#Agents CLI ใช้งานอย่างไร และเหมาะกับงานแบบไหน

Infographic: Agents CLI ใช้งานอย่างไร และเหมาะกับงานแบบไหน

การพัฒนา AI Agent สำหรับใช้งานจริงไม่ได้จบเพียงการเขียน Prompt แล้วเรียกโมเดลภาษา แต่ยังต้องจัดการโครงสร้างโปรเจกต์ การสร้าง Tools การทดสอบพฤติกรรม การประเมินผล การ Deploy ตลอดจน Logging และ Observability

Google Agents CLI (agents-cli) ถูกสร้างขึ้นเพื่อช่วยจัดการวงจรชีวิตเหล่านี้ โดยทำงานร่วมกับ Google Agent Development Kit (ADK) และสามารถติดตั้ง Skills ให้ Coding Assistant เช่น Claude Code, Codex, Antigravity CLI, Cursor หรือเครื่องมือที่รองรับ Agent Skills ช่วยสร้างระบบ Agent ได้อย่างเป็นขั้นตอน

บทความนี้อธิบายว่า Agents CLI คืออะไร แตกต่างจาก Coding Agent อย่างไร เหมาะกับงานประเภทใด และเริ่มต้นใช้งานอย่างไร

หมายเหตุ: คำสั่งของ Agents CLI มีการพัฒนาอย่างต่อเนื่อง ควรตรวจสอบคำสั่งของเวอร์ชันที่ติดตั้งด้วย agents-cli --help และเอกสารทางการก่อนนำไปใช้ในระบบ Production

info-google-agents-cli-guide

#Agents CLI คืออะไร

Agents CLI เป็นทั้ง Command-Line Interface และชุด Agent Skills สำหรับช่วยพัฒนา AI Agent บนระบบนิเวศของ Google โดย Agent หลักถูกพัฒนาด้วย ADK ส่วน Agents CLI ทำหน้าที่สนับสนุนงานรอบข้าง เช่น

  • สร้างโครงสร้างโปรเจกต์หรือ Scaffold
  • ติดตั้ง Dependencies
  • รันและทดสอบ Agent บนเครื่อง
  • สร้างและประมวลผล Evaluation Dataset
  • ประเมินคุณภาพคำตอบและ Tool Calling
  • เปรียบเทียบผลระหว่าง Agent หลายเวอร์ชัน
  • เพิ่มโครงสร้าง Deployment และ CI/CD
  • Deploy ไปยัง Agent Runtime, Cloud Run หรือ GKE
  • จัดการ Logging, Tracing และ Observability
  • ลงทะเบียน Agent กับ Gemini Enterprise

มองในภาพรวม Agents CLI คือเครื่องมือสำหรับทำ Agent Development Lifecycle ตั้งแต่ Prototype ไปจนถึง Production

Requirement
    ↓
Scaffold Project
    ↓
Develop Agent + Tools
    ↓
Run and Test
    ↓
Evaluate
    ↓
Deploy
    ↓
Observe and Improve

#Agents CLI ไม่ใช่ Coding Agent

จุดที่มักทำให้เกิดความสับสนคือ Agents CLI ไม่ได้เป็นผู้ช่วยเขียนโค้ดแบบ Claude Code, Codex หรือ Gemini CLI โดยตรง

บทบาทของเครื่องมือแต่ละประเภทแตกต่างกันดังนี้

เครื่องมือ หน้าที่หลัก
Claude Code, Codex, Cursor วิเคราะห์ Requirement เขียนโค้ด แก้ไขไฟล์ และทำงานกับ Repository
Google ADK Framework สำหรับสร้าง Agent, Tools, Sessions และ Multi-Agent Orchestration
Agents CLI จัดการ Workflow รอบ ADK เช่น Scaffold, Evaluation, Deployment และ Observability
Google Cloud Runtime และ Infrastructure สำหรับนำ Agent ขึ้นใช้งานจริง

Agents CLI สามารถทำงานได้สองรูปแบบ

  1. ทำงานร่วมกับ Coding Agent — Coding Agent ใช้ Skills ที่ติดตั้งไว้เพื่อเลือก Workflow และคำสั่งที่เหมาะสม
  2. ใช้งานจาก Terminal โดยตรง — นักพัฒนาสามารถเรียกคำสั่ง agents-cli เองได้โดยไม่ต้องใช้ Coding Agent

#Agent Skills ที่ติดตั้งมาพร้อม Agents CLI

Agents CLI มี Skills สำหรับครอบคลุมงานสำคัญของ Agent Engineering เช่น

Skill ความสามารถ
google-agents-cli-workflow แนวทางพัฒนาตั้งแต่ Scaffold, Build, Evaluate, Deploy และ Observe
google-agents-cli-adk-code รูปแบบการเขียน ADK Agent, Tools, State, Callbacks และ Orchestration
google-agents-cli-scaffold สร้างและปรับปรุงโครงสร้างโปรเจกต์
google-agents-cli-eval Dataset, Metrics, Generate, Grade, Compare และ Analyze
google-agents-cli-deploy Deployment ไปยัง Agent Runtime, Cloud Run และ GKE
google-agents-cli-publish ลงทะเบียน Agent กับ Gemini Enterprise
google-agents-cli-observability Cloud Trace, Logging และระบบติดตามการทำงาน

ประโยชน์ของ Skills คือช่วยให้ Coding Agent เข้าใจแนวปฏิบัติของ ADK และ Google Cloud มากกว่าการเขียนโค้ดจาก Prompt แบบทั่วไป

#Agents CLI เหมาะกับงานแบบไหน

#1. RAG Agent สำหรับค้นเอกสาร

เหมาะกับระบบที่ต้องค้นข้อมูลจาก PDF คู่มือ นโยบาย ฐานความรู้ หรือเอกสารองค์กร แล้วสร้างคำตอบพร้อมหลักฐานอ้างอิง

ตัวอย่างระบบ ได้แก่

  • ผู้ช่วยตอบคำถามจากคู่มือการเรียน
  • Chatbot ค้นระเบียบและประกาศมหาวิทยาลัย
  • ระบบตอบคำถามจากเอกสารผลิตภัณฑ์
  • Knowledge Assistant ภายในองค์กร

Agents CLI มีประโยชน์เมื่อ RAG Agent ต้องมี Evaluation Dataset, Deployment และ Observability ไม่ใช่เพียงการทดลองใน Notebook

#2. Customer Support Agent

ระบบบริการลูกค้ามักต้องเรียกหลาย Tools เช่น

  • ตรวจสอบสถานะคำสั่งซื้อ
  • ค้นข้อมูลลูกค้า
  • เปิด Ticket
  • ตรวจสอบนโยบายคืนสินค้า
  • ส่งต่อให้เจ้าหน้าที่

Agents CLI ช่วยสร้างโครงสร้าง Agent และเพิ่มกระบวนการประเมินว่า Agent เลือก Tool ถูกต้องหรือไม่ ตอบนอกขอบเขตหรือไม่ และควรส่งต่อให้มนุษย์เมื่อใด

#3. Research Agent และ Workflow Automation

เหมาะกับ Agent ที่ต้องดำเนินงานหลายขั้นตอน เช่น

  1. รับหัวข้อวิจัย
  2. แยกคำค้น
  3. ค้นข้อมูลจากหลายแหล่ง
  4. วิเคราะห์และจัดหมวดหมู่
  5. สรุปผล
  6. บันทึกผลลงฐานข้อมูล

Workflow ลักษณะนี้ควรมีการทดสอบเส้นทางการทำงาน Tool Calling และ Failure Cases อย่างเป็นระบบ

#4. Multi-Agent System

ADK รองรับการออกแบบ Agent หลายตัวให้ทำงานร่วมกัน เช่น

  • Coordinator Agent
  • Search Agent
  • Analysis Agent
  • Validation Agent
  • Report Agent

Agents CLI เหมาะกับการสร้างมาตรฐานโครงสร้างโปรเจกต์ ทดสอบ Agent แต่ละบทบาท และประเมินผลลัพธ์ของระบบโดยรวม

#5. Agent ที่ต้อง Deploy บน Google Cloud

เมื่อ Agent ต้องนำขึ้นใช้งานจริง Agents CLI รองรับเป้าหมายหลัก ได้แก่

  • Agent Runtime — Runtime แบบ Managed สำหรับ Agent
  • Cloud Run — เหมาะกับ Containerized Agent และ API Service
  • Google Kubernetes Engine (GKE) — เหมาะกับระบบที่ต้องควบคุม Kubernetes และ Infrastructure มากขึ้น

นอกจากนี้ยังสามารถเพิ่ม CI/CD, Service Account, IAM, Secrets และ Telemetry Infrastructure ได้

#6. งานที่ต้องมี Evaluation และ Regression Testing

Agents CLI มีความโดดเด่นสำหรับทีมที่ไม่ต้องการวัด Agent ด้วยความรู้สึกเพียงอย่างเดียว แต่ต้องการ Dataset และ Metrics ที่ทำซ้ำได้

ตัวอย่างคำถามที่ Evaluation Workflow ช่วยตอบได้ ได้แก่

  • Agent เวอร์ชันใหม่ตอบถูกกว่าเดิมหรือไม่
  • การแก้ Prompt ทำให้บางกรณีแย่ลงหรือไม่
  • Agent เรียก Tool ถูกต้องกี่เปอร์เซ็นต์
  • คำตอบมี Grounding เพียงพอหรือไม่
  • Failure Modes ที่เกิดบ่อยที่สุดคืออะไร

#งานที่อาจไม่จำเป็นต้องใช้ Agents CLI

Agents CLI อาจมีความซับซ้อนเกินความจำเป็นในกรณีต่อไปนี้

  • Chatbot ง่าย ๆ ที่เรียก LLM เพียงครั้งเดียว
  • ระบบทดลองขนาดเล็กที่ยังไม่ต้อง Deploy
  • งานเขียนหรือแก้โค้ดทั่วไปที่ไม่ได้สร้าง AI Agent
  • โปรเจกต์ที่ไม่ได้ใช้ ADK และไม่ได้อยู่บน Google Cloud
  • Local Agent ที่ไม่ต้องมี CI/CD, Evaluation หรือ Observability
  • ระบบที่เลือกใช้ Framework อื่นและมี Deployment Pipeline อยู่แล้ว

ในกรณีเหล่านี้ การเรียก Gemini API, OpenAI API หรือใช้ ADK โดยตรงอาจเพียงพอและดูแลรักษาง่ายกว่า

#สิ่งที่ต้องเตรียมก่อนติดตั้ง

ข้อกำหนดพื้นฐาน ได้แก่

  • Python 3.11 ขึ้นไป
  • uv สำหรับจัดการ Python Package และ Virtual Environment
  • Node.js สำหรับติดตั้ง Agent Skills
  • Google Cloud SDK เมื่อต้องการ Deploy บน Google Cloud
  • Terraform เมื่อต้องการจัดการ Infrastructure ขั้นสูง

ระบบปฏิบัติการที่รองรับอย่างเป็นทางการประกอบด้วย macOS, Linux และ Windows ผ่าน WSL 2 โดย Native Windows อาจไม่รองรับอย่างสมบูรณ์

ตรวจสอบเวอร์ชันเครื่องมือได้ดังนี้

python --version
uv --version
node --version
npm --version

#การติดตั้ง Agents CLI

วิธีที่เอกสารทางการแนะนำคือใช้ uvx

uvx google-agents-cli setup

คำสั่งนี้จะติดตั้ง Agents CLI และตรวจหา Coding Agent ที่มีอยู่ในเครื่องเพื่อเพิ่ม Skills ที่เกี่ยวข้อง

ตรวจสอบการติดตั้ง

agents-cli --version
agents-cli --help
agents-cli cmd-info

ทางเลือกอื่นสำหรับการติดตั้ง ได้แก่

pipx install google-agents-cli
agents-cli setup

หรือติดตั้งเฉพาะ Skills

npx skills add google/agents-cli

กรณีต้องการติดตั้ง Skills เฉพาะใน Workspace ปัจจุบัน

agents-cli setup --workspace

#การตั้งค่า Authentication

#วิธีที่ 1: ใช้ Gemini API Key

เหมาะสำหรับการพัฒนาและทดสอบ Agent บนเครื่อง โดยยังไม่ต้องมี Google Cloud Project

export GEMINI_API_KEY="YOUR_GEMINI_API_KEY"

บน Windows PowerShell ภายใน WSL หรือ Shell ที่ใช้งาน ให้กำหนด Environment Variable ตามรูปแบบของ Shell นั้น

ไม่ควรเขียน API Key ลงใน Source Code และไม่ควร Commit ไฟล์ .env ขึ้น Repository

.env
.env.*

#วิธีที่ 2: ใช้ Google Cloud Application Default Credentials

เหมาะสำหรับ Vertex AI และการ Deploy

gcloud auth application-default login
gcloud config set project YOUR_PROJECT_ID

ตรวจสอบสถานะ Authentication ของ Agents CLI

agents-cli login --status

หรือใช้โหมด Interactive

agents-cli login --interactive

#Workflow ตัวอย่าง: สร้าง Support Agent

#ขั้นตอนที่ 1: สร้างโปรเจกต์แบบ Prototype

agents-cli create support-agent --prototype --yes
cd support-agent

--prototype ใช้สร้างโปรเจกต์ขั้นต่ำโดยยังไม่เพิ่ม CI/CD และ Terraform Infrastructure ส่วน --yes ใช้ค่าเริ่มต้นโดยไม่ถามคำถามระหว่างการสร้าง

ในเอกสารหรือ README บางรุ่นอาจพบรูปแบบ agents-cli scaffold <name> แต่ CLI Reference รุ่นปัจจุบันใช้ agents-cli create สำหรับสร้างโปรเจกต์ใหม่ จึงควรตรวจสอบด้วย agents-cli --help

#ขั้นตอนที่ 2: ติดตั้ง Dependencies

agents-cli install

คำสั่งนี้ทำงานผ่าน uv sync เพื่อสร้าง Environment และติดตั้ง Package ตาม pyproject.toml

#ขั้นตอนที่ 3: ตรวจสอบคุณภาพโค้ด

agents-cli lint

กรณีต้องการให้แก้ปัญหาที่แก้ไขอัตโนมัติได้

agents-cli lint --fix

#ขั้นตอนที่ 4: เปิด Local Playground

agents-cli playground

จากนั้นเปิดเว็บเบราว์เซอร์ที่

http://localhost:8080

Playground เหมาะสำหรับสนทนากับ Agent ตรวจสอบ Tool Calls และทดสอบการแก้ไขโค้ดแบบ Hot Reload

#ขั้นตอนที่ 5: ทดสอบจาก Terminal

agents-cli run "ลูกค้าสามารถคืนสินค้าได้ภายในกี่วัน"

คำสั่ง run เหมาะกับ Smoke Test หรือการทดสอบ Prompt แบบ Single Turn

#การใช้งานร่วมกับ Coding Agent

หลังติดตั้ง Skills แล้ว สามารถเปิด Claude Code, Codex หรือ Coding Agent ที่รองรับ Skills จากโฟลเดอร์โปรเจกต์ แล้วสั่งงานด้วยภาษาธรรมชาติ

ตัวอย่าง Prompt

Use agents-cli to build a customer support agent with Google ADK.

Requirements:
- Answer questions from product documentation
- Use a tool to check order status
- Escalate uncertain cases to a human operator
- Add evaluation cases for tool selection and response grounding
- Run locally first
- Do not deploy until the evaluation results are reviewed

Coding Agent จะใช้ Skills เพื่อวาง Workflow สร้างไฟล์ Agent เพิ่ม Tools สร้าง Evaluation Cases และเรียกคำสั่ง Agents CLI ที่จำเป็น

สำหรับงานจริงควรกำหนดข้อจำกัดให้ชัดเจน เช่น

  • ห้าม Deploy จนกว่าจะอนุมัติ
  • ห้ามสร้างหรือแก้ Cloud Resources โดยไม่แสดง Plan
  • ห้ามอ่านหรือส่งข้อมูลส่วนบุคคลออกจากระบบ
  • ต้องสร้าง Tests ก่อนแก้ไข Production Code
  • ต้องสรุปค่าใช้จ่ายและสิทธิ์ IAM ที่ต้องใช้

#การประเมินผล Agent

การประเมินผลสามารถแยกเป็นสองขั้นตอน

#1. Generate Traces

agents-cli eval generate \
  --dataset tests/eval/datasets/basic-dataset.json \
  --output artifacts/traces/

ขั้นตอนนี้นำ Evaluation Cases มารันกับ Agent และบันทึกคำตอบ Tool Calls และ Trace

#2. Grade Results

agents-cli eval grade

หรือใช้คำสั่งรวมเพื่อ Generate และ Grade ต่อเนื่องกัน

agents-cli eval run \
  --dataset tests/eval/datasets/basic-dataset.json \
  --metrics final_response_quality,grounding

คำสั่งที่มีประโยชน์เพิ่มเติม ได้แก่

# ดู Metrics ที่รองรับ
agents-cli eval metric list

# เปรียบเทียบผลสองเวอร์ชัน
agents-cli eval compare

# วิเคราะห์กลุ่มข้อผิดพลาด
agents-cli eval analyze

# สร้างสถานการณ์ทดสอบแบบหลายรอบสนทนา
agents-cli eval dataset synthesize

การทำ Regression Testing ควรเก็บ Evaluation Dataset ไว้ใน Version Control และรันซ้ำทุกครั้งที่มีการแก้ Prompt, Tools, Model หรือ Routing Logic

#การเพิ่ม Deployment ให้โปรเจกต์เดิม

โปรเจกต์ Prototype สามารถเพิ่ม Deployment Configuration ภายหลังได้

#Cloud Run

agents-cli scaffold enhance . \
  --deployment-target cloud_run \
  --dry-run

ตรวจสอบไฟล์และการเปลี่ยนแปลงก่อน จากนั้นจึงเรียกโดยไม่ใช้ --dry-run

agents-cli scaffold enhance . \
  --deployment-target cloud_run

#Agent Runtime

agents-cli scaffold enhance . \
  --deployment-target agent_runtime

#GKE

agents-cli scaffold enhance . \
  --deployment-target gke

#การ Deploy

กำหนด Google Cloud Project ก่อน

gcloud config set project YOUR_PROJECT_ID

Deploy ตาม Target ที่กำหนดไว้ใน agents-cli-manifest.yaml

agents-cli deploy

สามารถระบุ Project และ Region โดยตรง

agents-cli deploy \
  --project YOUR_PROJECT_ID \
  --region us-east1

ตรวจสอบรายการและสถานะ Deployment

agents-cli deploy --list
agents-cli deploy --status

กรณีต้องการดูคำสั่งก่อนดำเนินการจริง ควรใช้ --dry-run เมื่อ Command รองรับ

การ Deploy จะสร้างหรือใช้งานทรัพยากรใน Google Cloud Project ของผู้ใช้ ซึ่งอาจทำให้เกิดค่าใช้จ่าย ควรตรวจสอบ Billing, IAM, Region, Resource Limits และ Cleanup Plan ก่อนทุกครั้ง

#Infrastructure กับ Deployment ต่างกันอย่างไร

Agents CLI แยกแนวคิดออกเป็นสองส่วน

#Infrastructure

คำสั่งกลุ่ม agents-cli infra ใช้เตรียมทรัพยากร เช่น

  • Service Account
  • IAM Binding
  • API ที่จำเป็น
  • Secret และ Telemetry Resources
  • Terraform State
  • CI/CD Environment

ตัวอย่าง

agents-cli infra single-project

#Deployment

คำสั่ง agents-cli deploy ใช้นำ Agent Code ไปสร้าง Container และเปิด Service บน Target ที่กำหนด

agents-cli deploy

แนวทางที่เหมาะสมคือ Preview Infrastructure Plan ก่อน แล้วจึง Deploy Code เมื่อทรัพยากรพร้อม

#Observability ที่ควรมีใน Production

AI Agent มีพฤติกรรมซับซ้อนกว่าระบบ API ทั่วไป เพราะแต่ละคำขออาจมีหลาย Model Calls และ Tool Calls ดังนั้นควรติดตามอย่างน้อย

  • Latency ของแต่ละ Agent และ Tool
  • จำนวน Token และต้นทุนต่อคำขอ
  • Error Rate และ Timeout
  • Tool Selection Accuracy
  • จำนวนรอบการทำงานของ Agent
  • Failure จาก Authentication และ IAM
  • Prompt Injection หรือข้อมูลที่ไม่ควรถูกส่งออก
  • Trace ของ LLM Calls และ Tool Executions

Agents CLI รองรับการเชื่อมกับ Cloud Trace และสามารถเพิ่ม Infrastructure สำหรับ Logging และ Analytics ได้ตามความต้องการ

#แนวทางใช้งานในทีมพัฒนา

เพื่อให้ Agents CLI สร้างคุณค่าในระดับทีม ควรกำหนด Workflow มาตรฐานดังนี้

1. เขียน Requirement และ Success Criteria
2. สร้าง Agent Prototype
3. เพิ่ม Tools ทีละส่วน
4. สร้าง Evaluation Dataset ก่อน Deploy
5. รัน Lint, Tests และ Evaluation
6. ตรวจสอบ Security และ IAM
7. Preview Infrastructure Changes
8. Deploy ไปยัง Development Environment
9. ตรวจสอบ Trace และ Logs
10. อนุมัติก่อนเลื่อนไป Staging หรือ Production

ไม่ควรให้ Coding Agent มีสิทธิ์ Deploy หรือแก้ Infrastructure โดยไม่มีข้อจำกัด โดยเฉพาะใน Project ที่มีข้อมูลจริงหรือมี Billing เปิดใช้งาน

#ข้อดีของ Agents CLI

  • ครอบคลุมวงจรพัฒนา Agent ตั้งแต่ต้นจนจบ
  • ทำงานได้ทั้งผ่าน Coding Agent และ Terminal
  • ลดการตั้งค่า Boilerplate ซ้ำ ๆ
  • สนับสนุน Evaluation และ Regression Testing
  • เพิ่ม Deployment Configuration ให้โปรเจกต์เดิมได้
  • รองรับ Agent Runtime, Cloud Run และ GKE
  • มีแนวทางด้าน CI/CD และ Observability
  • เหมาะกับการสร้างมาตรฐาน Agent Engineering ในทีม

#ข้อควรพิจารณา

  • ผูกกับ ADK และ Google Cloud Ecosystem ค่อนข้างมาก
  • Command และความสามารถอาจเปลี่ยนตามเวอร์ชัน
  • Production Deployment ต้องเข้าใจ IAM, Billing และ Cloud Infrastructure
  • Evaluation ที่ดีต้องออกแบบ Dataset และ Metrics ให้สอดคล้องกับงานจริง
  • การใช้ Coding Agent ไม่ได้ทดแทน Code Review และ Security Review
  • Native Windows อาจต้องใช้งานผ่าน WSL 2

#สรุป

Agents CLI เหมาะสำหรับนักพัฒนาและทีมที่ต้องการสร้าง AI Agent ด้วย Google ADK อย่างเป็นระบบ โดยไม่ได้มองเฉพาะการเขียน Agent Code แต่รวมถึงการสร้างโครงสร้างโปรเจกต์ การทดสอบ การประเมินผล การ Deploy และการติดตามระบบหลังเปิดใช้งาน

เครื่องมือนี้เหมาะอย่างยิ่งกับ RAG Agent, Customer Support Agent, Research Workflow, Multi-Agent System และระบบที่ต้องนำขึ้น Agent Runtime, Cloud Run หรือ GKE

แต่หากเป็นเพียง Chatbot ขนาดเล็กที่เรียก LLM ครั้งเดียว หรือโปรเจกต์ที่ไม่ใช้ ADK และ Google Cloud การใช้ Agents CLI อาจเพิ่มความซับซ้อนโดยไม่จำเป็น

หลักการเลือกใช้ที่สำคัญคือ

ใช้ Agents CLI เมื่อระบบต้องการ Agent Engineering แบบครบวงจร ไม่ใช่เพียงการเรียก LLM ให้ตอบข้อความ

#เอกสารอ้างอิง