LangChain-Projekt (agents-cli)

Was macht LangChain-Projekt (agents-cli)?

Der Agent ist ein kompilierter LangGraph-Graph, der als root_agent aus app/agent.py exportiert wird. Es gibt keine Abhängigkeit von google.adk und keinen ADK-Runner. Andere google-agents-cli-*-Skills setzen ADK voraus; wo sie den Agenten selbst beschreiben, hat dieser Skill Vorrang.

Experimentell, und die Agent Runtime ist eingeschränkt. Bereitstellung auf cloud_run oder gke. Auf agent_runtime wird die App ausgeliefert, aber publish gemini-enterprise wird verweigert, die Console Playground kann ihn nicht aufrufen, und Console-Sitzungen/Traces bleiben leer: alle drei benötigen die ADK- reasoning_engine-Routen, die dieses Projekt nicht bereitstellt. Sagen Sie dies, bevor Sie es empfehlen.

Welche ADK-Anleitung hierher passt

ADK-Anleitung	Dieses Projekt
LlmAgent, Agent, google.adk.tools	langchain.agents.create_agent, einfache Python-Funktionen als Tools oder jeder kompilierte StateGraph
adk web, adk run	agents-cli playground (führt langgraph dev aus)
ADK-Runner hinter agents-cli run	agents-cli run ruft den Graphen prozessintern auf
agents-cli eval dataset synthesize, eval optimize	Nicht verfügbar: beide treiben den Agenten durch ADK an. Der Befehl gibt dies aus und beendet sich
Hinzufügen eines LlmAgent in app/agent.py	Ändern Sie den Graphen in app/agent.py; behalten Sie den Namen root_agent bei

Der Vertrag

Behalten Sie diese beiden bei, unabhängig davon, was Sie darin erstellen:

• app/agent.py exportiert root_agent, einen kompilierten Graphen mit messages-Zustand. Aufrufer verwenden nur root_agent.invoke({"messages": [...]}) und root_agent.astream(stream_mode="messages").
• app/fast_api_app.py macht app verfügbar. Jedes Bereitstellungsziel führt uvicorn app.fast_api_app:app aus.

Das Hinzufügen eines Tools bedeutet, eine typisierte Funktion mit einem Docstring zu schreiben und sie in tools=[...] zu übergeben. Das Wechseln von Frameworks (LangGraph StateGraph, deepagents.create_deep_agent) bedeutet, nur app/agent.py umzuschreiben. Pre-1.0 LangChain (LCEL-Ketten, AgentExecutor) wird nicht unterstützt: keine kompilierten Graphen.

Befehle

agents-cli install                  # uv sync
agents-cli playground               # langgraph dev, Port 8080
agents-cli run "hallo"              # Graph prozessintern aufrufen
agents-cli eval generate --dataset tests/eval/datasets/basic-dataset.json -o tests/eval/output/
agents-cli eval grade --traces tests/eval/output/<dataset>.json --config tests/eval/eval_config.yaml
agents-cli deploy                   # unverändert
agents-cli scaffold enhance -d cloud_run --cicd-runner github_actions   # Infrastruktur später hinzufügen

playground, run und eval generate werden durch agents-cli-extension.yaml im Projektstammverzeichnis überschrieben. Stellen Sie jedem Befehl AGENTS_CLI_DISABLE_OVERRIDES=1 voran, um stattdessen den integrierten Befehl zu verwenden.

Bereitstellung

Nur A2A: JSON-RPC unter POST /a2a/app, Karte unter /a2a/app/.well-known/agent-card.json, Health unter /health. Token-Streaming erfolgt über astream(stream_mode="messages").

Häufige Fehler

• Umbenennen von root_agent oder app, was run, eval und deploy unterbricht.
• Verwenden von eval dataset synthesize oder eval optimize: sie benötigen ADK. Schreiben Sie Fälle in tests/eval/datasets/ und verwenden Sie eval generate + eval grade.
• Erwarten von /run_sse oder ADK-Sitzungsrouten; dieser Server bedient A2A.
• Ausführen von agents-cli run --url ... gegen einen bereitgestellten Agenten ohne AGENTS_CLI_DISABLE_OVERRIDES=1, was stattdessen den lokalen Graphen aufruft.
• run und eval generate rufen Gemini über Vertex AI mit ADC auf, daher benötigen sie GOOGLE_CLOUD_PROJECT und Anmeldedaten oder GOOGLE_API_KEY/GEMINI_API_KEY in .env.

Referenzen

• references/langchain.md — Framework-Vertrag und Detail pro Befehl.
• references/samples.md — Agenten, die es wert sind, kopiert zu werden, nach Form.