agent-starter-pack
agent-starter-pack 是一款专为 Google Cloud 设计的 Python 工具包，旨在帮助开发者在几分钟内构建并部署生产级的生成式 AI 智能体。它解决了传统 AI 应用开发中基础设施搭建繁琐、部署周期长以及缺乏标准化监控评估体系的痛点，让用户无需从零配置后端、前端及运维流程，从而能专注于核心业务逻辑的实现。
该工具主要面向希望快速落地 AI 应用的软件工程师、全栈开发者及技术团队。其核心亮点在于提供了一套“开箱即用”的生产级模板，涵盖 ReAct、RAG、多智能体协作等多种主流架构。内置了完整的 CI/CD 自动化流水线、基于 Vertex AI 的效果评估机制以及可观测性监控方案，支持一键部署至 Cloud Run 或 Agent Engine。此外，它还兼容 Gemini CLI，并允许用户通过简单命令直接增强现有的智能体项目。无论是从零开始的新项目，还是已有原型的优化，agent-starter-pack 都能大幅缩短从代码到上线的周期，让 AI 智能体的交付变得高效且可靠。
使用场景
某电商公司的算法团队急需将内部研发的“智能售后客服 Agent"从本地测试环境迁移至 Google Cloud 生产环境，以应对即将到来的大促流量。
没有 agent-starter-pack 时
- 基建耗时漫长：工程师需手动配置 Cloud Run、Vertex AI 接口及网络安全策略，仅基础设施搭建就耗费数周，严重拖累上线进度。
- 运维监控缺失：缺乏统一的日志追踪与可观测性方案，当 Agent 出现幻觉或响应超时，团队难以快速定位是模型问题还是代码逻辑错误。
- 评估流程繁琐：每次迭代都需人工编写脚本验证回答质量，缺少自动化的评估流水线，导致发布周期长且风险不可控。
- 部署门槛高企：从开发到生产的环境差异巨大，缺乏标准的 CI/CD 模板，使得部署过程极易出错，往往需要 DevOps 专家全程介入。
使用 agent-starter-pack 后
- 分钟级启动：通过一条命令即可生成包含前后端及完整云基础设施的生产级项目，将原本数周的准备工作压缩至几分钟内完成。
- 内置可观测性：模板预集成监控与日志系统，团队能实时查看 Agent 的调用链路、延迟及错误率，迅速排查生产故障。
- 自动化评估体系：直接复用内置的 Vertex AI 评估模块，在交互式沙箱中自动测试 Agent 表现，确保每次更新都符合质量标准。
- 一键标准化部署：利用预设的 CI/CD 流水线，开发人员可轻松将 Agent 部署至 Cloud Run 或 Agent Engine，无需关心底层运维细节。
agent-starter-pack 让团队得以从繁琐的基础设施泥潭中解脱，专注于核心业务逻辑的创新，真正实现了 AI 应用从原型到生产的极速跨越。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明
快速开始
🚀 代理入门包
这是一个 Python 软件包，为 Google Cloud 上的生成式 AI 代理提供生产就绪的模板。
您可以专注于代理逻辑——入门包会为您准备好其他一切：基础设施、CI/CD、可观测性和安全性。
| ⚡️ 启动 | 🧪 实验 | ✅ 部署 | 🛠️ 自定义 |
|---|---|---|---|
| 预构建的代理模板（ReAct、RAG、多代理、Live API）。 | Vertex AI 评估 和交互式 Playground。 | 具备监控与可观测性以及CI/CD的生产级基础设施，部署于Cloud Run或Agent Engine。 | 根据您的需求扩展和定制模板。🆕 现已集成Gemini CLI |
⚡ 1 分钟快速上手
使用 uv 在 60 秒内从零构建一个生产就绪的代理：
uvx agent-starter-pack create
✨ 替代方案：使用 pip
如果您尚未安装 uv，也可以使用 pip：
# 创建并激活 Python 虚拟环境
python -m venv .venv && source .venv/bin/activate
# 安装代理入门包
pip install --upgrade agent-starter-pack
# 创建一个新的代理项目
agent-starter-pack create
就是这样！ 您现在拥有一个功能齐全的代理项目——包含后端、前端和部署基础设施——可以立即探索和自定义。
🔧 增强现有代理
您已经有一个代理了吗？只需在项目的根目录下运行以下命令，即可添加生产就绪的部署和基础设施：
uvx agent-starter-pack enhance
更多选项请参阅安装指南，或者直接在Firebase Studio或Cloud Shell中无需任何设置即可试用。
🤖 代理
| 代理名称 | 描述 |
|---|---|
adk |
基于 Google 的 Agent Development Kit 实现的基础 ReAct 代理 |
adk_a2a |
支持 Agent2Agent (A2A) 协议 的 ADK 代理，用于分布式代理通信和互操作 |
agentic_rag |
用于文档检索和问答的 RAG 代理。支持 Vertex AI Search 和 Vector Search。 |
langgraph |
基于 LangChain 的 LangGraph 实现的基础 ReAct 代理 |
adk_java |
基于 Google 的 Java 版 Agent Development Kit 实现的基础 ReAct 代理 |
adk_live |
由 Gemini 提供支持的实时多模态 RAG 代理，支持音频/视频/文本聊天 |
更多代理正在开发中！ 我们正在不断扩充我们的代理库。如果您有特定类型的代理需求，请提交议题作为功能请求！
🔍 ADK 示例
想了解更多 ADK 示例吗？请查看 ADK 示例仓库，其中包含更多示例和用例，展示了 ADK 的强大功能。
🌟 社区展示
探索使用代理入门包构建的精彩项目！
核心功能
agent-starter-pack 提供了多项核心功能，可加速并简化您的智能体开发：
- 🔄 CI/CD 自动化 - 仅需一条命令即可为所有环境设置完整的 CI/CD 流水线，同时支持 Google Cloud Build 和 GitHub Actions。
- 📥 基于 Terraform/CI/CD 的 RAG 数据管道 - 无缝集成数据管道，将用于 RAG 的嵌入向量处理流程融入您的智能体系统。支持 Vertex AI Search 和 Vector Search。
- 远程模板：您可以从任何 Git 仓库创建并共享自己的智能体启动包模板。
- 🤖 Gemini CLI 集成 - 使用 Gemini CLI 和随附的
GEMINI.md上下文文件，就模板、智能体架构以及如何上线生产等问题进行提问。您可以在终端中直接获得即时指导和代码示例。
高层次架构
该启动包涵盖了智能体开发的各个方面，从原型设计和评估到部署与监控。
🔧 系统要求
- Python 3.10+
- Google Cloud SDK
- Terraform（用于部署）
- Make（用于开发任务）
📚 文档
请访问我们的 文档站点 获取全面的指南和参考资料！
🔍 初次接触本代码库？ 欢迎探索 CodeWiki，借助 AI 助力理解与导航代码。
- 入门指南 - 使用 agent-starter-pack 的第一步
- 安装指南 - 设置开发环境
- 部署指南 - 将您的智能体投入生产
- 智能体模板概览 - 探索可用的智能体模式
- CLI 参考 - 命令行工具文档
视频教程：
从演示到生产：使用 Agent Starter Pack：了解 Agent Starter Pack 如何充当自动化架构师，在几秒钟内为您的 AI 项目构建专业的基础设施。内容涵盖大多数 AI 项目在部署阶段失败的原因，以及 ASP 如何自动化 Terraform、CI/CD 和可观测性。
6 分钟简介（2025 年 4 月）：介绍 Agent Starter Pack 并演示其核心功能。该视频是 Kaggle GenAI 强化课程的一部分。
如果您想了解更多关于 Google Cloud 上生成式 AI 的示例和资源，请查看 GoogleCloudPlatform/generative-ai 仓库，其中包含笔记本、代码示例等丰富内容！
贡献
我们欢迎各类贡献！详情请参阅 贡献指南。
反馈
我们非常重视您的反馈！您的意见将帮助我们不断改进此启动包，使其对社区更加有用。
寻求帮助
如果您遇到任何问题或有具体建议，请先考虑在我们的 GitHub 仓库中 提交问题。
分享您的经验
对于其他类型的反馈，或者如果您希望分享使用本启动包的积极体验或成功案例，我们非常乐意倾听！您可以通过电子邮件 agent-starter-pack@google.com 与我们联系。
感谢您的贡献！
免责声明
本仓库仅用于演示目的，并非 Google 官方支持的产品。
服务条款
agent-starter-pack 模板化 CLI 以及本启动包中的模板均利用了 Google Cloud API。当您使用本启动包时，实际上是在您自己的 Google Cloud 项目中部署资源，并需对这些资源自行负责。请仔细阅读 Google Cloud 服务条款，以了解与这些 API 相关的服务条款详情。
版本历史
v0.40.12026/04/01v0.40.02026/03/31v0.39.62026/03/23v0.39.42026/03/17v0.39.32026/03/16v0.39.22026/03/12v0.39.12026/03/11v0.39.02026/03/06v0.38.02026/02/18v0.37.02026/02/17v0.36.02026/02/11v0.35.12026/02/10v0.35.02026/02/10v0.34.02026/02/09v0.33.22026/02/05v0.33.12026/02/03v0.33.02026/02/02v0.32.22026/02/02v0.32.12026/02/02v0.32.02026/01/30常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。