google/agents-cli-langchain

Projeto LangChain (agents-cli)

O agente é um grafo LangGraph compilado exportado como root_agent de app/agent.py. Não há dependência google.adk nem executor ADK. Outros skills google-agents-cli-* assumem ADK; onde descrevem o próprio agente, este skill prevalece.

Experimental, e o Agent Runtime está degradado. Implante em cloud_run ou gke. No agent_runtime o app serve, mas publish gemini-enterprise é recusado, o Console playground não pode invocá-lo, e as sessões/traces do Console permanecem vazios: todos os três querem as rotas reasoning_engine do ADK que este projeto não serve. Avise isso antes de recomendá-lo.

O que a orientação do ADK mapeia aqui

Orientação ADK	Este projeto
LlmAgent, Agent, google.adk.tools	langchain.agents.create_agent, funções Python puras como ferramentas, ou qualquer StateGraph compilado
adk web, adk run	agents-cli playground (executa langgraph dev)
Executor ADK por trás de agents-cli run	agents-cli run invoca o grafo in-process
agents-cli eval dataset synthesize, eval optimize	Indisponível: ambos dirigem o agente através do ADK. O comando informa e encerra
Adicionar um LlmAgent em app/agent.py	Altere o grafo em app/agent.py; mantenha o nome root_agent

O contrato

Mantenha estes dois, independentemente do que você construir dentro deles:

• app/agent.py exporta root_agent, um grafo compilado com estado messages. Os chamadores usam apenas root_agent.invoke({"messages": [...]}) e root_agent.astream(stream_mode="messages").
• app/fast_api_app.py expõe app. Cada destino de implantação executa uvicorn app.fast_api_app:app.

Adicionar uma ferramenta significa escrever uma função tipada com docstring e passá-la em tools=[...]. Trocar de framework (LangGraph StateGraph, deepagents.create_deep_agent) significa reescrever apenas app/agent.py. LangChain pré-1.0 (cadeias LCEL, AgentExecutor) não é suportado: não são grafos compilados.

Comandos

agents-cli install                  # uv sync
agents-cli playground               # langgraph dev, porta 8080
agents-cli run "olá"               # invoca o grafo in-process
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                   # inalterado
agents-cli scaffold enhance -d cloud_run --cicd-runner github_actions   # adicionar infra depois

playground, run and eval generate são sobrescritos por agents-cli-extension.yaml na raiz do projeto. Prefixe qualquer comando com AGENTS_CLI_DISABLE_OVERRIDES=1 para alcançar o comando embutido.

Servindo

Apenas A2A: JSON-RPC em POST /a2a/app, card em /a2a/app/.well-known/agent-card.json, health em /health. Streaming de tokens vem de astream(stream_mode="messages").

Erros comuns

• Renomear root_agent ou app, o que quebra run, eval e deploy.
• Usar eval dataset synthesize ou eval optimize: eles precisam do ADK. Escreva casos em tests/eval/datasets/ e use eval generate + eval grade.
• Esperar /run_sse ou rotas de sessão ADK; este servidor serve A2A.
• Executar agents-cli run --url ... contra um agente implantado sem AGENTS_CLI_DISABLE_OVERRIDES=1, o que invoca o grafo local em vez disso.
• run e eval generate chamam Gemini através do Vertex AI com ADC, então precisam de GOOGLE_CLOUD_PROJECT e credenciais, ou GOOGLE_API_KEY / GEMINI_API_KEY em .env.

Referências

• references/langchain.md — contrato do framework e detalhe por comando.
• references/samples.md — agentes que valem a pena copiar, por forma.