google/agents-cli-langchain

Proyecto LangChain (agents-cli)

El agente es un grafo LangGraph compilado exportado como root_agent desde app/agent.py. No hay dependencia de google.adk ni ejecutor ADK. Otras habilidades google-agents-cli-* asumen ADK; donde describen al agente en sí, esta habilidad prevalece.

Experimental, y Agent Runtime está degradado. Desplegar en cloud_run o gke. En agent_runtime la aplicación sirve, pero publish gemini-enterprise es rechazado, el playground de Console no puede invocarlo, y las sesiones/trazas de Console permanecen vacías: los tres requieren las rutas reasoning_engine de ADK que este proyecto no sirve. Dígalo antes de recomendarlo.

Qué orientación de ADK se mapea aquí

Orientación de ADK	Este proyecto
LlmAgent, Agent, google.adk.tools	langchain.agents.create_agent, funciones Python simples como herramientas, o cualquier StateGraph compilado
adk web, adk run	agents-cli playground (ejecuta langgraph dev)
Ejecutor ADK detrás de agents-cli run	agents-cli run invoca el grafo en proceso
agents-cli eval dataset synthesize, eval optimize	No disponible: ambos conducen el agente a través de ADK. El comando lo indica y sale
Agregar un LlmAgent en app/agent.py	Cambiar el grafo en app/agent.py; mantener el nombre root_agent

El contrato

Mantener estos dos, independientemente de lo que construya dentro de ellos:

• app/agent.py exporta root_agent, un grafo compilado con estado messages. Los llamadores solo usan root_agent.invoke({"messages": [...]}) y root_agent.astream(stream_mode="messages").
• app/fast_api_app.py expone app. Cada objetivo de despliegue ejecuta uvicorn app.fast_api_app:app.

Agregar una herramienta significa escribir una función tipada con un docstring y pasarla en tools=[...]. Cambiar de framework (LangGraph StateGraph, deepagents.create_deep_agent) significa reescribir solo app/agent.py. Pre-1.0 LangChain (cadenas LCEL, AgentExecutor) no es compatible: no son grafos compilados.

Comandos

agents-cli install                  # uv sync
agents-cli playground               # langgraph dev, puerto 8080
agents-cli run "hola"               # invocar el grafo en proceso
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                   # sin cambios
agents-cli scaffold enhance -d cloud_run --cicd-runner github_actions   # agregar infraestructura después

playground, run y eval generate son sobrescritos por agents-cli-extension.yaml en la raíz del proyecto. Anteponga cualquier comando con AGENTS_CLI_DISABLE_OVERRIDES=1 para usar la versión incorporada.

Servicio

Solo A2A: JSON-RPC en POST /a2a/app, tarjeta en /a2a/app/.well-known/agent-card.json, salud en /health. El streaming de tokens proviene de astream(stream_mode="messages").

Errores comunes

• Renombrar root_agent o app, lo que rompe run, eval y deploy.
• Intentar usar eval dataset synthesize o eval optimize: requieren ADK. Escriba casos en tests/eval/datasets/ y use eval generate + eval grade.
• Esperar rutas /run_sse o sesiones ADK; este servidor sirve A2A.
• Ejecutar agents-cli run --url ... contra un agente desplegado sin AGENTS_CLI_DISABLE_OVERRIDES=1, lo que invoca el grafo local en su lugar.
• run y eval generate llaman a Gemini a través de Vertex AI con ADC, por lo que requieren GOOGLE_CLOUD_PROJECT y credenciales, o GOOGLE_API_KEY / GEMINI_API_KEY en .env.

Referencias

• references/langchain.md — contrato del framework y detalle por comando.
• references/samples.md — agentes que vale la pena copiar, por forma.