Google agents-cli permet à votre agent IA d’en créer d’autres à la volée

Et si votre terminal devenait le centre de commandement d’une armée d’agents IA capables de se coordonner, de déléguer des tâches et même de créer de nouveaux agents à la volée ? C’est la promesse de Google agents-cli, un outil en ligne de commande lancé récemment par Google. Pensé pour les développeurs, il simplifie la création et le déploiement d’agents autonomes en exploitant la puissance des modèles Gemini. L’objectif : transformer des instructions textuelles en actions concrètes, sans jamais quitter le terminal.

---

À retenir

• Google agents-cli est une interface en ligne de commande open source pour créer, tester et déployer des agents IA.
• Elle s’appuie sur les modèles Gemini 1.5 Pro et Flash et sur l’infrastructure Google Cloud.
• L’architecture Manager-Worker permet à un agent « chef d’orchestre » de superviser plusieurs agents spécialisés.
• Un agent peut générer lui-même un sous-agent pour résoudre une tâche imprévue.
• L’outil est accessible via GitHub et nécessite Node.js, Python et un compte Google Cloud.

---

Un terminal pour dompter l’IA agentique

Les développeurs aiment la ligne de commande pour sa simplicité et sa vitesse. Google a choisi ce terrain familier pour y déposer agents-cli, une plateforme qui transforme le terminal en centre de pilotage pour systèmes multi-agents. En quelques commandes, on initialise un projet, on définit des agents et on les connecte entre eux.

Gemini en chef d’orchestre

Sous le capot, c’est la famille de modèles Gemini qui assure le raisonnement. Gemini 1.5 Pro, notamment, gère bien les consignes complexes et la planification de tâches. Il peut analyser une demande, la découper en étapes et décider quels outils (recherche web, exécution de code, interrogation de base de données) mobiliser. La version Flash, plus légère, sert plutôt pour les actions simples qui demandent une réactivité quasi instantanée.

Un cycle unifié : construire, tester, déployer

Avec agents-cli, tout le processus se pilote depuis le même terminal. La commande init génère une arborescence de projet avec les fichiers de configuration. On y déclare les outils que l’agent pourra utiliser, comme un moteur de recherche ou un interpréteur Python. Vient ensuite le build qui prépare l’environnement, puis le deploy qui lance l’agent sur Google Cloud ou en local. Les logs en temps réel permettent de voir l’agent réfléchir, appeler des fonctions et corriger ses erreurs. C’est un peu comme regarder un collègue travailler, sauf que le collègue est un modèle de langage.

L’ouverture comme moteur

Hébergé sur GitHub, le projet est open source. Les développeurs peuvent l’étendre avec leurs propres outils ou l’intégrer dans leurs pipelines CI/CD. Cette transparence compte quand on confie à une IA l’accès à des API ou à des bases de production.

Quand l’IA devient chef de projet

Le changement le plus net avec agents-cli, c’est son architecture Manager-Worker. Un agent principal joue le rôle de manager, tandis que des agents spécialisés exécutent ce qu’on leur confie. Le manager ne se contente pas de distribuer le travail : il vérifie les résultats, demande des corrections et, si nécessaire, crée un nouveau worker pour combler un manque.

Le manager décompose, les workers exécutent

Imaginez que vous demandiez à votre agent de « générer un rapport trimestriel sur les ventes ». Le manager va découper la mission : d’abord, extraire les données brutes (SQL), puis les analyser (Python), enfin rédiger le résumé (LLM). Chaque étape est confiée à un worker outillé pour cette tâche précise. Une fois les résultats récupérés, le manager les assemble et vérifie la cohérence. C’est une façon de surmonter les limites des modèles, dont la fenêtre de contexte ne peut pas tout absorber d’un coup.

L’auto-génération, la clé de l’adaptabilité

Quand une demande sort des compétences prévues, le manager peut créer un sous-agent à la volée, avec les instructions et les outils adaptés. Cet agent éphémère disparaît une fois sa tâche accomplie. On obtient ainsi un système qui s’adapte sans intervention humaine, presque comme une micro-entreprise logicielle qui se dote de renforts au besoin.

Une productivité démultipliée

Pour les équipes de développement, cela change la donne. Plutôt que d’écrire des scripts pour chaque scénario, on donne l’objectif au manager, qui répartit le travail. Le gain de temps se voit surtout sur les tâches répétitives d’intégration de données, de génération de documentation ou de tests. Sur certains workflows complexes, le temps de mise en œuvre peut baisser de 30 à 40 %.

Installer et lancer son premier agent en cinq étapes

Passer à la pratique ne demande pas un doctorat en IA, mais il faut quand même connaître un peu l’écosystème Google Cloud. Voici le parcours type pour faire tourner votre premier agent depuis un terminal.

1. Les fondamentaux

Assurez-vous d’avoir Node.js, Python 3.10+ et le SDK Google Cloud (gcloud) installés. Il vous faudra aussi un compte Google Cloud avec un projet actif, sur lequel vous aurez activé les API Vertex AI et Generative Language. Comptez une petite heure pour la configuration initiale si vous partez de zéro.

2. Cloner le dépôt et lancer l’initialisation

Récupérez le code depuis GitHub, installez les dépendances via npm install, puis lancez agents-cli init. Le système vous demandera de saisir votre clé d’API Gemini et quelques paramètres de base. Cette commande crée un squelette de projet avec un fichier agent.yaml décrivant le comportement de votre agent.

3. Définir les outils

Ouvrez le fichier agent.yaml pour y lister les outils (tools) dont l’agent disposera. Par exemple, vous pouvez activer search pour les requêtes web, code-execution pour du Python ou définir une fonction sur mesure via le protocole Function Calling. C’est ici que vous donnez à votre agent ses « bras ».

4. Construire et tester

Lancez agents-cli build pour empaqueter l’agent et ses dépendances. Vous pouvez ensuite exécuter une série de tests unitaires pour vérifier que l’agent réagit correctement à des requêtes types. Les logs s’affichent directement dans le terminal : vous voyez les appels de fonctions, les réponses intermédiaires et le résultat final.

5. Déployer

Quand tout est stable, un agents-cli deploy envoie l’agent sur Cloud Run. Il devient alors accessible via une URL, prêt à être sollicité par d’autres services ou à interagir avec eux via le même CLI. Vous pouvez également le faire tourner en local pour du prototypage rapide.

Concrètement, Google agents-cli abaisse le seuil d’entrée vers les systèmes multi-agents. Là où il fallait jongler entre des consoles, des scripts et des API disparates, un seul terminal suffit désormais pour concevoir, tester et mettre en ligne des agents capables de se gérer comme une petite équipe. Cette simplicité peut faire gagner du temps aux équipes qui jonglent encore avec plusieurs outils à la fois.