Google Developers Blog 中文 关注 developers.googleblog.com是Google开发者官方博客。这里，他们提供了关于各种开发者工具及其功能、bug修复和提高开发技能的教程。博客还发布了与Google软件开发项目相关的案例研究、采访和社区新闻。 Google Developers Blog developers.googleblog.com RSS developers.googleblog.com Google Developers Blog 中文 RSS thenote.app
为何客户端 SDK 生成应公开透明 Google 已与 Speakeasy 合作，将其 OpenAPI 代码生成套件以 AGPLv3 许可证开源。此举是战略性的，由 Google 此前专有 SDK 提供商突然关闭所推动。新开源的套件为开发者提供了确定性、多语言的 SDK 生成器，原生支持严格类型定义和 SSE 流式传输，并配备用于编译面向代理的命令行工具（CLIs）和文档 MCP 服务器的工具。工程团队现在可以安全地将这套强大的工具直接集成到其持续集成（CI）流水线中，自动为其 API 生成可靠的客户端库，同时完全保留对输出代码的许可证控制权。 Why client SDK generation belongs in the open developers.googleblog.com +1
Agent 异常检测，现已在 Gemini 企业级 Agent 平台上提供私有预览版 Agent 异常检测是 Gemini 企业级 Agent 平台新增的一种带外（out-of-band）监督层，通过分析 OpenTelemetry 追踪数据和工具调用，在不增加实时请求运行时延迟的前提下识别行为风险。该方案采用多层级检测流水线，结合轻量级统计扫描与基于大语言模型（LLM）的深度推理，以识别基于 OWASP 代理类十大风险（OWASP Agentic Top 10）的逻辑异常与策略违规。开发人员可在安全指挥中心（Security Command Center）中对这些自动化发现进行分级处理，或借助暴露的 API 在代理突破既定风险阈值时，通过编程方式阻止后续工具调用。 Agent Anomaly Detection, now in Private Preview on the Gemini Enterprise Agent Platform developers.googleblog.com +1
构建零信任人工智能代理，判断意图而非仅仅是语法 本博客文章探讨了如何利用 Gemini 企业级代理平台，将 AI 代理的安全控制从静态的构建时措施过渡到动态的运行时代治理。文章重点介绍了三项主要托管防御机制：Model Armor 用于筛选边缘提示，Semantic Governance Policies 用于根据业务规则评估工具意图，以及 Agent Anomaly Detection 用于捕获多轮攻击。通过将这些能力提升至平台层级，安全管理员可以动态执行策略并中和复杂攻击，而无需修改或重新部署代理的底层代码。 Build zero-trust AI agents that judge intent, not just syntax developers.googleblog.com +1
基于 Tunix 在 TPU 上的自主 LLM 后训练 想象你在写完一份 Markdown 规范后入睡，醒来却发现一个 A…… Autonomous LLM post-training with Tunix on TPUs developers.googleblog.com +1
《驾驭工程解剖学：如何评估、迭代并守护 AI 编程代理》 虽然端到端基准测试（如 SWE-bench）能为 AI 代理提供广泛的性能评分，但它们往往成本高昂、耗时较长，且缺乏用于解释代理逻辑具体在何处失效的根因诊断能力。为解决这一问题，开发者应采用行为评估——即快速、局部的单元测试式评估，其对离散的中间动作进行断言，例如验证特定的工具调用或文件修改，而非最终的字符串相等性。通过在宏观基准测试旁构建这些低成本微检查，工程团队可自信地对系统提示词进行迭代并升级模型，而无需担心出现回归问题。 The Anatomy of Harness Engineering: How to Evaluate, Iterate, and Guard AI Coding Agents developers.googleblog.com +1
宣布 Kotlin 1.0 版 ADK：在 Kotlin、Android 及其他平台构建生产就绪的 AI 智能体 Google 已正式发布 Kotlin 代理开发套件（ADK）1.0 版本，实现了与 Python 和 Java ADK 核心的完整功能对等，以支持符合惯用法的多智能体 AI 开发。该框架基于 Kotlin Multiplatform（KMP）构建，利用 Kotlin Symbol Processing（KSP）实现零反射、类型安全的函数调用，并具备高级编排能力，如人机协同工作流和上下文压缩。此外，此次发布还引入了一套以 Android 为核心的强大扩展套件，使移动开发者能够通过 LiteRT-LM 集成本地模型、借助 Firebase AI 实现云端推理、使用 Room 进行会话持久化，以及依托 AppSearch 构建语义记忆。 Announcing ADK for Kotlin 1.0: Building Production-Ready AI Agents in Kotlin, Android, and Beyond developers.googleblog.com +1
驱动开发者卓越：深入项目冲刺 Gemini 企业开发者体验（DevEx）计划持续对端到端开发者工作流进行冲刺测试，以识别并快速解决摩擦点，且不依赖内部捷径。本次冲刺聚焦于优化企业 AI 治理，包括完善设置前置条件、加固扩展配置以及明确策略执行机制，以确保更顺畅、更可靠的部署。开发者现在可以利用更新的文档和标准化的代码示例，提升其在 Agent Gateway 和语义治理配置方面的体验。 Driving Developer Excellence: Inside the Program Sprints developers.googleblog.com +1
支撑最强 AI Agent 挑战赛提交作品的四大工程模式 最近的 Google for Startups AI Agents Challenge 表明，最成功的多智能体系统依赖于基础软件工程模式，而不仅仅是原始模型能力。获胜的架构一致实现了双向 MCP 以实现智能体间无缝通信、异步事件总线以支持并行执行、严格的统一验证以应对模型回退，以及分层路由以最小化昂贵的推理调用。通过优先采用这些结构性实践而非简单的线性提示链，开发者可以构建更具韧性、低延迟且成本效益更高的智能体工作流。 4 engineering patterns behind the strongest AI Agents Challenge submissions developers.googleblog.com +1
使用深度学习和 Keras 解码宇宙信号 天体粒子物理学处于天体物理学与粒子物理学令人兴奋的交叉领域，并... Decoding cosmic signals with deep learning and Keras developers.googleblog.com +1
面向云端 TPU 的长上下文多模态嵌入推理的企业级精度 Google Cloud 已将 TPU 支持原生集成至 vLLM 推理引擎，使开发者能够利用 Google Kubernetes Engine (GKE) 弹性扩展高负载嵌入处理管道。为应对 Qwen3-Embedding-8B 等模型所需的 15K+ token 上下文，工程团队实施了针对 TPU 的优化措施，包括硬件安全的张量对齐、JAX/XLA 编译预热以及用于分块预填充管理的混合 StepPool 架构。这些改进实现了与参考 GPU 基线近乎完美的数值一致性，开发者可立即在 AI-Hypercomputer GitHub 上获取开源的配置方案，构建自身的高吞吐量语义检索应用。 Enterprise-Grade Precision for Long-Context Multimodal Embedding Inference on Cloud TPU developers.googleblog.com +1
如何在 ADK 中评估实时与语音代理 将实时语音智能体从演示环境迁移到生产环境，需要严格的自动化测试以应对真实多轮对话的不确定性。ADK 现已提供原生的实时评估功能，使开发者能够基于图结构的智能体工作流，针对由 Gemini TTS 生成真实音频的 LLM 驱动模拟用户进行测试。通过定义评估场景和自然语言评分标准，您可以自动评分音频响应和工具执行结果，在 ADK Web 中检查生成的对话转录，或直接通过 CLI 在 CI/CD 流水线中运行评估。 How to Evaluate Live & Voice Agents in ADK developers.googleblog.com +1
使用 Google 的 Agent Development Kit 构建零信任 AI 代理 构建能够变异生产状态的自主 AI 代理，必须超越软性系统提示，转向稳健的零信任架构。为保护 Google Agent Development Kit (ADK) 工作流免受提示注入和恶意执行威胁，开发者必须实施硬件支持的数据库写入加密签名、针对动态代码的基于 gVisor 的内核级沙箱，以及用于 I/O 验证的确定性语义网关。通过在基础设施层面强制执行这些硬性安全边界，即可安全部署多工具 AI 代理，而无需担心未经授权的数据篡改或服务器被攻破。 Build zero-trust AI agents with Google's Agent Development Kit developers.googleblog.com +1
介绍 Credentio：来自 Google 的用于 C2PA 内容凭证的开源 C++ 库 Credentio 是 Google 新发布的一款开源 C++ 库，使开发者能够将高性能、本地优先的 C2PA 内容凭证验证集成到其客户端和服务器应用程序中。该库通过完全本地处理资产，并采用高度优化的内存占用，可为多 GB 大小的媒体文件提供即时验证结果，同时避免产生云延迟、带宽成本或数据隐私风险。该库目前支持深度清单解析及可配置的信任列表集成，现已在 Google Source 上发布，未来计划支持完整的凭证生成与嵌入功能。 Introducing Credentio: Open Source C++ Library for C2PA Content Credentials from Google developers.googleblog.com +1
HeyGen 与 Google Cloud：将 Avatar IV 引入 TPU HeyGen 将其 180 亿+ 参数的 Avatar IV 视频生成模型通过 torchax 和 XLA 移植至 Google Cloud 的 Trillium（v6e）TPU，并在八芯片网格上利用 FSDP 和 Ulysses 序列并行。为实现实时流处理的 1.86 倍加速，工程团队对暴露的全对全集体通信进行了流水线化处理，将稀疏注意力块大小对齐以消除掩码填充，并采用预计算的柯西 - 施瓦茨上界绕过 softmax 的串行依赖。这些定制的 Pallas 内核与编译器优化仅在通过严格的两级质量门禁后部署，以确保像素输出在字节层面完全一致或在数学上等价。 HeyGen x Google Cloud: Bringing Avatar IV to TPUs developers.googleblog.com +1
在树莓派上掌握 LiteRT 与 Gemma 的边缘人工智能 使用 LiteRT 和轻量级 Gemma 开源模型，现在可以简化在树莓派上部署安全、实时边缘 AI 的工作。LiteRT 优化了 CPU 和 GPU 性能，为 Gemma4 等模型提供快速的 token 生成速度，从而实现机器人的实时本地推理。开发人员可以使用轻量级 LiteRT CLI 工具快速转换、量化并运行这些模型。对 Hailo AI 加速器的支持也即将推出。 Mastering Edge AI on Raspberry Pi with LiteRT and Gemma developers.googleblog.com +1
为何 Go 是 AI 辅助软件工程理想语言 随着 AI 编程助手将开发者的主要角色从编写样板代码转向系统审查与维护，语言选择对于长期架构完整性变得至关重要。Go 直接应对这一新范式，利用其严格的编译器、集成的工具链以及不容妥协的可读性，提供确定性护栏，帮助 AI 模型自我纠正并生成高度标准化的代码。通过强制实现生态系统范围内的一致性和严格的向后兼容性，Go 平台赋能工程团队高效地验证、优化并维护生产环境中高速生成的 AI 输出。 Why Go is an Ideal Language for AI-Assisted Software Engineering developers.googleblog.com +1
Agent Plugins 封装您的技能、工具等 Agent Plugins 1.0.0 是一项由 Google、Amazon、Microsoft 及其他厂商共同支持的新版中立目录规范，用于将 Agent 技能与 MCP 服务器打包为单一可移植单元。通过标准化清单文件（plugin.json）并采用固定的目录布局，该规范消除了开发者为适配不同 AI 编程代理和 IDE 而维护独立包装器或配置的需求。Google 已正式加入成为核心维护者，并在 Agents CLI 和 Data Agent Kit 中率先推出支持功能，使开发者即日起即可构建和分发互操作插件。 Agent Plugins package your skills, tools, and more developers.googleblog.com +1
使用 MCP 无状态更新扩展 AI 代理基础设施 2026 年 7 月 28 日发布的模型上下文协议（MCP）规范以完全无状态的核心架构取代了传统的有状态约束，从而支持云原生横向扩展、无服务器部署以及标准的轮询负载均衡。这一架构变革引入了标准化的 HTTP 头部，以实现无需深度包检测的高效路由、缓存控制，并支持多往返请求（MRTR），从而在不阻塞连接的情况下处理交互式及长运行任务。开发人员可立即利用新发布的 Python、TypeScript、Go 和 C# 的 Beta 版 SDK，将其代理应用程序迁移至该高可扩展性基础设施。 Scaling AI Agent Infrastructure with the MCP Stateless updates developers.googleblog.com +1
AI 模型路由的统一 API Google Cloud API Gateway 现已在公开预览版中推出模型路由功能，使开发人员能够动态将流量路由至 Gemini、Claude 或 OpenAI OSS-GPT 等模型，而无需硬编码端点或管理开源代理。开发人员可直接在 OpenAPI 3.x 规范中配置这些路由规则，通过将虚拟模型名称映射到共享主机上的特定后端目标来实现。部署后，API Gateway 作为无服务器入口层，接收标准的 OpenAI 兼容请求，自动将负载转换为目标模型的本地模式，并实时路由流量。 A unified API for AI model routing developers.googleblog.com +1
基于会话感知的负载均衡实现实时 AI 代理的扩展 实时 AI 代理打破了传统的请求 - 响应负载均衡范式，因为它们依赖长连接、有状态的单向双向流，从而掩盖了真实的服务器容量。为解决这一问题，开发者必须在运行时中直接实现应用级会话跟踪，以准确衡量活跃对话的已提交并发工作负载。通过将精确的会话计数与标准 CPU 利用率指标一同输入混合路由算法，基础设施能够有效分发有状态的 AI 流量，并防止单个后端出现瓶颈。 Scaling real-time AI agents with session-aware load balancing developers.googleblog.com +1
在 Genkit Go 中启用按需专家能力，使用 Agent Skills 为防止上下文窗口膨胀并降低 token 消耗，Genkit Go 基于渐进式披露架构引入了 Agent Skills。开发者可以将专用指令、脚本和参考资料打包成模块化的 SKILL.md 包，其中仅初始向代理的系统提示暴露 frontmatter 元数据。当任务匹配技能的描述时，Genkit 的中间件会动态加载完整的指令正文及相关资源，确保模型仅在需要时访问精确的工作流。 Enable on-demand expertise with Agent Skills in Genkit Go developers.googleblog.com +1
Gemini Enterprise Agent Platform 中的代理与模型评估现已达到通用可用性（GA）阶段。 Agent Platform 的评估服务现已普遍可用，为开发人员提供统一引擎，以在本地开发实验和实时生产流量中一致地衡量代理质量。您可以使用超过 20 个预构建指标、由 DeepMind 支持的自适应评分标准，或存储于集中式版本化注册表中的自定义代码指标及 LLM-as-a-judge 指标来评估代理。该服务通过 Agent Platform SDK、agents-cli 和 ADK 直接集成到现有工作流中，提供内置的用户和环境模拟器，以自动化复杂的多轮测试并简化 CI 流水线。 Agent and Model Evaluations in Gemini Enterprise Agent Platform are now GA developers.googleblog.com +1
如何使用 Google 微基准测试评估 TPU 性能 Google 开源的 TPU 微基准测试套件为开发者提供了涵盖网络、计算、HBM、主机传输和注意力组件的细粒度性能指标，以验证真实世界的硬件能力。通过利用这些基准测试建立 Roofline 模型，工程师可以准确诊断其机器学习工作负载是受计算、内存还是网络限制。这一经验基准直接指导针对性的软件优化——例如内核调优、网格分片与重材质化——以最大化大规模模型部署中的硬件利用率。 How to use Google microbenchmarks for evaluating TPU performance developers.googleblog.com +1
在 TPU 上运行 Ray（第二部分）：Ray AI 库 本第二部分探讨了 Ray 的高级库——Serve、Data 和 Train——如何抽象在 Google TPU 切片上运行 AI 工作负载的复杂性。Ray Serve 使用简单的拓扑配置来正确地对大型多主机模型进行联合调度，而 Ray Data 通过以原生 JAX 批次直接为加速器提供数据来消除数据加载瓶颈。最后，JaxTrainer 通过自动处理跨切片协调、检查点保存和容错，简化了跨 TPU 的分布式训练。 Run Ray on TPU, Part 2: Ray AI libraries developers.googleblog.com +1
Scaling Agentic RL：基于 Tunix 的高吞吐量智能体训练 Tunix 是 Google 推出的原生 JAX 后训练库，旨在消除训练多轮、使用工具的 LLM 推理代理时的 TPU 空闲瓶颈。它通过将高度并发、异步的 rollout 与解耦的 producer-consumer 流水线相结合，最大化硬件吞吐量，确保即使在代理等待网络 I/O 或环境步骤时，训练器也能持续获得数据。此外，Tunix 提供即插即用的抽象和持续的宏观级性能分析，使开发者能够轻松集成自定义开源环境，并对复杂的分布式工作流进行优化，而无需进行大规模代码重构。 Scaling Agentic RL: High-Throughput Agentic Training with Tunix developers.googleblog.com +1
在 TPU 上运行 Ray，第 1 部分：基础知识 Ray 2.55 正式引入对 Google Cloud TPU 的一等公民支持，使开发者能够使用熟悉的 Ray 任务与 Actor API 在 Google 加速器上运行分布式 Python 工作负载。为满足在多主机 TPU“切片”通过片间互连（Inter-Chip Interconnect, ICI）保持连接所需的严格网络要求，GKE 上的 KubeRay Operator 会自动配置并标记底层硬件布局。Ray Core 利用这些标记，通过其 slice_placement_group() 原语原子性地预留完整切片，使开发者只需声明硬件拓扑（如"4x4"），即可通过 KubeRay、Ray Train 或 Ray Serve 部署作业，而无需编写自定义放置代码。 Run Ray on TPU, Part 1: The foundations developers.googleblog.com +1
使用模块化提示词转译构建可扩展的 AI 智能体 为了解决由单体系统提示词引发的扩展瓶颈和运行时错误，工程团队应将提示词视为构建产物，通过将指令模块化为可重用的模板来处理。通过运行这些模块化的“技能文件”经过转译器，开发人员可以在构建阶段实施静态验证，捕获缺失的依赖项，并将提示词生成直接集成到 CI/CD 流水线中。这种确定性方法可防止代码漂移，并最终建立一个安全框架，使智能体能够通过标准拉取请求（pull requests）提出对其自身逻辑的更新。 Building scalable AI agents with modular prompt transpilation developers.googleblog.com +1
演进中的规范驱动开发：Conductor 现已支持反重力 Conductor 已从 Gemini CLI 扩展演变为一个可移植插件，将对话式规范驱动开发（SDD）引入 Antigravity CLI 和 Claude 等生态系统。开发者不再依赖严格的命令序列，而是可以自然地与 AI 助手对话，同时该助手在后台动态管理持久化的 Markdown 工件（如 spec.md 和 plan.md）。此次更新消除了工作流摩擦，并确保您的仓库在不同 AI 工具间始终作为项目架构和状态的版本控制单一事实来源。 Evolving Spec-Driven Development: Conductor Now Supports Antigravity developers.googleblog.com +1
扩展 Gemini 企业代理平台的选择：引入基于并行网络搜索的 grounding Google Cloud 已与 Parallel Web Systems 合作，将 Parallel 的搜索基础设施原生集成至 Gemini 企业代理平台，作为网络 grounding 提供商。此次集成使开发者能够将 AI 代理锚定于可验证的实时网络结果，显著提升复杂企业工作流的事实准确性。此外，该合作还提供了更广泛的架构灵活性，允许用户与其他大型语言模型协同，对网络数据进行程序化提取、永久缓存及处理。 Expanding Choice in Gemini Enterprise Agent Platform: Introducing Grounding with Parallel Web Search developers.googleblog.com +1
系统工程手册：在 Ironwood（TPU7x）上优化 Qwen 3.5-397B MoE 为在 Ironwood TPU 上部署 397B 参数的 Qwen 3.5 混合专家（MoE）模型，工程师开发了一套模块化 JAX/Pallas 优化栈，在预填充密集型工作负载下实现了高达 4.7 倍的推理加速。团队通过部署混合数据并行与专家并行（DP+EP）拓扑，并配合自定义的低层通信融合（如分层 reduce-scatter），有效规避了严重的硬件分片限制，从而优化了跨设备 token 路由。最终，通过执行硬件感知的自定义内核——包括 Batched Ragged Page Attention 和完全融合的 Gated DeltaNet（GDN）块——成功饱和了 HBM 带宽和 TensorCore MXU，将系统吞吐量推近其理论 Roofline 极限。 Systems Engineering Playbook: Optimizing Qwen 3.5-397B MoE on Ironwood (TPU7x) developers.googleblog.com +1
借助 Google Tensor 与 Pixel 开启端侧 AI 新时代 在 Google I/O Connect India 上，Google 展示了由定制 Tensor SoC 和 TPU 驱动的 100% 私有、端侧 AI 的未来，该 AI 将赋能全新的 Pixel 10 系列。本次活动首次推出了轻量级 Gemma 4 E2B 模型，该模型可原生运行于设备上，从而支持完全离线的多模态功能，包括 AI 对话、实时图像识别及个人代理任务。开发者如今即可通过访问新发布的 Tensor SDK beta 及其配套开源资源，开始构建这些安全、基于边缘的应用。 Unlocking the Next Era of On-Device AI with Google Tensor and Pixel developers.googleblog.com +1
LiteRT.js，Google 的高性能 Web AI 推理引擎 我们很高兴推出 LiteRT.js，这是 LiteRT 家族的最新成员！LiteRT.js 是我们强大的解决方案，可在浏览器中直接运行机器学习模型，将 Google 的跨平台边缘 AI 运行时扩展至 Web 领域。专为 JavaScript 开发者打造，LiteRT.js 在 WebGPU 和即将推出的 WebNN 上提供最先进的机器学习模型推理性能，并支持回退至 WebAssembly 以在 CPU 上运行。本文将对 LiteRT.js 进行快速概览，并为 Web 开发者提供一切所需，助其快速上手。 LiteRT.js, Google's high performance Web AI Inference developers.googleblog.com +1
弥合领域差距：使用 Antigravity 和 Gemini 构建的 AI 赛车教练 2026 年 5 月 23 日，刚从 Google I/O 大会舞台走下，我们的 Google 开发者专家（GDEs）齐聚…… Bridging the Domain Gap: AI Race Coach built with Antigravity and Gemini developers.googleblog.com +1
我们在训练中途终止了 TPU，并在数秒内恢复：MaxText 弹性训练简介 分布式 AI 训练以脆弱著称，因为单个机器的故障通常会导致整个多节点任务崩溃，迫使进行耗时且完整的负载基础设施重启。为解决这一问题，Google 的 JAX 生态系统通过 Pathways 实现弹性训练，将硬件故障转化为可捕获的 Python 异常，从而使运行进程得以存活。当发生非计划故障时，系统会自动替换故障的 worker，从 Cloud Storage 恢复最后一个可用的检查点，并在原地继续训练——将总停机时间最小化至两分钟以内，且无需重启主控制器进程。 We terminated a TPU mid-training and it recovered in seconds: Introduction to elastic training with MaxText developers.googleblog.com +1
我们为何开发 ADK 2.0 解答“为何构建 ADK 2.0"这一系列问题。本文阐述了其设计原理、部分功能特性，以及开发者为何应考虑升级。该内容将于 ADK 2.0 正式发布后的次日发布。 Why we built ADK 2.0 developers.googleblog.com +1
在 VS Code 中使用 Google Cloud Power 进行机器学习开发：工作区扩展现已推出 Google Cloud Workbench Notebooks 扩展现已正式推出，使开发者能够将本地 IDE 连接到可扩展的云原生 Jupyter 环境。该集成通过消除上下文切换并提供对高性能 Google Cloud 基础设施的直接访问，简化了机器学习生命周期。为支持透明度和社区驱动的创新，新发布的扩展已完全开源，可在 GitHub 和 VS Code Marketplace 上获取。 ML Development in VS Code with Google Cloud Power: Workbench Extension Now Available developers.googleblog.com +1
使用 Genkit 构建基于 Agent 的全栈应用 开源 Genkit 框架推出了 Agents API，这是一个全栈工具，旨在通过封装消息历史、工具循环和流式传输，简化对话 AI 的复杂底层架构。该 API 支持灵活的服务端或客户端管理状态持久化，从而支持高级工作流，如历史分支、长运行分离任务和多智能体协调，同时通过统一的传输协议无缝连接后端与前端。目前该 API 以预览形式提供 TypeScript 和 Go 支持，并集成 Genkit 开发者 UI，使开发人员无需编写客户端代码即可轻松测试、调试和检查智能体快照。 Build agentic full-stack apps with Genkit developers.googleblog.com +1
使用 ADK Go 2.0 构建可靠的多智能体应用。探索我们全新的基于图的工作流引擎、内置的人工介入机制以及动态编排功能。 Go 2.0 的 Agent 开发套件（ADK）已发布，引入了原生图工作流引擎，助力开发者构建复杂的多智能体应用。此次更新增加了用于人机协同（HITL）编排的原生原语、基于纯 Go 代码的动态执行能力，以及指数退避重试等自动化弹性特性。通过统一执行模型，单智能体应用与复杂图结构如今可在同一运行时上运行，从而简化遥测与状态持久化。 Build reliable multi-agent applications with ADK Go 2.0. Discover our new graph-based workflow engine, built-in human-in-the-loop, and dynamic orchestration developers.googleblog.com +1
从您的编码智能体驱动智能体质量飞轮 构建 AI 智能体时，开发者常不确定对提示词（prompt）的局部调整以修复单个错误，是否会意外导致生产环境中的广泛回归。为弥合这一差距，Google 推出了一项面向编码智能体的新开发者技能，该技能自动化了一个五阶段评估飞轮：准备数据、运行推理、使用自适应 AutoRaters 进行评分、分析失败聚类，并执行针对性优化。该工具可针对生产流量持续运行，或通过合成场景按需运行，允许开发者用自然语言描述测试目标，同时由独立的评估服务安全地验证并统计实际性能提升。 Driving the Agent Quality Flywheel from Your Coding Agent developers.googleblog.com +1
使用 Google 的 Agent 开发套件和 A2A 构建跨语言多智能体团队 Python 代理与 Go 代理如何利用 Agent2Agent 协议协作进行合同合规性检查... Build Cross-Language Multi-Agent Team with Google’s Agent Development Kit and A2A developers.googleblog.com +1
A2A 如何构建协作智能体世界” 庆祝 Agent-to-Agent（A2A）协议一周年，本文阐述了该框架如何使自主 AI 代理在无需传统 API 僵化约束的情况下安全协作并移交任务。通过将复杂工作流委托给专业对等代理，A2A 避免了上下文污染，保障了数据隐私，并通过模块化简化了应用设计。为展示该生态系统的实际运作，本文重点介绍了 FoldRun——一个面向生命科学的代理接口，用于编排复杂的蛋白质结构预测——以及涵盖商业、数据流、DevOps 和电信领域的多样化 A2A 用例。 How A2A is Building a World of Collaborative Agents developers.googleblog.com +1
A2UI + MCP 应用：结合声明式与自定义代理 UI 的最佳实践” 本文介绍了三种架构模式，旨在将模型上下文协议（MCP）应用与代理到用户界面（A2UI）相结合，以解决高度定制的 iframe 环境与原生声明式渲染之间的权衡问题。通过结合这些方法，开发者可以直接通过 MCP 服务器提供具有原生体验的 UI，在声明式视图中安全地嵌入复杂且具备状态管理的 iframe 应用，或将生成式 UI 组件注入遗留系统。最终，这些混合框架赋能工程团队交付安全、高性能且品牌一致的智能体用户体验，并可根据具体项目约束进行定制。 A2UI + MCP Apps: Combining the best of declarative and custom agentic UIs developers.googleblog.com +1
发布代理资源发现规范 一种用于在网络上查找和验证工具、技能及智能体的开放规范。智能体是…… Announcing the Agentic Resource Discovery specification developers.googleblog.com +1
增强安全与信任：Google 登录中的新会话元数据 Google 正在增强“使用 Google 登录”功能，通过引入新的 OIDC 标准声明——特别是 auth_time 和 amr（认证方法参考），为开发者提供更深入的会话元数据。这些更新使已验证的应用能够验证用户登录的“新鲜度”以及所使用的具体认证方法（例如多因素认证或硬件密钥），从而实现更动态、基于风险的访问控制。通过利用这些联邦身份信号，平台可以更有效地防止账户接管和欺诈，同时实施细粒度的安全策略，例如对敏感操作执行升级认证。 Enhance Security and Trust: New Session Metadata in Sign in with Google developers.googleblog.com +1
释放 TPU 栈的潜能：推出我们的新开发者中心 Google 正式推出 TPU 开发者中心，这是一个集成的教育资源，旨在帮助模型构建者和开发者最大化 Google Cloud TPU 的性能。该中心提供以代码为核心的资源、开源示例以及深入的技术文档，涵盖硬件架构、软件优化、调试、并行性和网络等方面。这些材料专为人类开发者和 AI 辅助工具量身定制，以简化从大规模训练到低延迟推理工作负载的全流程。 Unlocking the Power of the TPU Stack: Introducing our new Developer Hub developers.googleblog.com +1
DiffusionGemma：开发者指南 DiffusionGemma 是一款基于 Gemma 4 架构构建的实验性文本生成模型，采用基于扩散的并行生成方式替代传统的逐词自回归方法，从而在保持可部署于消费级 GPU 的同时，实现更快的推理速度、双向上下文感知以及实时自我修正。其架构通过迭代去噪过程并行生成并优化 256 个 token 的块，使其在处理如数独等基于复杂约束的任务时，效果优于传统语言模型，并展现出微调带来的显著增益。该模型已集成至 vLLM 及其他主流推理框架，为开发者提供了一种兼具高性能、高效长上下文扩展能力以及易于定制与部署的新型非自回归方法。 DiffusionGemma: The Developer Guide developers.googleblog.com +1
介绍 Google Colab CLI Google 发布了 Google Colab 命令行界面（CLI），这是一款新工具，允许开发者和 AI 代理将本地终端连接到远程 Colab 运行时，从而实现无摩擦执行。该轻量级 CLI 使用户能够轻松请求高性能 GPU、在远程运行本地 Python 脚本，并无缝获取工件日志或模型（如微调后的 Gemma 3 适配器）。通过将工具直接集成到标准终端环境中，其高度可编程，并可供 Antigravity 或 Claude Code 等 AI 代理使用，以管理复杂的机器学习流程。 Introducing the Google Colab CLI developers.googleblog.com +1
将 Gemma 4 12B 部署至您的笔记本电脑：借助 Google AI Edge 解锁本地代理工作流 Google DeepMind 的 Gemma 4 12B 模型将代理式、多模态 AI 能力带入配备 16GB 内存的日常笔记本电脑，支持本地数据处理与视觉洞察生成。用户可通过 Google AI Edge Gallery 在 macOS 上利用该模型，实现动态 Python 代码执行与可视化；也可通过 Google AI Edge Eloquent 实现完全离线的语音转写与文本编辑。此外，LiteRT-LM CLI 新增的 serve 命令增强了开发者工作流，可创建符合行业标准的本地端点，以驱动完全本地的 AI 工具与代理。 Bringing Gemma 4 12B to your Laptop: Unlocking Local, Agentic Workflows with Google AI Edge developers.googleblog.com +1
Gemma 4 12B：开发者指南” 新发布的 Gemma 4 12B 是一款稠密的多模态模型，专为在消费级设备上实现高性能本地 AI 执行而设计。通过引入一种新颖的无编码器架构，它绕过了传统的视觉和音频编码器，直接将多模态数据输入到 LLM 主干网络中。 Gemma 4 12B: The Developer Guide developers.googleblog.com +1
