne en injectant 7 types de « compétences » à l’agent de code. Elles couvrent respectivement la conception de workflow, l’écriture de code ADK, le scaffolding de projet (génération automatique de la structure de base), l’évaluation (y compris l’approche LLM-as-judge), le déploiement (Agent Runtime, Cloud Run, GKE), la publication dans Gemini Enterprise et l’observabilité (Observability, système permettant de comprendre l’état du système via les logs et les traces)
• Pour le branchement d’outils (Tool Wiring), il prend en charge MCP (Model Context Protocol, standard permettant au modèle d’appeler des outils externes), A2A (Agent-to-Agent, protocole de communication entre agents) et des connecteurs
• Le développement local est possible avec une simple clé d’API AI Studio, et un compte Google Cloud n’est nécessaire qu’au moment du déploiement dans le cloud
• Même sur un projet d’agent existant, la commande scaffold enhance permet d’ajouter a posteriori la configuration de déploiement et un pipeline CI/CD (système qui teste et déploie automatiquement les changements de code)
• Il peut aussi s’exécuter de manière autonome dans le terminal, sans agent de code

Éléments différenciants

• Il n’est pas dépendant d’un agent de code particulier. Il fonctionne dès lors que les compétences sont injectées, que ce soit avec Gemini CLI, Claude Code, Codex ou Antigravity, sans empiéter sur la liberté de choix des outils côté développeur
• En réunissant dans un même système de commandes le framework ADK, l’environnement d’exécution Agent Runtime, la couche d’isolation Agent Sandbox et le canal de déploiement Gemini Enterprise, il joue le rôle de porte d’entrée de l’ensemble de la stack d’agents Google Cloud, bien au-delà d’une simple CLI
• Il adopte une conception « discovery-first » (priorité à la découverte), qui expose aussi les raisons des décisions au lieu de se limiter à une automatisation opaque en boîte noire

Implications

• Cette structure où « un agent de code crée des agents » montre que les workflows des développeurs se déplacent vers un modèle centré sur les agents. Toutefois, le projet en est actuellement au stade Pre-GA (avant lancement officiel) et il n’est distribué que sous forme de fichiers .whl précompilés (format de distribution de paquets Python), et non sous forme de code source, ce qui limite les contributions directes de la communauté open source
• Comme l’objectif est avant tout d’abaisser la barrière d’entrée dans l’écosystème d’agents Google Cloud, son champ d’application peut être limité pour les équipes évoluant dans des environnements multicloud ou utilisant principalement des stacks non-Google
• La tentative de réunir en un seul point des documents et des outils dispersés est en elle-même significative, mais la dépendance accrue à ce seul outil est aussi un point qu’une organisation d’ingénierie doit prendre en compte