Google Cloud Agent Starter Pack
用现成模板、基础设施、评测与 CI/CD 将生成式 AI Agent 部署到 Google Cloud。
工作流对文档部署使用了明确的最小化权限，发布流程也包含环境人工审批，README 明示会在用户自己的 Google Cloud 项目中创建资源，并清楚标注作者、许可证及非官方支持声明。扣分点是未展示生成模板的完整 IAM 权限、逐项外部副作用或数据流；敏感数据处理证据主要限于通过 secrets 注入令牌；依赖仅设置版本范围，Actions 未固定到提交摘要且 setup-uv 使用 latest；也未提供云资源部署回滚方案。
README、项目元数据、工作流和示例测试共同表明该项目有明确依赖、构建发布流程和基础响应断言。扣分点是 README 同时宣称进入仅修复关键问题的维护模式，又称会持续扩展 Agent 库，存在明显叙述冲突；多个依赖只有宽松下限，且给出的失败消息主要是简单测试断言，没有展示面向 CLI、云部署或网络故障的系统化诊断。
资料明确覆盖新建和增强既有 Agent、ReAct、RAG、多 Agent、实时多模态、Cloud Run 与 Agent Engine 等受众和场景，并列出 Python、Cloud SDK、Terraform、Make 等环境要求。扣分点是能力边界主要通过维护模式和演示用途免责声明表达，未细化各模板不能处理的任务；CLI 触发命令清晰，但没有给出误用防护、前置状态检测或复杂项目匹配规则。
README 的安装、模板、功能、架构、要求、文档和支持入口组织良好，Apache-2.0 全文与项目元数据一致，并存在语义版本及自动发布流程。扣分点是迁移到 agents-cli 造成名称和更新路径变化；示例测试覆盖较浅，未见完整 FAQ；已知限制缺少模板级细节；未提供独立变更日志文件，且 README 的求助链接指向另一个仓库，同时声明项目不受官方支持，因此维护责任并非完全清晰。
模板覆盖后端、前端、基础设施、CI/CD、评估和可观测性，针对从原型到云部署提供了明显的集成价值，产出看起来可直接继续定制。扣分点是“60 秒”“production-ready”和迁移无需重写等收益缺少所给静态文件中的量化支持；用户仍需承担 Google Cloud 资源、依赖安装、迁移和运行费用，资料没有成本估算。
核心结构性主张可由 pyproject、工作流、模板测试和 README 相互部分印证，例如包版本、CLI、发布流程和基础 Agent 响应检查。扣分点是未提供执行结果或测试报告，两个集成测试近乎相同且只验证存在文本输出，adk_live 单元测试是固定天气示例；多项营销性主张未与事实性限制清楚分开，也缺乏所给材料之外的独立交叉佐证。
- 该项目已进入维护模式，仅接收关键修复；新项目应评估其指定的 agents-cli 迁移路径。
- 创建、增强或部署操作可能在用户自己的 Google Cloud 项目中产生资源、权限和费用；执行前应审查生成的 Terraform、IAM 和 CI/CD 配置。
- 发布工作流使用长期令牌 secrets、未按提交摘要固定的 GitHub Actions，以及 latest 版本的 setup-uv；供应链敏感环境应进一步锁定版本并限制令牌权限。
- “60 秒上线”“生产就绪”和“无需重写迁移”是静态材料中未充分验证的主张，不应视为已测试保证。
这个 Agent 能做什么，适合哪些场景？
Agent Starter Pack 是一个 Python 包，用于生成面向 Google Cloud 的生产就绪 Agent 项目。它提供 ADK、ADK A2A、Agentic RAG、LangGraph、ADK Java 和实时多模态 ADK 等模板，并可生成后端、前端及部署基础设施。项目覆盖原型开发、Vertex AI 评测、交互式 playground、Terraform 部署、CI/CD、监控与可观测性，部署目标包括 Cloud Run 和 Agent Engine。RAG 模板可使用 Vertex AI Search 或 Vector Search，流水线也能通过 Terraform 和 CI/CD 处理嵌入数据。该仓库目前处于维护模式，只接收关键修复；新项目被明确建议改用 `agents-cli`，现有项目也应评估迁移。
运行 agent-starter-pack create 后，CLI 根据预置或远程模板创建一个包含 Agent 代码、后端、前端、测试和部署基础设施的项目。可选模板包括基于 Google Agent Development Kit 的 adk、支持 Agent2Agent Protocol 的 adk_a2a、连接 Vertex AI Search 或 Vector Search 的 agentic_rag、基于 LangGraph 的 ReAct Agent、adk_java，以及支持音频、视频和文本聊天的 Gemini 多模态 adk_live。生成的工程可使用 Vertex AI evaluation 和交互式 playground 进行实验，通过 Terraform、Cloud Build 或 GitHub Actions建立部署流水线，并部署到 Cloud Run 或 Agent Engine。对于已有 Agent，agent-starter-pack enhance 会在项目根目录加入面向生产部署的基础设施。它还支持从任意 Git 仓库加载远程模板，并提供 GEMINI.md 供 Gemini CLI 理解模板与架构。
- Google Cloud 团队需要快速建立包含 Terraform、CI/CD、监控和可观测性的 Agent 项目，而不想从零搭建交付体系。
- 开发者要用 ADK 或 LangGraph 构建 ReAct Agent，并希望从可运行模板开始。
- 知识检索团队要创建连接 Vertex AI Search 或 Vector Search 的 RAG Agent，同时建立嵌入数据处理流水线。
- 分布式系统团队要试验支持 Agent2Agent Protocol 的 ADK Agent，以实现 Agent 间通信和互操作。
- 多模态应用团队要开发由 Gemini 驱动、支持音频、视频和文本聊天的实时 RAG Agent。
- 已有 Agent 的团队希望通过
enhance补充 Google Cloud 部署和基础设施，但仍需接受该项目已进入维护模式。
这个 Agent 有哪些优点和局限？
- 模板覆盖 ReAct、RAG、A2A 和实时多模态等具体模式，并同时提供 ADK、LangGraph 与 Java 选项。
- 不仅生成 Agent 逻辑，还覆盖后端、前端、Terraform、CI/CD、评测、监控和可观测性。
- 明确支持 Cloud Run 与 Agent Engine 两种部署目标，CI/CD 可选择 Google Cloud Build 或 GitHub Actions。
- RAG 路径同时支持 Vertex AI Search、Vector Search，以及用于处理嵌入数据的 Terraform/CI/CD 流水线。
- 仓库已进入维护模式，仅提供关键修复，不再增加功能、模板或部署目标。
- 核心部署、评测、检索和运行路径大量依赖 Google Cloud、Vertex AI 与 Gemini，跨云采用需要重新集成。
- 本地与部署工具链包含 Python 3.10+、Google Cloud SDK、Terraform 和 Make，团队需要维护这些依赖。
- 使用者在自己的 Google Cloud 项目中创建并负责相关资源，因此必须自行处理资源成本、服务条款、权限和运维。
- 仓库仅用于演示，并非 Google 官方支持的产品。
如何安装或部署这个 Agent？
前置条件：Python 3.10+、Google Cloud SDK、Terraform（部署时需要）、Make（开发任务需要），以及用于承载资源的 Google Cloud 项目。推荐安装并首次创建项目：
uvx agent-starter-pack create若不使用 uv：
python -m venv .venv && source .venv/bin/activate
pip install --upgrade agent-starter-pack
agent-starter-pack create上述流程会在本地文件系统生成一个可定制的 Agent 工程。使用 Google Cloud API 和部署资源时，需要按 Google Cloud SDK 与项目要求完成身份验证；来源未给出具体登录或 IAM 命令。
如何使用这个 Agent？
新项目在终端运行 uvx agent-starter-pack create，然后在创建流程中选择并定制所需模板。可用方向包括 adk、adk_a2a、agentic_rag、langgraph、adk_java 和 adk_live。生成的项目可在交互式 playground 中试验，使用 Vertex AI evaluation 评测，并通过模板附带的 Terraform 与 CI/CD 配置部署到 Cloud Run 或 Agent Engine。已有项目应在其根目录运行 uvx agent-starter-pack enhance，为现有 Agent 添加部署与基础设施。由于该仓库已进入维护模式，新项目的官方建议入口是 uvx google-agents-cli setup；迁移说明称 Agent 代码、测试、Terraform 和 CI/CD 可以沿用而无需重写。
这个 Agent 与同类方案有什么区别？
与后继项目 agents-cli 相比，Agent Starter Pack 使用 Makefile 驱动工作流且已进入维护模式；agents-cli 提供统一 CLI，包括 run、deploy、eval run、eval compare、playground 和 lint，并增加编码 Agent 技能、端到端生命周期工具及对 Google Cloud Agent Platform 的一等支持。来源明确建议新项目直接采用 agents-cli，现有项目迁移过去。
常见问题
现在还适合用它启动新项目吗？
agents-cli 开始。它会把资源部署到哪里？
需要哪些权限和凭证？
它是否支持非 Google 模型或其他云平台？
现有项目能否补充这些基础设施？
uvx agent-starter-pack enhance。不过，由于项目已进入维护模式，应同时评估迁移到 agents-cli。