google/agents-cli-langchain

Projet LangChain (agents-cli)

L'agent est un graphe LangGraph compilé exporté sous le nom root_agent depuis app/agent.py. Il n'y a pas de dépendance google.adk ni de runner ADK. Les autres compétences google-agents-cli-* supposent ADK ; lorsqu'elles décrivent l'agent lui-même, cette compétence prévaut.

Expérimental, et Agent Runtime est dégradé. Déployez sur cloud_run ou gke. Sur agent_runtime l'application fonctionne, mais publish gemini-enterprise est refusé, le playground de la Console ne peut pas l'invoquer, et les sessions/traces de la Console restent vides : les trois nécessitent les routes reasoning_engine ADK que ce projet ne sert pas. Dites-le avant de le recommander.

Correspondance avec les instructions ADK

Instruction ADK	Ce projet
LlmAgent, Agent, google.adk.tools	langchain.agents.create_agent, fonctions Python simples comme outils, ou tout StateGraph compilé
adk web, adk run	agents-cli playground (lance langgraph dev)
Runner ADK derrière agents-cli run	agents-cli run invoque le graphe dans le processus
agents-cli eval dataset synthesize, eval optimize	Indisponible : les deux pilotent l'agent via ADK. La commande le signale et se termine.
Ajouter un LlmAgent dans app/agent.py	Modifier le graphe dans app/agent.py ; conserver le nom root_agent

Le contrat

Conservez ces deux éléments, quoi que vous construisiez à l'intérieur :

• app/agent.py exporte root_agent, un graphe compilé avec état messages. Les appelants utilisent uniquement root_agent.invoke({"messages": [...]}) et root_agent.astream(stream_mode="messages").
• app/fast_api_app.py expose app. Chaque cible de déploiement exécute uvicorn app.fast_api_app:app.

Ajouter un outil signifie écrire une fonction typée avec une docstring et la passer dans tools=[...]. Changer de framework (LangGraph StateGraph, deepagents.create_deep_agent) implique de réécrire app/agent.py uniquement. Les versions antérieures à 1.0 de LangChain (chaînes LCEL, AgentExecutor) ne sont pas prises en charge : ce ne sont pas des graphes compilés.

Commandes

agents-cli install                  # uv sync
agents-cli playground               # langgraph dev, port 8080
agents-cli run "hello"              # invoque le graphe dans le processus
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                   # inchangé
agents-cli scaffold enhance -d cloud_run --cicd-runner github_actions   # ajouter l'infrastructure plus tard

playground, run et eval generate sont remplacés par agents-cli-extension.yaml à la racine du projet. Préfixez toute commande avec AGENTS_CLI_DISABLE_OVERRIDES=1 pour utiliser la version intégrée à la place.

Service

A2A uniquement : JSON-RPC à POST /a2a/app, fiche à /a2a/app/.well-known/agent-card.json, santé à /health. Le streaming de jetons provient de astream(stream_mode="messages").

Erreurs courantes

• Renommer root_agent ou app, ce qui interrompt run, eval et le déploiement.
• Utiliser eval dataset synthesize ou eval optimize : ils nécessitent ADK. Écrire des cas dans tests/eval/datasets/ et utiliser eval generate + eval grade.
• S'attendre à /run_sse ou aux routes de session ADK ; ce serveur sert A2A.
• Exécuter agents-cli run --url ... contre un agent déployé sans AGENTS_CLI_DISABLE_OVERRIDES=1, ce qui invoque le graphe local à la place.
• run et eval generate appellent Gemini via Vertex AI avec ADC, ils ont donc besoin de GOOGLE_CLOUD_PROJECT et d'identifiants, ou de GOOGLE_API_KEY / GEMINI_API_KEY dans .env.

Références

• references/langchain.md — contrat de framework et détails par commande.
• references/samples.md — agents à copier, par forme.