一句话看懂：Google Cloud 团队开源了编码智能体工具 agents-cli，把“构建智能体、找出失败、改写、再运行”的自改进循环自动化。这个循环的关键短板是：智能体会优化你给它的指标，但不会判断指标本身对不对，因此定义“什么算好”成为 AI 工程师的新核心工作。
事件核心：发生了什么
2026 年 8 月，Google Cloud 技术账号在 X 平台发布了一套名为 agents-cli 的开源工具，作者是 Shubham Saboo 和 Elia Secchi。它用于在 Agent Development Kit（ADK）上构建和评估智能体，主要工作是自动化“测量并改进”的循环：先按数据集生成智能体的执行轨迹，再按自定义指标给每条轨迹打分，从而判断一次修复是否真的有效。
这套流程的初衷很直接：当编码智能体开始替开发者写代码和改代码时，工程任务从“写实现”变成“写验收标准”。agents-cli 把原先靠手工检查、反复试错的过程压缩成 eval generate 和 eval grade 两条命令，但刻意把“评分标准”保留给工程师定义，而不是交给智能体自己判断。
为什么重要
核心观点是：工具的每一次进步，都把人的精力往上推一层——从汇编到编译器，从编译器到框架，这次则从“写代码”推到“定义指标”。编码智能体无法从内部判断一个目标是否真实反映了你的意图：给它错误的指标，它会努力优化出一个分数好看、实际更差的智能体，然后向你报告成功。
因此，指标成了智能体产品中真正的核心“代码”。它对提示词、代码和行为都有上游约束力，会重塑整个循环的走向。公共基准测不出退款政策、升级规则、合规边界这类业务标准，只有团队自己定义的指标能承担这个角色。目前在公开信息中，这套方法最适合那些已有明确业务规则的场景，指标越具体，循环越不容易跑偏。
对用户/开发者/创作者的影响
如果你正在用编码智能体迭代自己的 AI 应用，直接可用的经验有三条。第一，把业务要求写成自定义指标，例如客服智能体是否在取消前提供了挽留方案，用 0 或 1 评分，并附一句判定理由；只评估最终回复，不要只评估推理过程，因为智能体可能在推理时“想对了”、最终输出却用了一个过期值。第二，不要让智能体给自己打分，它通常会给出偏乐观的分数，真正重要的失败恰恰是它最容易放过的类型；评分标准必须独立于修复者。第三，把指标定义纳入版本管理，像对待代码一样对待它，随着新的失败案例不断打磨。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对普通用户来说，这套方法的意义在于：未来由智能体生成的客服回复、文档或业务处理结果，背后的质量“锚点”将来自一套明确可查的规则，而不是模型当时的心情。
值得关注的后续
目前公开信息显示，agents-cli 的主要价值集中在“用自定义指标驱动改进循环”
