Agent Starter Pack 快速上手从零到生产级 AI Agent 项目的完整指南【免费下载链接】agent-starter-packShip AI Agents to Google Cloud in minutes, not months. Production-ready templates with built-in CI/CD, evaluation, and observability.项目地址: https://gitcode.com/GitHub_Trending/ag/agent-starter-pack本篇技术指南以agent-starter-pack的 Getting Started 文档为主体完整讲解如何在几分钟内用 CLI 脚手架出一个可直接部署到 Google Cloud 的生产级 AI Agent 项目含后端、可选前端与 Terraform 基础设施。读完本文你将掌握create/enhance/upgrade/extract等核心命令的用法、全部命令行参数语义、生成项目结构的解读以及make驱动下从本地调试到云上部署的完整工作流并能据此在 docs/guide/getting-started.md 之外直接上手操作。快速开始前的前置条件在运行脚手架命令之前请确认本机环境满足以下要求不同语言模板对应不同运行时的最低版本组件版本要求用途Python3.10Python 模板adk、agentic_rag、langgraph等Go1.21Go 模板adk_goNode.js20TypeScript 模板adk_tsGoogle Cloud SDK最新稳定版部署、凭据验证、gcloud 命令Terraform最新稳定版基础设施编排部署阶段uv推荐最新稳定版Python 包管理与依赖安装其中uv是官方推荐的方式CLI 本身通过uvx免安装运行生成的 Python 项目也用uv sync管理依赖。若选择pip方式则需自建虚拟环境Windows 下激活命令为.venv\Scripts\activate类 Unix 系统为source .venv/bin/activate。想要零环境配置体验官方还提供了 Firebase Studio 与 Cloud Shell 的一键打开方式可在云端浏览器编辑器里直接运行。第一步创建你的 Agent 项目方式一uvx一条命令推荐无需预先安装 CLI 包uvx会自动拉取并执行最新版本# 单条命令无需安装 uvx agent-starter-pack create方式二pip安装后运行# 创建并激活虚拟环境 # Windows 使用: .venv\Scripts\activate python -m venv .venv source .venv/bin/activate # 安装并运行 pip install agent-starter-pack agent-starter-pack create无论使用哪种方式create命令都会引导你完成三件事选择一个Agent 模板例如adk、adk_go、adk_ts、agentic_rag、langgraph、adk_live、adk_a2a、adk_java选择一个部署目标例如cloud_run、gke、agent_engine或原型模式下的none生成一套完整的项目结构后端、可选前端、部署基础设施。常用创建示例# Python agent Agent Engine agent-starter-pack create my-adk-agent -a adk -d agent_engine # Go agent Cloud Run agent-starter-pack create my-go-agent -a adk_go -d cloud_run # TypeScript agent Cloud Run agent-starter-pack create my-ts-agent -a adk_ts -d cloud_runcreate命令在交互模式下会显示按语言分组的模板菜单 Python / Other Languages并支持数字选择也可以直接输入模板名或编号。源码中该命令定义于 agent_starter_pack/cli/commands/create.py并通过 agent_starter_pack/cli/main.py 注册进 CLI 组。create全量命令行参数详解除了-a/--agent与-d/--deployment-targetcreate还支持一批由shared_template_options装饰器注入的共享参数见 agent_starter_pack/cli/commands/create.py与enhance命令共用参数可选值 / 默认值说明-a, --agent本地模板名 / 编号 /local路径/adkxxx/ Git URL模板标识省略时进入交互菜单-d, --deployment-targetagent_engine/cloud_run/gke/none部署目标默认随模板而定--cicd-runnergoogle_cloud_build/github_actions/skipCI/CD 执行器prototype模式强制为skip-p, --prototype布尔标志生成不含 CI/CD 与 Terraform 的最小项目--session-typein_memory/cloud_sql/agent_engine会话存储类型仅支持会话管理的模板且部署到 Cloud Run/GKE 时可用-ds, --datastorevertex_ai_search/vertex_ai_vector_search等数据接入管道的数据存储类型--bq-analytics布尔标志引入 BigQuery Agent Analytics 插件用于可观测性--region默认us-east1GCP 部署区域可在交互中确认-k, --google-api-key无值生成占位.env或 API Key改用 Google AI Studio API Key 而非 Vertex AI-y, --auto-approve布尔标志跳过凭据确认与交互提示-s, --skip-checks布尔标志跳过 GCP / Vertex AI 校验--debug布尔标志开启调试日志-o, --output-dir路径项目输出目录默认当前目录-if, --in-folder布尔标志直接把模板文件渲染进当前目录先自动备份--adk布尔标志快捷模式adkagent_engineprototype跳过全部提示--agent-guidance-filename默认GEMINI.md生成给编码 Agent 的引导文件如CLAUDE.md、AGENTS.md源码层面的关键实现细节值得留意项目名校验与归一化create.py中的normalize_project_name()会把包含大写字母或下划线的项目名自动转为小写、下划线替换为连字符以保证与云资源命名兼容项目名超过 26 个字符会直接报错避免触碰 GCP 资源命名上限。--adk快捷模式设置该标志后--agent与--deployment-target会被强制覆盖为adk与agent_engine并自动进入prototypeauto_approve是最快的零交互体验路径。条件文件机制模板目录下的CONDITIONAL_FILES映射见 agent_starter_pack/cli/utils/template.py会根据cicd_runner、datastore_type、is_a2a、is_adk_live等配置决定保留还是重命名特定文件如.cloudbuild/、wif.tf、vector_search.tf从而生成最精简、不包含死代码的项目。模板引擎项目通过 CookieCutter 处理 Jinja2 模板所有模板配置模板名、描述、deployment_targets、language、requires_data_ingestion、requires_session等都声明在各模板目录的.template/templateconfig.yaml中get_available_agents()会动态扫描agent_starter_pack/agents/目录加载它们。第二步探索项目并在本地运行创建完成后进入新项目目录并执行安装与启动命令cd your-project make install make playground各make目标由模板生成的 Makefile 提供模板源见 agent_starter_pack/base_templates/python/Makefilemake install通过uv sync安装全部依赖adk_live等带前端模板还会执行npm installmake playground启动本地交互式 PlaygroundADK 模板使用uv run adk web . --port 8501 --reload_agents打开带热重载的 Web 界面Cloud Run/GKE 目标则通常起uvicorn于localhost:8000。生成项目的目录结构解读目录 / 文件内容app/Python/TypeScript或agent/Go后端 Agent 代码deployment/Terraform 基础设施代码tests/Python/TypeScript或e2e/Go单元与集成测试notebooks/仅 Python用于评估的 Jupyter Notebookfrontend/视模板而定与 Agent 交互的 Web UIREADME.md项目专属的本地运行与部署说明⚠️ 生成项目内的README.md是每个具体项目的说明书包含针对该模板与部署目标定制的运行、测试与部署步骤务必优先按它的指引操作。第三步后续路径与完整开发流程create生成的项目只是起点。接下来的开发、数据接入、部署与观测可沿以下文档继续开发指南从原型到生产的完整工作流数据接入指南为 Agent 增加 RAG 能力Vertex AI Search / Vector Search部署指南部署到 Google CloudAgent Engine / Cloud Run / GKE可观测性指南监控你的 AgentAgent 模板总览浏览全部内置模板。命令速查表项目搭建Project Setup命令作用uvx agent-starter-pack create秒级脚手架一个生产就绪的 AI AgentPython/Go/TypeScript/Javauvx agent-starter-pack enhance为已有项目追加 CI/CD 流水线与 Terraform 基础设施uvx agent-starter-pack setup-cicd一条命令完成整套 CI/CD 流水线 基础设施搭建enhance的实现非常讲究它会读取项目内保存的生成元数据Python 项目存于pyproject.toml的[tool.agent-starter-pack]Go/Java/TypeScript 各有对应配置文件见 agent_starter_pack/cli/commands/enhance.py再用旧模板 vs 新模板 vs 当前项目三方比对做智能合并你手工改过的文件保留、未改的文件更新、依赖差异自动合并冲突时逐文件询问--dry-run可先预览变更--force则跳过比对直接覆盖。开发工作流Development Workflow命令作用make install安装全部依赖make playground启动带热重载的本地交互式 Playgroundmake lint运行代码质量检查codespell、ruff、tymake test运行单元 集成测试pytest tests/unit pytest tests/integration此外ADK 模板还附带评估目标make eval使用 ADK 的adk eval命令配合tests/eval/evalsets/basic.evalset.json与tests/eval/eval_config.json运行评估make eval-all则遍历执行所有 evalset。部署Deployment命令作用make deploy一键部署到 Google CloudAgent Engine / Cloud Run / GKE不同目标还支持IAPtrue、PORT8080、AGENT_IDENTITYtrue、SECRETSKEYSECRET_ID,...等附加参数make setup-dev-env用 Terraform预置基础设施deployment/terraform/dev下的配置含 API、IAM、存储、构建触发器、WIF 等可对照 agent_starter_pack/base_templates/_shared/deployment/terraformmake register-gemini-enterprise集成 Gemini Enterprise让你的 Agent 对组织内可用非交互场景可设ID/GEMINI_DISPLAY_NAME等环境变量维护与分享Maintenance Sharing命令作用uvx agent-starter-pack upgrade自动升级到最新版本且保留你的自定义内容uvx agent-starter-pack extract从项目中抽取一个最小化、可分享的 Agent生成的精简项目仍可用enhance重新补全部署能力对应的精简 Makefile 逻辑见 agent_starter_pack/base_templates/python/Makefile 的extracted分支uvx agent-starter-pack list浏览可用模板支持--source指定本地路径或 Git 仓库、--adk浏览官方adk-samples仓库常见问题与使用建议交互被凭据检查卡住create在交互模式下会验证 gcloud 登录账号与 Vertex AI 启用状态并可现场选择Y/skip/edit切换账号不想被询问可加-y自动确认或-s跳过校验。原型项目如何转生产create -p或--adk生成的项目不含 CI/CD 与 Terraform。CLI 会在结束时提示uvx agent-starter-pack enhance一键补齐部署能力。本地起服务但报凭据错误确认已执行gcloud auth application-default login且当前项目启用了所需的 Vertex AI 相关 API也可用-k切换到 Google AI Studio API Key 模式无值时生成带占位符的.env。项目名被自动改写My_Agent会提示并改写为my-agent这是为了兼容 GCP 资源命名规则属预期行为。以 agent_starter_pack/cli/main.py 为入口create、enhance、extract、list、setup-cicd、register-gemini-enterprise、upgrade七个命令构成了完整的脚手架 → 开发 → 评估 → 部署 → 观测闭环。按本文流程走一遍uvx agent-starter-pack create几分钟内即可获得一个带测试、评估、CI/CD 与 Terraform 的 Agent 工程把精力留给 Agent 逻辑本身。【免费下载链接】agent-starter-packShip AI Agents to Google Cloud in minutes, not months. Production-ready templates with built-in CI/CD, evaluation, and observability.项目地址: https://gitcode.com/GitHub_Trending/ag/agent-starter-pack创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Agent Starter Pack 快速上手：从零到生产级 AI Agent 项目的完整指南
Agent Starter Pack 快速上手从零到生产级 AI Agent 项目的完整指南【免费下载链接】agent-starter-packShip AI Agents to Google Cloud in minutes, not months. Production-ready templates with built-in CI/CD, evaluation, and observability.项目地址: https://gitcode.com/GitHub_Trending/ag/agent-starter-pack本篇技术指南以agent-starter-pack的 Getting Started 文档为主体完整讲解如何在几分钟内用 CLI 脚手架出一个可直接部署到 Google Cloud 的生产级 AI Agent 项目含后端、可选前端与 Terraform 基础设施。读完本文你将掌握create/enhance/upgrade/extract等核心命令的用法、全部命令行参数语义、生成项目结构的解读以及make驱动下从本地调试到云上部署的完整工作流并能据此在 docs/guide/getting-started.md 之外直接上手操作。快速开始前的前置条件在运行脚手架命令之前请确认本机环境满足以下要求不同语言模板对应不同运行时的最低版本组件版本要求用途Python3.10Python 模板adk、agentic_rag、langgraph等Go1.21Go 模板adk_goNode.js20TypeScript 模板adk_tsGoogle Cloud SDK最新稳定版部署、凭据验证、gcloud 命令Terraform最新稳定版基础设施编排部署阶段uv推荐最新稳定版Python 包管理与依赖安装其中uv是官方推荐的方式CLI 本身通过uvx免安装运行生成的 Python 项目也用uv sync管理依赖。若选择pip方式则需自建虚拟环境Windows 下激活命令为.venv\Scripts\activate类 Unix 系统为source .venv/bin/activate。想要零环境配置体验官方还提供了 Firebase Studio 与 Cloud Shell 的一键打开方式可在云端浏览器编辑器里直接运行。第一步创建你的 Agent 项目方式一uvx一条命令推荐无需预先安装 CLI 包uvx会自动拉取并执行最新版本# 单条命令无需安装 uvx agent-starter-pack create方式二pip安装后运行# 创建并激活虚拟环境 # Windows 使用: .venv\Scripts\activate python -m venv .venv source .venv/bin/activate # 安装并运行 pip install agent-starter-pack agent-starter-pack create无论使用哪种方式create命令都会引导你完成三件事选择一个Agent 模板例如adk、adk_go、adk_ts、agentic_rag、langgraph、adk_live、adk_a2a、adk_java选择一个部署目标例如cloud_run、gke、agent_engine或原型模式下的none生成一套完整的项目结构后端、可选前端、部署基础设施。常用创建示例# Python agent Agent Engine agent-starter-pack create my-adk-agent -a adk -d agent_engine # Go agent Cloud Run agent-starter-pack create my-go-agent -a adk_go -d cloud_run # TypeScript agent Cloud Run agent-starter-pack create my-ts-agent -a adk_ts -d cloud_runcreate命令在交互模式下会显示按语言分组的模板菜单 Python / Other Languages并支持数字选择也可以直接输入模板名或编号。源码中该命令定义于 agent_starter_pack/cli/commands/create.py并通过 agent_starter_pack/cli/main.py 注册进 CLI 组。create全量命令行参数详解除了-a/--agent与-d/--deployment-targetcreate还支持一批由shared_template_options装饰器注入的共享参数见 agent_starter_pack/cli/commands/create.py与enhance命令共用参数可选值 / 默认值说明-a, --agent本地模板名 / 编号 /local路径/adkxxx/ Git URL模板标识省略时进入交互菜单-d, --deployment-targetagent_engine/cloud_run/gke/none部署目标默认随模板而定--cicd-runnergoogle_cloud_build/github_actions/skipCI/CD 执行器prototype模式强制为skip-p, --prototype布尔标志生成不含 CI/CD 与 Terraform 的最小项目--session-typein_memory/cloud_sql/agent_engine会话存储类型仅支持会话管理的模板且部署到 Cloud Run/GKE 时可用-ds, --datastorevertex_ai_search/vertex_ai_vector_search等数据接入管道的数据存储类型--bq-analytics布尔标志引入 BigQuery Agent Analytics 插件用于可观测性--region默认us-east1GCP 部署区域可在交互中确认-k, --google-api-key无值生成占位.env或 API Key改用 Google AI Studio API Key 而非 Vertex AI-y, --auto-approve布尔标志跳过凭据确认与交互提示-s, --skip-checks布尔标志跳过 GCP / Vertex AI 校验--debug布尔标志开启调试日志-o, --output-dir路径项目输出目录默认当前目录-if, --in-folder布尔标志直接把模板文件渲染进当前目录先自动备份--adk布尔标志快捷模式adkagent_engineprototype跳过全部提示--agent-guidance-filename默认GEMINI.md生成给编码 Agent 的引导文件如CLAUDE.md、AGENTS.md源码层面的关键实现细节值得留意项目名校验与归一化create.py中的normalize_project_name()会把包含大写字母或下划线的项目名自动转为小写、下划线替换为连字符以保证与云资源命名兼容项目名超过 26 个字符会直接报错避免触碰 GCP 资源命名上限。--adk快捷模式设置该标志后--agent与--deployment-target会被强制覆盖为adk与agent_engine并自动进入prototypeauto_approve是最快的零交互体验路径。条件文件机制模板目录下的CONDITIONAL_FILES映射见 agent_starter_pack/cli/utils/template.py会根据cicd_runner、datastore_type、is_a2a、is_adk_live等配置决定保留还是重命名特定文件如.cloudbuild/、wif.tf、vector_search.tf从而生成最精简、不包含死代码的项目。模板引擎项目通过 CookieCutter 处理 Jinja2 模板所有模板配置模板名、描述、deployment_targets、language、requires_data_ingestion、requires_session等都声明在各模板目录的.template/templateconfig.yaml中get_available_agents()会动态扫描agent_starter_pack/agents/目录加载它们。第二步探索项目并在本地运行创建完成后进入新项目目录并执行安装与启动命令cd your-project make install make playground各make目标由模板生成的 Makefile 提供模板源见 agent_starter_pack/base_templates/python/Makefilemake install通过uv sync安装全部依赖adk_live等带前端模板还会执行npm installmake playground启动本地交互式 PlaygroundADK 模板使用uv run adk web . --port 8501 --reload_agents打开带热重载的 Web 界面Cloud Run/GKE 目标则通常起uvicorn于localhost:8000。生成项目的目录结构解读目录 / 文件内容app/Python/TypeScript或agent/Go后端 Agent 代码deployment/Terraform 基础设施代码tests/Python/TypeScript或e2e/Go单元与集成测试notebooks/仅 Python用于评估的 Jupyter Notebookfrontend/视模板而定与 Agent 交互的 Web UIREADME.md项目专属的本地运行与部署说明⚠️ 生成项目内的README.md是每个具体项目的说明书包含针对该模板与部署目标定制的运行、测试与部署步骤务必优先按它的指引操作。第三步后续路径与完整开发流程create生成的项目只是起点。接下来的开发、数据接入、部署与观测可沿以下文档继续开发指南从原型到生产的完整工作流数据接入指南为 Agent 增加 RAG 能力Vertex AI Search / Vector Search部署指南部署到 Google CloudAgent Engine / Cloud Run / GKE可观测性指南监控你的 AgentAgent 模板总览浏览全部内置模板。命令速查表项目搭建Project Setup命令作用uvx agent-starter-pack create秒级脚手架一个生产就绪的 AI AgentPython/Go/TypeScript/Javauvx agent-starter-pack enhance为已有项目追加 CI/CD 流水线与 Terraform 基础设施uvx agent-starter-pack setup-cicd一条命令完成整套 CI/CD 流水线 基础设施搭建enhance的实现非常讲究它会读取项目内保存的生成元数据Python 项目存于pyproject.toml的[tool.agent-starter-pack]Go/Java/TypeScript 各有对应配置文件见 agent_starter_pack/cli/commands/enhance.py再用旧模板 vs 新模板 vs 当前项目三方比对做智能合并你手工改过的文件保留、未改的文件更新、依赖差异自动合并冲突时逐文件询问--dry-run可先预览变更--force则跳过比对直接覆盖。开发工作流Development Workflow命令作用make install安装全部依赖make playground启动带热重载的本地交互式 Playgroundmake lint运行代码质量检查codespell、ruff、tymake test运行单元 集成测试pytest tests/unit pytest tests/integration此外ADK 模板还附带评估目标make eval使用 ADK 的adk eval命令配合tests/eval/evalsets/basic.evalset.json与tests/eval/eval_config.json运行评估make eval-all则遍历执行所有 evalset。部署Deployment命令作用make deploy一键部署到 Google CloudAgent Engine / Cloud Run / GKE不同目标还支持IAPtrue、PORT8080、AGENT_IDENTITYtrue、SECRETSKEYSECRET_ID,...等附加参数make setup-dev-env用 Terraform预置基础设施deployment/terraform/dev下的配置含 API、IAM、存储、构建触发器、WIF 等可对照 agent_starter_pack/base_templates/_shared/deployment/terraformmake register-gemini-enterprise集成 Gemini Enterprise让你的 Agent 对组织内可用非交互场景可设ID/GEMINI_DISPLAY_NAME等环境变量维护与分享Maintenance Sharing命令作用uvx agent-starter-pack upgrade自动升级到最新版本且保留你的自定义内容uvx agent-starter-pack extract从项目中抽取一个最小化、可分享的 Agent生成的精简项目仍可用enhance重新补全部署能力对应的精简 Makefile 逻辑见 agent_starter_pack/base_templates/python/Makefile 的extracted分支uvx agent-starter-pack list浏览可用模板支持--source指定本地路径或 Git 仓库、--adk浏览官方adk-samples仓库常见问题与使用建议交互被凭据检查卡住create在交互模式下会验证 gcloud 登录账号与 Vertex AI 启用状态并可现场选择Y/skip/edit切换账号不想被询问可加-y自动确认或-s跳过校验。原型项目如何转生产create -p或--adk生成的项目不含 CI/CD 与 Terraform。CLI 会在结束时提示uvx agent-starter-pack enhance一键补齐部署能力。本地起服务但报凭据错误确认已执行gcloud auth application-default login且当前项目启用了所需的 Vertex AI 相关 API也可用-k切换到 Google AI Studio API Key 模式无值时生成带占位符的.env。项目名被自动改写My_Agent会提示并改写为my-agent这是为了兼容 GCP 资源命名规则属预期行为。以 agent_starter_pack/cli/main.py 为入口create、enhance、extract、list、setup-cicd、register-gemini-enterprise、upgrade七个命令构成了完整的脚手架 → 开发 → 评估 → 部署 → 观测闭环。按本文流程走一遍uvx agent-starter-pack create几分钟内即可获得一个带测试、评估、CI/CD 与 Terraform 的 Agent 工程把精力留给 Agent 逻辑本身。【免费下载链接】agent-starter-packShip AI Agents to Google Cloud in minutes, not months. Production-ready templates with built-in CI/CD, evaluation, and observability.项目地址: https://gitcode.com/GitHub_Trending/ag/agent-starter-pack创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考