TheNote
Google Cloud Blog 中文 笔记
GooglePlay AppStore

Google Cloud Blog 中文

cloud.google.com/blog 是 Google Cloud 的官方博客。它提供了 Google Cloud 产品和服务的新闻、更新和见解，以及云计算行业中的趋势和创新。 博客上有 Google Cloud 的专家、工程师和思想领袖撰写的文章，涵盖了人工智能、机器学习、数据分析、安全等广泛的主题。文章经常包括技术教程、案例研究和最佳实践，使博客成为开发者、IT 专业人士和对 Google Cloud 感兴趣的商业领袖的宝贵资源。 博客组织良好，文章按主题、产品和行业分类。访问者可以浏览最新的文章、搜索特定的主题或订阅博客的 RSS 订阅以跟踪最新的新闻和更新。 博客的一些关键特点包括： - 关于 Google Cloud 产品和服务的深入文章，如 Google Cloud Platform、Google Cloud Storage 和 Google Cloud AI Platform - 如何使用 Google Cloud 服务的技术教程和指南 - 来自 Google Cloud 客户的案例研究和成功故事 - 对行业趋势和创新见解和分析 - Google Cloud 的合作伙伴关系和协作的新闻和更新 - 与 Google Cloud 专家和思想领袖的采访 总之，Google Cloud 博客是任何对云计算、人工智能和相关技术感兴趣的人的宝贵资源。
Cloud Blog cloud.google.com
RSS cloudblog.withgoogle.com
Google Cloud Blog 中文 RSS thenote.app
RSS Hunter RSS Hunter • 2024年8月23日

笔记线程

云首席信息安全官视角：在人工智能时代坚守安全基础

AI 时代要求重新聚焦核心安全基础，因为攻击者正利用 AI 实施高级攻击。Google Cloud 首席信息安全官 Chris Betz 强调，这是韧性（resilience）与脆弱性（vulnerability）之间的首要区别。虽然 AI 同时加速了攻击者和防御者的创新，但它也支持高度定制化且快速的恶意行动。攻击者正在部署由 AI 驱动的恶意软件，并利用深度伪造（deepfakes）进行身份盗窃，从而催生了如“影子代理”（shadow agents）等新威胁。应对这些威胁需要退一步，强化基础安全，包括多因素认证（multi-factor authentication）和零信任（Zero Trust）框架。加倍投入这些构建模块可缩小攻击面，并为防御性 AI 提供上下文。AI 正在变革漏洞管理，通过自动化发现并建议代码修复，确保防御能力快速演进。威胁建模也受益于 AI，其能够扩展整合来自代码、架构和网络的数据能力，从而形成全面视图。首席信息安全官必须作为战略业务领导者，利用 AI 增强防御能力，并将安全与业务目标对齐。这种方法有助于组织在应对 AI 复杂性的同时实现增长，从而保障自身安全。
Cloud CISO Perspectives: Sticking to security fundamentals in the AI era cloud.google.com
CdXz5zHNQW_BrqFxU7DGg.jpeg
RSS Hunter RSS Hunter • 8月21日

智能体如何实现更优的委托

有效的委托是一项关键的领导技能，如今正被应用于企业工作流中的 AI 代理。多智能体系统非常适合处理复杂任务，这就要求 AI 代理具备智能委托的能力。Google DeepMind 的研究指出，委托是一个涉及协商、合同与安全性的智能过程。由此总结出构建能够有效委托任务的 AI 代理的四大原则。第一条原则是通过“合同优先分解”来验证委托的工作，将任务分解为可管理、可验证的模块。理想情况下，工作可以可靠地评估，但在某些主观性较强的场景中，可能需要人类专家的判断。第二条原则强调明智地控制成本，即根据任务复杂度匹配合适的 AI 模型：简单任务不应占用昂贵且强大的模型资源，而复杂任务则需要更强的能力。第三条原则是尊重敏感数据，意味着 AI 代理必须遵守边界和权限限制，仅授予完成任务所需的最小必要访问权限。先进的加密技术（如零知识证明）可以在不泄露私有数据的前提下验证工作成果。第四条原则是警惕“无差别服从区”，告诫 AI 代理不可盲目遵从请求。智能委托需要“动态认知摩擦”来验证信息并质疑模糊的请求，从而防止细微的错误或危害在委托链条中扩散。最终目标是让 AI 代理无缝融入组织，与人类专家协同工作。
How agents can delegate better cloud.google.com
RSS Hunter RSS Hunter • 8月21日

为企业客户扩展谷歌反重力

Google Antigravity 现已集成至符合条件的 Gemini Enterprise 应用订阅中，以回应客户反馈，增强开发者访问权限及企业管控能力。开发者如今可在多种界面中使用 Antigravity，包括 VS Code、Visual Studio、JetBrains 和 Zed 的 IDE 扩展，以及桌面应用和命令行界面（CLI）。企业治理团队受益于内置的管理功能、安全控制及许可证管理，所有功能均整合于 Gemini Enterprise 管理控制台。财务团队则通过共享使用配额获得灵活性，避免预付费令牌闲置。细粒度的支出阈值及超额启用选项允许管理员设置项目级预算上限，并确保持续的开发者工作流。全面的用量指标提供令牌消耗和开发者活动的可见性，以支持优化。该集成确保 Antigravity 在 Google Cloud 的标准安全与合规保护下运行，包括可配置的安全策略、集中审计日志及数据隐私合规。身份联邦和应用默认凭证简化了技术团队的部署。Accenture、AirAsia、CGI 和 Cognizant 等客户已开始在 Gemini Enterprise 中利用 Antigravity，以加速开发、自动化任务并交付变革性价值。该平台赋能团队超越简单的代码生成，安全且负责任地编排复杂结果。Antigravity 在 Gemini Enterprise 中现已面向符合条件的 Gemini Enterprise Standard、Plus 及 Standard Emerging Market 许可证开放。管理员可通过企业设置指南启用 AI 开发者工具，而开发者则可开始使用 Antigravity 2.0、CLI 或 IDE 扩展进行构建。
Expanding Google Antigravity for enterprise customers cloud.google.com
CdXz5zHNQW_mRaZZsqdoS.gif
RSS Hunter RSS Hunter • 8月20日

宣布在 Cloud KMS 中支持量子安全密钥导入

企业采用多云架构，使得自带密钥（BYOK）对于数据主权和保护云工作负载至关重要。量子计算的进步使得重新评估安全加密密钥传输成为必要。Google Cloud KMS 现已提供软件加密密钥的量子安全密钥导入预览功能。这一新的 BYOK 能力是其后量子密码迁移的第一步，有助于在具备密码学相关能力的量子计算机出现之前保护敏感密钥。与此同时，Cloud KMS 已普遍可用的后量子密码（PQC）洞察功能可监控后量子安全态势。传统的密钥导入方法易受未来量子计算机发起的“先存储、后解密”攻击。量子安全密钥导入通过将密钥从一开始就封装在抗量子信封中，从而缓解此类攻击。新的传输机制采用混合公钥加密（HPKE），包含客户端封装和服务器端解封装。该流程集成到现有的 Cloud KMS API 工作流中，最大限度地减少用户操作负担，并提供内置的数据传输保护。
Announcing quantum-safe key import in Cloud KMS cloud.google.com
RSS Hunter RSS Hunter • 8月20日

初创企业在将 AI 原型投入生产前必须回答的 10 个问题

在 Google Cloud 上启动 AI 驱动型初创企业可通过 Google AI Studio 和 Gemini 企业代理平台等工具实现流程简化。然而，仍可能面临挑战，例如 API 密钥泄露导致意外账单、IAM 复杂性阻碍迁移，以及配额限制引发请求错误。为应对这些问题，初创企业需要制定战略计划。第一阶段为“接入（Onboard）”，重点在于奠定坚实基础。关键在于决定采用 Google AI Studio 以实现快速原型开发，还是采用 Gemini 企业代理平台以获得企业级控制能力，并制定相应的迁移策略。高效设置 Google Cloud 项目涉及使用模板、预先启用必要的 API，并利用 AI 辅助授予细粒度的 IAM 角色。在身份验证方面，原始 API 密钥仅适用于本地开发；生产工作负载最佳实践是使用具有最小权限角色的服务账号。从 AI Studio 的 API 密钥模式迁移至 Agent 平台的 IAM 模型，应在需要多个用户访问 API、产生显著成本或引入付费客户时进行。第二阶段为“扩展（Scale）”，旨在提升吞吐量同时避免成本过度增加。HTTP 429 错误通常源于命中共享配额限制或全球需求激增；解决方案包括固定至区域端点，并实施带有指数退避机制的正确重试策略。理解消费模式至关重要：标准按需（Standard PayGo）具有成本效益但无保障，优先按需（Priority PayGo）以更高成本提供更快访问，而预留吞吐量（Provisioned Throughput）则保证容量但需预付费用。
10 questions every startup should answer before moving to production with their AI prototype cloud.google.com
RSS Hunter RSS Hunter • 8月20日

Google 在 2026 年 Gartner® 云原生应用平台魔力象限™中位居领导者

Google Cloud 连续第三年被评为 Gartner 云原生应用平台魔力象限中的领导者。这一认可彰显了 Google 致力于以开发者为中心的平台，简化现代工作负载的基础设施复杂性。该平台支持无服务器、容器化及代理式部署选项，既满足传统微服务，也适配先进的人工智能应用。生成式 AI 已深度集成，借助 Google AI Studio 等工具实现快速原型开发，并通过托管的 MCP 服务器支持 AI 代理交互。Google 官方技能库为代理提供预构建的专业能力，进一步加速开发进程。从原型到生产环境的过渡中，Google Cloud 为架构师和平台工程师在整个应用生命周期提供工具支持。Antigravity 框架统一开发流程，应用设计中心（Application Design Center）则自动化配置与设计，实现标准化部署。在运维方面，Gemini Cloud Assist 提供由 AI 驱动的故障调查与成本分析，利用机器学习提升效率。高可用性与可靠性通过 Cloud Run 的自动跨区域故障转移等功能得到保障。Google Cloud 倡导开源战略，向云原生计算基金会（Cloud Native Computing Foundation）贡献代码，增强应用可移植性。展望未来，该平台正致力于构建云原生应用的未来，聚焦于自主 AI 代理。专用基础设施栈支持代理集群的托管、治理与安全，并与代理开发套件（Agent Development Kit）及其他框架集成。Gemini 企业级代理平台提供原生的个性化、可观测性与仿真工具，助力可扩展的代理开发。Cloud Run 也为代理托管提供灵活替代方案，即将支持持久化实例与安全沙箱等新功能。强大的安全与治理能力通过代理身份（Agent Identity）、注册表（Registry）和网关（Gateway）实现，有效管理与保护 AI 代理。
Google is a Leader in the 2026 Gartner® Magic Quadrant™ for Cloud-Native Application Platforms cloud.google.com
CdXz5zHNQW_IhsB4Fbu06.png
RSS Hunter RSS Hunter • 8月20日

AlloyDB ScaNN 如何将向量搜索扩展至 100 亿向量

企业级智能体 AI 应用需要能够扩展至十亿级向量的向量数据库，而当前系统往往难以满足这一挑战。AlloyDB 是一款兼容 PostgreSQL 的数据库服务，专为这类高需求工作负载设计，凭借集成的分析引擎提供高可用性与可扩展性。其关键突破在于 ScaNN 索引，现已通过全新的四级树架构高效处理 100 亿个向量。该创新设计通过采用分层分区显著降低计算强度，在查询过程中大幅缩小搜索空间。四级结构实现了最优遍历效率，复杂度为 O(N^(1/4))，超越了以往的限制。此外，该架构通过平衡树构建和优化的采样流程提升了内存利用率，使得 AlloyDB ScaNN 能够在不超出可用内存容量的前提下管理大规模数据集。性能测试表明，AlloyDB 利用其 ScaNN 索引可有效扩展至超过 100 亿个向量，在此规模下实现低于 51 毫秒的 p95 延迟及 95% 的召回率。用户现在可通过快速入门指南和 30 天免费试用体验这一四级树架构。
How AlloyDB ScaNN scales vector search to 10 billion vectors cloud.google.com
CdXz5zHNQW_rIGljTtrlK.jpeg
RSS Hunter RSS Hunter • 8月20日

顺流而行：针对俄罗斯利益相关者的独特集群

Google 威胁情报小组（GTIG）正在追踪五个疑似俄罗斯网络间谍活动集群，其目标涵盖学术界、航空航天、国防、政府及智库。这些集群包括 UNC6293、UNC7005 和 UNC5976，采用多种手段，如网络钓鱼及滥用合法身份验证流程。其主要目标是通过复杂的社会工程学利用信任关系，从而入侵用户账户。UNC6293 可能为 ICE RELIC 的子集群，专注于应用密码网络钓鱼，冒充美国国务院。该集群针对对俄罗斯持批评态度的人员，诱使其设置特定应用密码或分享验证码。UNC7005 也被评估为与 ICE RELIC 存在关联，表现出较低的技术复杂度和较弱的运营安全性。该集群实施针对 Microsoft 和 WhatsApp 账户的应用密码网络钓鱼及设备代码网络钓鱼。UNC7005 使用精心设计的社会工程学手段，常伪造合法事件和组织。其战术包括系统指纹识别以规避检测，并试图掩盖操作行为。在 WhatsApp 网络钓鱼活动中，UNC7005 旨在将用户账户链接至攻击者控制的设备，从而实现进一步入侵，包括音频和视频录制。尽管各活动存在差异，但其共同特征是对身份验证流程的滥用。GTIG 正在提高相关方的警惕性，以帮助目标识别此类恶意社会工程学行为。
Going with the Flow(s): Distinct Clusters Target Individuals of Interest to Russia cloud.google.com
CdXz5zHNQW_JPYYRiseWZ.png
RSS Hunter RSS Hunter • 8月20日

Google Cloud 上的无服务器 Apache Spark：架构选择与 AI 故障排查

Google Cloud 的 Apache Spark 托管服务通过抽象基础设施管理来简化数据工程。用户可根据工作负载特性，在用于可预测、高利用率任务的托管集群与用于间歇性任务的无服务器模式之间进行选择，从而避免闲置成本。无服务器模式提供交互式会话以支持探索，并提供批处理作业以支持自动化。在 Google Cloud 上优化 Spark 需要仔细声明驱动器和执行器的资源分配。设置明确的执行器最大数量可防止预算超支，而根据数据规模管理 Shuffle 分区则能提升性能。当管道发生故障时，Gemini Cloud Assist 可与控制台集成，利用自然语言诊断问题；它能够识别批处理作业提交中缺失的参数。此外，Gemini 还能通过定位因模式或数据类型不匹配而导致错误的代码来解决数据异常。工程师随后可提示 Gemini 生成更正且更具弹性的代码，从而简化故障排查流程。
Serverless Apache Spark on Google Cloud: Architecture Choices & AI Troubleshooting cloud.google.com
CdXz5zHNQW_yOfu3Gpb2m.png
RSS Hunter RSS Hunter • 8月19日

如何使用 Google Cloud 的 Lakehouse 运行时目录现代化 Apache Hive

多年来，Apache Hive Metastore（HMS）一直是大数据分析的核心权威，负责管理 Spark 和 Presto 等查询引擎的 schema。然而，随着数据架构的扩展并跨越多个查询引擎，传统的 HMS 部署已成为显著的操作瓶颈。这些遗留系统难以应对架构扩展问题，因其依赖关系型数据库而引发性能问题。此外，它们导致身份与安全治理形成孤岛，需要在不同的控制平面实施碎片化的策略。同时，管理和调优独立的 HMS 实例会带来可观的操作负担，并增加总体拥有成本。Google Cloud 的无服务器 Lakehouse 运行时目录提供了一种解决方案，该方案基于开放的 Apache Iceberg REST Catalog 规范构建。此目录是一个统一、高可用的元数据注册表，既支持传统的 Hive/Parquet 格式，也支持 Iceberg 等现代格式。它将元数据发现与计算引擎解耦，允许多个引擎在不复制数据的情况下访问数据。这实现了多引擎互操作性、开放 API，并通过直接引用云存储中现有数据实现零数据复制迁移。AI 驱动的治理与 Cloud IAM 集成，提供一致的安全性和可信上下文，而凭据分发则进一步增强了安全性。Lakehouse 运行时目录已具备企业就绪能力，依托 Google 的基础设施进行扩展，并提供高可用性以支持故障转移。其无服务器特性减少了操作负担和总体拥有成本。零复制迁移能力允许直接从传统 Hive Metastore 迁移至 Lakehouse 目录。向 Lakehouse 现代化转型统一了治理，为代理提供可信上下文，并大幅降低操作成本，为云环境中的代理级操作做好准备。
How to modernize Apache Hive using Google Cloud’s Lakehouse runtime catalog cloud.google.com
CdXz5zHNQW_H3FQKMqnb7.png
RSS Hunter RSS Hunter • 8月19日

Box 如何利用 Gemini Embeddings 2 解锁多模态企业智能体

企业内容管理正在经历重大的架构转型，超越传统的基于文本的人工智能。企业在 Box 中存储着海量的关键数据，包括财务模型和法律文件。虽然基于文本的搜索和 RAG（检索增强生成）一直行之有效，但智能体时代需要多模态能力。这一演进使系统不仅能处理文本，还能理解和处理空间与结构数据。Google Cloud 与 Box 正将先进的多模态能力集成到 Box 的智能体平台中，该能力由 Gemini 多模态嵌入 2 驱动。此次融合将 Google Cloud 的 AI 嵌入技术增强至 Box 平台。改进后的嵌入技术保留了理解复杂文档（如财务表格）至关重要的视觉和空间几何信息。它们凸显了图表和流程图等视觉元素，使其可与文本一同被检索。该技术还连接了混合文件格式，实现了跨 PDF、电子表格和演示文稿的统一理解。Gemini 多模态嵌入 2 为文本、图像和文档页面创建了统一的向量空间，支持无需手动标记的跨模态检索（文本到视觉和视觉到文本）。该系统还支持布局感知的文档嵌入，保留视觉层级，并无缝桥接异构格式。此次在 Box 内的集成催生了三种多模态企业智能体的核心模式。第一种模式针对复杂的财务与分析报告，通过捕捉表格与图表的结构对齐关系，使智能体能够执行视觉趋势分析和上下文溯源。第二种模式聚焦于多模态临床决策支持，综合多种数据格式（如实体照片和病理切片），实现跨模态临床综合、细粒度异常识别和风险感知决策支持。第三种模式解决跨文档多模态综合与数据 reconciliation（数据对账）问题，以应对碎片化的企业信息，从而实现跨文件综合、冲突解决以及跨不同文档的视觉到文本审计。智能体企业内容管理的未来依赖于此次集成，从而从基础搜索迈向智能协作。Box 平台为 AI 智能体提供受管制的、语义索引的推理层，确保合规与安全。通过主动呈现洞察并标记差异，Box 有助于降低业务风险。这种多模态理解对于金融服务和生命科学等行业至关重要。Box 作为受管制的內容基础，确保 AI 驱动的工作流使用授权且可审计的数据。能够理解本质上多模态的企业数据景观，标志着生产力与创新的新纪元。
How Box is unlocking multimodal enterprise agents with Gemini Embeddings 2 cloud.google.com
CdXz5zHNQW_Uu4pQ4xq4a.gif
RSS Hunter RSS Hunter • 8月18日

在 Google Dataflow 中构建具有成本效益的高吞吐量生成式 AI 工作流

现代企业依赖实时流处理管道进行连续数据处理。传统上，这些管道采用静态逻辑，而生成式 AI 代理则支持自适应执行。这使得工作流能够根据数据内容动态构建计划并采取行动。例如，一条愤怒的客户消息可触发订单查询、补救措施及客户通知。然而，在大规模运行生成式 AI 工作流时，面临高延迟和高成本等挑战。本文提出的解决方案将 Google Dataflow 与代理开发套件（ADK）相结合，构建混合管道，高效处理高吞吐量流数据。该方案采用轻量级上游模型对事件进行过滤，仅将复杂案例路由至下游生成式 AI 代理。这种“预过滤加代理行动”的模式普遍适用于以常规事件为主的流数据场景，例如 IT 运维日志分诊、金融欺诈检测以及工业物联网监控。该架构结合了本地 CPU 模型的成本与速度优势，以及生成式 AI 代理的高级能力。通过采用 CPU 密集型模型进行初始过滤，仅有少量事件需要调用重型生成式 AI 模型，从而显著降低成本并保持高流处理吞吐量。与 Apache Beam 及 ADK 的集成确保了代码的可维护性与清晰度。
Building cost-effective, high-throughput gen AI workflows in Google Dataflow cloud.google.com
CdXz5zHNQW_5vcpows2Qd.jpeg
RSS Hunter RSS Hunter • 8月18日

自动驾驶式的治理，却没有颠簸

治理债务产生于数据上下文（如列含义或 PII 状态）在数据资产转换和共享过程中丢失。传统治理工具具有被动性，往往导致描述和文档更新延迟。治理代理（Governance Agent）项目旨在通过主动将现有元数据向下游传播来转变这一范式。它利用列级血缘追踪数据源头，并传递描述、业务术语表术语、策略标签和信任评分。这种自动化减轻了手动文档的工作负担，使数据管家能够专注于更高价值的判断决策。当直接血缘不可用时，该代理还能从外部文档中摄取上下文。它采用保守策略，仅在证据充分时才应用元数据。除血缘外，它还利用 AI 驱动的扫描在血缘数据不完整时推断关系和含义。该项目既提供用于临时审查的用户友好型仪表板，也提供用于自动化流水线集成的命令行界面（CLI）。尽管功能强大，该系统仍需人工监督关键决策和最终审批。其目标是将精力从重复性任务转向有价值的决策制定，提升数据可发现性，并加速 AI 解决方案的开发。
Governance on autopilot, minus the turbulence cloud.google.com
RSS Hunter RSS Hunter • 8月18日

通过代理源代码审查保持对对抗性 AI 的领先

由于 AI 驱动的代码分析导致数据窃取和勒索风险日益加剧，必须采取结构化的防御方法。代理漏洞发现框架（Agentic Vulnerability Discovery Harness, AVDH）通过将 AI 模型与人类专业知识相结合，在编排的管道中增强漏洞发现能力。该框架在主动审查、渗透测试和事件响应期间加速漏洞的识别与验证。AVDH 已在实际场景中取得成功，在最近一次事件响应中，两天内发现了超过 100 个关键漏洞。它已分析数百万行代码，生成数万个发现，并促成大量 CVE 披露。AVDH 架构采用“框架（harnesses）”机制，以缓解 AI 的不确定性并提升代码分析的有效性。该框架基于 Google 的代理开发套件（Agent Development Kit, ADK）构建，并集成 Google Antigravity 以管理代理工作流。该管道遵循结构化、顺序化的方法，类似于瀑布开发，始于威胁建模。Explorer 代理识别代码库的用途，随后由 Specialist Explorers 深入特定领域。Threat Model Synthesis 代理汇总发现结果，并提交给人类顾问进行验证。使用 Gemini Flash Lite 的入口点发现代理识别应用入口点及其关联的用户输入源。Enrichment 代理为隔离的入口点聚合相关代码，以支持更深入的分析。Hypothesis generation 代理专注于控制流与数据流，并通过置信度过滤器管理假设数量。Validation 代理配置为高温度设置，对这些假设进行评估，Synthesis 代理则做出最终判定。经确认的发现随后接受严格的人类专家审查，包括动态利用和概念验证执行。任何未通过人类验证的发现均被丢弃。
Staying Ahead of Adversarial AI Through Agentic Source Code Review cloud.google.com
CdXz5zHNQW_PijpR50ObO.png
RSS Hunter RSS Hunter • 8月18日

在金融服务中利用代理型人工智能构建运营韧性

运营韧性对金融机构至关重要，欧盟《数字运营韧性法案》（DORA）等法规进一步提高了相关要求。企业必须证明其关键服务能够在中断中保持韧性并有效恢复。德意志银行通过与 Google Cloud 合作，开发了一个基于 AI 的智能体韧性平台。该平台将传统的韧性演练转变为基于真实运营数据、具备情境感知且以证据驱动的模拟。它从多种来源构建企业级情境，生成逼真的场景和符合监管要求的交付物。其双重编排架构将可追溯、确定性的与监管对齐的执行（使用 LangGraph）同自适应、智能体驱动的场景（使用 Google ADK）分离开来。这种方法兼顾了控制力与灵活性，使演练和真实事件能够采用一致的韧性模型。该平台利用 Google Cloud 服务，包括 Cloud Run、Gemini 企业智能体平台、Google ADK 和 Cloud SQL。这些工具支持可扩展、以证据为导向的韧性测试，生成一致且符合审计要求的文档。该模式通过从真实事件中汲取洞察来指导未来的测试，形成持续反馈循环，从而增强韧性。德意志银行的目标是通过智能且持续自适应的韧性模型，满足对复杂系统的监管期望。
Building operational resilience with agentic AI in financial services cloud.google.com
CdXz5zHNQW_7jZ2QqAh3O.png
RSS Hunter RSS Hunter • 8月18日

使用带有度量的 BigQuery Graphs 处理可信代理工作负载

当自主AI代理处理原始数据表时，企业面临挑战，导致洞察不准确。传统数据结构无法捕捉现实世界的依赖关系，阻碍了智能体理解复杂关系的能力。BigQuery Graph 通过使组织能够将数据表示为互联的业务实体来解决这个问题。这种新方法使智能体能够更精准地跨越这些关系进行推理。关系至关重要，因为盲目依赖平面桌面会阻碍AI代理理解多跳业务上下文。例如，代理可能报告销售下降，但因无法追踪关系路径而未能识别原因。这可能导致昂贵且无关紧要的营销活动和运营效率低下。维护独立的关系系统和指标会进一步加剧这些问题，使得运行时拼接缓慢且不一致。BigQuery Graph 中的度量通过允许现有表原地映射到属性图，统一了指标与关系映射，从而消除了对 ETL 的需求。这种设置奠定了元数据基础，计算业务绩效，并揭示性能变化背后的原因。BigQuery Graph 原生解决了历史上因 SQL 连接导致错误聚合而存在的图穿越问题。数据建模者现在在属性图DDL中定义了度量。该引擎在评估指标前先解析图路径，使用标准SQL和AGG聚合器，确保代理智能地结合分析工具。像可视化图建模器和BigQuery Studio中的对话分析集成等工具，使图智能更加普及。对话式分析实现自然语言交互，将查询转化为精确的图感知SQL代码。原生 Looker 集成确保业务指标存在于数据层，提供统一的语义，避免逻辑碎片化。这种集成支持数据库管理或Looker管理模型，确保通过基于Git的版本控制和CI/CD工作流程实现KPI的一致性。
Using BigQuery Graphs with measures for trusted agentic workloads cloud.google.com
CdXz5zHNQW_SFOIk3WOJP.gif
RSS Hunter RSS Hunter • 8月13日

Looker 的语义层负责管理 Gemini Enterprise 数据，以保障用户信任。

组织在让 AI 代理同时处理结构化与非结构化数据方面面临挑战：大语言模型（LLM）擅长处理文本，但在处理数据库时表现不佳，而 NL2SQL 模型生成的查询往往不准确。Gemini Enterprise 提供统一的 AI 接口，现已通过 Looker 的受管语义层增强，以支持可信的结构化数据。该集成允许 Looker 分析师通过安全的 A2A 协议，直接将对话式代理发布至 Gemini Enterprise。此举使员工能够以实时、自然语言的方式访问受管商业智能，降低使用摩擦，推动数据驱动文化。Looker 的语义层消除了数据查询中的猜测成分，通过提供编码化的上下文，防止指标不一致和 AI 幻觉。当 Gemini Enterprise 用户请求业务关键绩效指标（KPI）时，Looker 代理会基于版本控制的业务逻辑生成精确的 SQL，确保结果具有确定性和可预测性。该集成优先考虑稳健的治理与安全访问，采用零风险透传架构，不摄入也不存储用户数据。数据访问通过 OAuth 授权及 Looker 现有的行级和列级访问策略进行控制，维持严格的安全隔离。技术能力包括丰富的可视化交互（原生图表）与其他代理的互操作性，支持复杂的多代理工作流。稳健的以身份为中心的认证模型确保每个查询均在用户级别进行身份验证，强制执行现有的权限结构。该集成将可信的数据分析、可视化及数据叙事直接带入用户的日常工作空间，让运营指标生动呈现。
Looker’s semantic layer governs Gemini Enterprise data for user trust cloud.google.com
CdXz5zHNQW_1fzLLwEtAe.gif
RSS Hunter RSS Hunter • 8月11日

使用 Gemini 加速 Database Migration Service 中的 PostgreSQL 迁移

将复杂应用从商业数据库迁移到 PostgreSQL 或 AlloyDB 等托管服务时，常因专有存储过程和函数而遇到瓶颈。这种手动转换过程通常涉及 PL/SQL 或 T-SQL，耗时且易出错，从而延误现代化项目。近期 AI 技术的进步，特别是集成到数据库迁移服务（DMS）中的 Gemini，为解决这一“最后一公里”挑战提供了方案。DMS 利用生成式 AI 自动化将遗留例程转换为 PostgreSQL PL/pgSQL 代码，显著加快了进程并提高了准确性。与通用 AI 工具不同，DMS 中的 Gemini 会分析整个数据库上下文，以实现更可靠的转换。该服务在 Google Cloud 的安全环境中运行，保留专有业务逻辑。服务提供集成工作区，支持对转换后的代码进行审查、编辑和验证，并可与解释说明并排查看。这种 AI 辅助方法通过将在数天内而非数月内完成复杂逻辑的转换，从而简化迁移流程，使团队能够专注于应用开发与性能优化。通过自动拉取模式上下文并验证语法，DMS 确保了可靠的代码转换结构化工作流，使数据库团队能够在部署到测试或生产环境之前保持完全控制并验证变更。集成 Gemini 的数据库迁移服务赋能更快、更准确且更安全的数据库现代化。
Accelerate PostgreSQL migrations using Gemini in Database Migration Service cloud.google.com
CdXz5zHNQW_8iQntpUtu1.jpeg
RSS Hunter RSS Hunter • 8月11日

明文中的 PQC：Google Cloud 的后量子密码学路线图

Google 正在更新其 Google Cloud 路线图，计划于 2029 年全面完成向后量子密码学（PQC）的迁移。其战略聚焦于三个关键领域：缓解“现存储、后解密”风险、确保防伪造完整性，并增强密码学敏捷性。Google 已开始将内部及面向客户的服务迁移至 PQC 算法，并在主权云（Sovereign Cloud）计划中部署 PQC 解决方案，同时将其集成至人工智能服务中。该公司旨在于 2029 年实现全面的 PQC 就绪状态，相关工作将延续至 2030 年代，以顺应不断演变的全球标准。2026 年的关键里程碑包括实现量子安全 API 端点和负载均衡器，并开展量子安全证书的试验。云密钥管理服务（Cloud Key Management Service, KMS）现已支持用于加密和签名密钥的 NIST 标准化 PQC 算法。通往 2029 年的路线图围绕以客户为中心的旅程构建，优先处理最易受量子计算影响的领域。领域一旨在 2027 年前实现“现存储、后解密”风险的缓解，保护客户工作负载、管理员流程及数据管道。领域二聚焦于完整性与不可否认性，目标于 2028 年完成，措施包括保障软件供应链安全、签发量子安全证书，以及保护身份与访问。领域三针对基础架构与密钥管理，同样目标于 2028 年完成，内容包括标准化量子安全密钥、硬件支持的服务以及合作伙伴解决方案。Google 强调量子安全是共同责任：Google 负责云基础设施的迁移，而客户则需自行管理其应用程序和数据。
PQC in Plaintext: Google Cloud’s post-quantum cryptography roadmap cloud.google.com
CdXz5zHNQW_9qzhoiPOVY.png
RSS Hunter RSS Hunter • 8月11日

拓展美洲地区的连接：推出 Alisios、Canoa 和 OlaLuz 海底光缆

Google 正在美洲扩展其全球网络基础设施，新增三条海底电缆系统：Alisios、Canoa 和 OlaLuz。这些电缆连同 Firmina 电缆的延伸段以及既有投资，共同构成了名为 Americas Connect 的网络。Alisios 电缆将连接多米尼加共和国、巴拿马和智利，其名称源自信风。Canoa 是泰诺语中“独木舟”的意思，将连接多米尼加共和国与百慕大，从而增强通往欧洲和北美洲的连接能力。OlaLuz 将直接连接多米尼加共和国与佛罗里达，其名称分别取自西班牙语中的“波浪”和“光明”。Firmina 电缆的新分支也将登陆多米尼加共和国，进一步延伸其覆盖范围。Americas Connect 旨在提升跨地区连接基础设施的覆盖范围、可靠性和韧性。该网络将在太平洋创建冗余路径，互联加勒比地区的连接，并将大西洋与 Google Cloud 在美国和欧洲的区域相连。来自多米尼加共和国、巴拿马、百慕大和智利的政府官员对这些投资表示热烈欢迎。这些新的海底电缆预计将提升数字连接能力，促进经济增长，并弥合数字鸿沟。Google 正通过这些战略扩展，持续投资于更加互联和开放的全球云网络。
Expanding connectivity in the Americas: Introducing Alisios, Canoa, and OlaLuz subsea cables cloud.google.com
CdXz5zHNQW_EzDUKh4eBP.jpeg
RSS Hunter RSS Hunter • 8月11日

推出面向智能体移动应用开发的开发者设备平台

企业依赖基于设备的客户交互，因此本地应用性能对用户体验至关重要。尽管在大量设备上测试应用至关重要，但由于采购成本、复杂性以及测试不稳定等问题，实施起来十分困难。这往往导致开发人员仅依赖有限的个人设备进行测试，从而危及广泛的兼容性。Google Cloud 现已推出开发者设备平台（Developer Device Platform，DDP）的公开预览版，以应对这些挑战。DDP 提供托管的云访问权限，可访问真实的物理设备和虚拟模拟器，是对 Firebase Test Lab 的演进。它支持代理式开发，允许开发人员使用首选的代理进行编码、测试、调试和优化。DDP 的设备流式传输 API（Device Streaming API）通过远程访问并交互所选设备上的应用，实现交互式调试。设备运行 API（Device Run API）可在 CI/CD 流水线中并行测试数百台设备，有助于快速定位并解决问题。DDP 增强了代理能力，使其能够执行复杂旅程、识别视觉异常并分析设备端性能。通过与 Android Studio 和命令行界面（CLI）的集成以及代理技能，将加速开发进程并优化代码。DDP 支持智能分片（smart sharding）和自动重试，以实现高效的并行测试和更快的错误解决。该平台面向所有 Google Cloud 用户开放，在公开预览期间采用按分钟付费模式。
Introducing the Developer Device Platform for agentic mobile app development cloud.google.com
RSS Hunter RSS Hunter • 8月10日

Google 在《Forrester Wave™：人工智能平台，2026 年第三季度》报告中被评为领导者。

Google Cloud 赋能组织自信地构建和部署代理工作流。其集成的 AI 平台将研究与灵活性相结合，以交付业务价值。Gemini Enterprise 处于核心地位，统一了面向代理企业的工具，并提供内置的企业级信任。这一方法使 Google 在 Forrester Wave AI 平台报告中被评为领导者，并在战略维度获得最高评分。Gemini Enterprise 作为 AI 的统一入口，打破孤岛，将业务用户、开发者和 IT 领导者连接在共享的上下文中。Gemini Enterprise 代理平台通过 Gemini Enterprise 应用，使整个 workforce 能够安全、安全且具成本效益地开发和部署代理。通过整合数据、模型、开发工具和 IT 运营，Gemini Enterprise 在保持控制的同时赋能转型。该平台满足多样化的构建者需求，支持高代码、低代码和无代码环境，并提供对众多模型和模板的访问。Gemini Enterprise 本质上是多模态的，能够处理和生成各种数据类型，以创建具有上下文的业务体验。信任至关重要，因此代理平台包含默认的企业级治理、安全和可观测性。内置的护栏、持续评估和实时跟踪确保代理工作流的安全扩展。诸如知识目录等功能通过建立通用上下文引擎来提升代理的准确性。Google 认为，Gemini Enterprise 为开发者自信地构建代理系统提供了必要的基础。
Google named a Leader in The Forrester Wave™: AI Platforms, Q3 2026 cloud.google.com
CdXz5zHNQW_iqAMPwLR9H.png
RSS Hunter RSS Hunter • 8月10日

Malachyte 如何通过托管实时 AI 解决零售业的冷启动问题

Malachyte 开发了一个基于人工智能的平台，以解决向新用户推荐产品的挑战。这种个性化对于在线服务至关重要，其灵感来源于大型语言模型（LLM）的进展。该公司利用 Google Cloud 的工具，如 Bigtable 和托管 Apache Kafka 服务，构建了其先进的推荐算法。Malachyte 的突破在于将带有注意力机制的神经网络应用于零售交互，这些机制与 LLM 中的机制类似。他们通过分析用户在站内的活动序列，来预测用户下一个期望的商品。这种方法通过利用每一次交互来细化用户画像向量，从而解决了“冷启动”问题。随着新数据的加入，预测精度得以提升，整体模型也从匿名化的用户信息中受益。Malachyte 的系统能够在毫秒级更新用户画像，从而实现实时推荐。与传统需要大量历史数据的方法不同，Malachyte 专注于会话交互，以实现更高的个性化水平和隐私保护。这一多模态系统对用户数据进行编码，并将产品嵌入到同一向量空间中，以实现精准的推荐。Google Cloud 的实时 AI 基础设施，包括用于流式事件的 Kafka 和用于快速查找的 Bigtable，支持快速更新和推荐。这种可扩展的架构对于 Malachyte 能够高效地交付个性化体验至关重要。
How Malachyte solves retail’s cold-start problem with managed real-time AI cloud.google.com
CdXz5zHNQW_zzLyeeAAsM.png
RSS Hunter RSS Hunter • 8月10日

GKE 中的 ClusterNetworkPolicy：为微服务平衡控制与自治

管理多租户 Kubernetes 网络安全需要在开发人员的通信需求与安全团队的合规要求之间取得平衡。标准的 Kubernetes NetworkPolicy 虽然对单个命名空间有用，但由于其命名空间范围和以开发人员为中心的设计，难以实现集群范围的强制实施。ClusterNetworkPolicy（CNP）作为开源标准被引入，以解决这些局限性。CNP 是一种集群范围资源，使管理员能够实施集中式网络安全管理。它具备分层体系结构：管理员层级（admin tier）用于最高优先级的全局规则，网络策略层级（network policy tier）用于命名空间特定的开发人员策略，基线层级（baseline tier）用于集群默认行为。这种分层结构将安全与组织角色对齐，使安全团队能够实施合规要求，平台团队能够实施默认拒绝所有（default deny-all）策略。开发人员随后可以管理其应用程序特定的策略，而不会覆盖核心安全要求。确定性评估机制可解决策略冲突，管理员层级能够执行显式的 Pass 操作，将最终决策委托给命名空间策略。常见用例包括隔离敏感工作负载、保护核心服务以及管理外部出站流量。CNP 将复杂的网络安全需求简化为集中式规则，例如禁止访问敏感命名空间，同时允许关键服务。ClusterNetworkPolicy API 是一项开源标准，确保跨环境的可移植性。GKE 对 CNP 的实现提供了原生的层级选择，以实现清晰且确定性的策略评估。这将工作负载的网络安全提升至统一、集群范围的治理水平。
ClusterNetworkPolicy in GKE: Balancing control and autonomy for your microservices cloud.google.com
CdXz5zHNQW_bAPXfDa5Dc.jpeg
RSS Hunter RSS Hunter • 8月10日

WPP 如何为 AI 营销实施平台与数据工程

WPP 正通过利用人工智能，在动荡的市场中为客户提供预测性确定性，从而转型其营销与传播服务。传统上，代理商依赖直觉，而 WPP 现在使用名为 WPP Open 的人工智能系统来分析市场动态。WPP 全球营销数据的碎片化构成了重大的工程挑战，使得人工智能部署困难且不安全。为此，WPP 与 Google Cloud 合作，构建了统一的数据骨干和定制的平台工程路径。此次合作标准化了无服务器计算模式与数据处理流程，使营销活动更加快速且安全。该项目涉及构建集中式、基于服务的数据基础架构，将数据整合至安全的共享 Google Cloud Storage 和 BigQuery 项目中。细粒度的身份与访问管理控制确保数据安全，而 Managed Service for Apache Spark 则负责清洗和标准化原始数据。这种无服务器架构结合 Kubeflow，使 WPP 能够专注于数据转换逻辑，而无需管理基础设施开销。该平台随后将原始数据转换为基于关键指标（如年龄、性别、地理位置、产品和兴趣）的标准人群定义（SCDs）。这些 SCDs 支持全球数据聚合，同时不暴露敏感信息，并通过类型安全的 Scala 框架确保人工智能应用的数据可追溯性和合规性。WPP 还使用可复用的 GitLab CI/CD 模板标准化其企业软件生命周期，实现安全高效的部署。他们采用“一次构建，多次部署”的方法论，将精确且经过验证的容器镜像直接部署到生产环境，以确保一致性。集成的安全扫描和智能网络工具自动化漏洞检测并解决网络冲突，进一步加速发布流程。通过监控延迟和错误率等细粒度指标来评估运营健康状态，确保平台的韧性和高可用性。这一全面方法使 WPP 显著减少了创意与策略制定时间，提升了生产效率，增加了内容产出量，并提高了营销活动的投资回报率。通过与 Google Cloud 构建坚实的数据与人工智能基础架构，WPP 已取得显著的业务影响，并加速了其向人工智能驱动未来的转型。
How WPP operationalizes platform and data engineering for AI marketing cloud.google.com
CdXz5zHNQW_bQfJCUmGLT.jpeg
RSS Hunter RSS Hunter • 8月10日

零代码、低成本的数据摄入：全新 BigQuery DTS 功能

在数字经济中，高效的数据管理至关重要，但许多企业仍面临复杂的内部 ETL 管道或不可靠的第三方工具的挑战。BigQuery 数据转移服务（DTS）提供完全托管、零代码的解决方案，可自动化将数据摄入 BigQuery，使团队无需维护数据管道。该服务正扩展其集成能力，以解决跨多种平台的数据孤岛问题。新功能包括直接从云存储向 Apache Iceberg 表摄入数据，从而实现与 BigQuery 性能兼容的多云支持。新一代代理架构允许 AI 应用程序以编程方式发现和管理数据转移。DTS 现已支持 Microsoft SQL Server、PostgreSQL 和 MySQL 等企业数据库，支持全量及增量转移，并将数据整合至 BigQuery。此外，Shopify、Klaviyo、HubSpot 和 Mailchimp 等电子商务和营销平台也已集成，以自动化细粒度数据的提取。迁移连接器（包括 Snowflake）提供无缝数据移动功能。ServiceNow、Salesforce 和 Oracle 等主要连接器已通过原生增量更新得到增强。BigQuery DTS 具备成本效益，对许多 Google 及其他主要来源提供免费摄入，对第三方 SaaS 则采用基于消耗的低价费率。安全性无摩擦，可自动继承 BigQuery 的安全功能（如列级安全和客户托管加密密钥），无需额外配置。该服务拥有行业领先的性能与韧性，提供≥99.99% 的月度可用性 SLA，确保数据更新可靠可靠。企业可通过使用 BigQuery DTS 构建可扩展的数据栈，从而转型其数据运营，新的连接器将根据用户需求持续开发。
Zero-code, low-cost data ingestion: New BigQuery DTS capabilities cloud.google.com
RSS Hunter RSS Hunter • 8月7日

GOL！TelevisaUnivision 如何利用 Google Cloud 向数百万观众直播 FIFA 世界杯”

实时体育赛事转播需要强大的数字基础设施，以应对数百万观众和毫秒级延迟的挑战。TelevisaUnivision 在 2026 年国际足联世界杯期间面临这一挑战，墨西哥作为东道主进一步放大了球迷参与度。品牌声誉直接取决于关键时刻流畅、不间断的直播表现。因此，技术执行对于维持客户信任并防止用户流失至关重要。TelevisaUnivision 与 Google Cloud 合作，因其架构和客户导向而选择了其媒体 CDN。媒体 CDN 的分布式基础设施具备深入 ISP 的边缘缓存和直接 ISP 互联功能，以规避网络拥塞。专用容量预留确保了直播流量被隔离，并能吸收峰值突发流量。将会话存储迁移至用于 Valkey 9.0 的 Memorystore，实现了关键检查的亚毫秒级响应时间。除技术之外，Google Cloud 还推出了联合协同工程模式，提供统一的 24/7 作战室和主动监控。此次合作在 104 场比赛中实现了 100% 的平台可用性，累计交付 6.75 亿次观看。该合作通过结合本地化边缘交付、快速计算能力以及联合运营努力，为大规模实时直播树立了新标杆。
GOL! How TelevisaUnivision streamed the FIFA World Cup to millions with Google Cloud cloud.google.com
CdXz5zHNQW_EirBGeM6Z0.png
RSS Hunter RSS Hunter • 8月7日

利用 BigQuery 搜索创新统一结构化与非结构化数据洞察

企业面临管理非结构化数据（如 PDF、音频和图像）的挑战。BigQuery 现提供简化的五步框架，以释放此类数据的洞察价值：访问（Access）、处理（Process）、 grounding（Ground）、关联（Relate）和激活（Activate）。本文聚焦于增强"Ground"阶段的三个关键里程碑。自主嵌入生成现已普遍可用（GA），可在数据摄入时自动创建数据嵌入，无需复杂的管道。该功能支持外部和原生 Gemma 嵌入模型，并新增多模态图像嵌入能力。BigQuery 通过管理企业级处理并自动保持数据同步，消除了对独立向量数据库的需求。AI.SEARCH 的普遍可用（GA）显著提升了自然语言搜索性能，单次查询增益明显。该功能使用户无需在搜索路径中使用嵌入，即可轻松查找语义相关的记录。性能优化带来了实质性的速度提升，实现了更快且更具成本效益的用户端搜索。混合搜索（Hybrid Search）的公开预览版统一了关键词搜索和向量搜索能力。该方法结合了语义搜索的概念理解与词法匹配的精准定位。混合搜索通过基于语义相关性和关键词频率重新排序结果，提升了精确度并减少了大语言模型（LLM）的幻觉。这些进展是 BigQuery 构建端到端非结构化数据分析平台的更广泛愿景的一部分。
Unifying Structured and Unstructured Data Insights with BQ Search Innovations cloud.google.com
CdXz5zHNQW_jYrUlOLOjk.gif
RSS Hunter RSS Hunter • 8月7日

Google Cloud 如何检测、遏制并防御新兴威胁

Google Cloud 致力于通过其基础设施、工具和治理体系保障数据与业务系统安全。他们采用共同命运模型，主动识别并缓解威胁，防止其影响客户。超大规模云平台是恶意行为者寻求破坏或获取经济利益时的诱人目标。Google Cloud 安全团队积极监控针对 AI 工作负载的利用、加密货币挖矿以及凭证窃取行为。同时，他们利用网络钓鱼和会话 Cookie 窃取等技术的防御措施，防范账户接管。为缓解这些风险，Google Cloud 对异常流量实施细粒度的隔离与限流措施。对于复杂的 AI 工作负载，他们采用协作式分诊机制，并实施本地化身份隔离，以防止横向移动。作为最后手段，若平台完整性受到严重威胁，将执行有针对性的项目暂停。Google 还与代码仓库托管方合作，尽早发现泄露的凭证。透明度至关重要，Cloud Abuse Event Logging 提供了安全通知的可见性。一旦检测到关键滥用行为，便会生成主动支持工单和滥用通知。Cloud Audit Logging 和异常支出警报有助于识别未经授权的活動，而关键联系人机制则确保及时沟通。客户有责任通过实施多因素认证、保护服务账户等措施加固其环境。此外，还建议实施最小权限原则、边界防御以及定期资源卫生管理。Google 持续监控平台健康状态，以检测异常使用模式。维护安全环境是一项合作，需要 Google Cloud 与客户双方的共同努力。通过采用强大的访问控制和安全最佳实践，双方可共同确保工作负载的安全性与韧性。
How Google Cloud detects, contains, and protects against emerging threats cloud.google.com
RSS Hunter RSS Hunter • 8月7日

人工智能时代的数字主权：您无需在控制与创新之间做出抉择

企业和政府因严格的数据合规与主权要求，在采用人工智能方面面临挑战，往往需要本地部署数据存储。这些组织必须管理与境外数据处理相关的管辖权、经济及地缘政治风险。近期一项调查显示，近半数 IT 领导者将优先支持数据驻留和本地安全法规的基础设施。历史上，本地部署数据意味着放弃获取最新人工智能进展的机会。然而，采用结合本地部署与多云方案的混合云方法，如今正弥合这一差距。该混合策略使组织能够在公有云能力与本地主权及合规优势之间取得平衡，实现此前对受严格规则约束的组织而言难以掌控的数据位置与访问权限。构建内部人工智能系统也被认为对这类组织而言过于缓慢且成本高昂。Google 分布式云（GDC）通过将 Google Cloud 的能力延伸至本地或边缘环境提供解决方案。GDC 提供隔离部署和连接部署两种模式，以满足人工智能工作负载的主权需求。它提供完整的本地部署人工智能解决方案，具备优化的基础设施、模型选择及具有成本效益的推理服务。这使组织能够在保留完整数据控制权的同时，构建安全的人工智能代理。
Digital sovereignty in the age of AI: You don’t have to choose between control and innovation cloud.google.com
CdXz5zHNQW_XwzheZFbR2.png
RSS Hunter RSS Hunter • 8月6日

您的智能体暑期课程：来自 Google 专家的零成本课程，助您构建并扩展智能体

开发和技术领导层中的许多人正在寻求将 AI 代理部署到生产环境的实用方法。所提供的信息通过一个全面的计划提供动手解决方案，旨在引导用户从 AI 概念走向完全自主的代理。今年夏季，个人可以免费利用 Google 的框架和方法来构建和扩展代理。Gemini 企业代理就绪（GEAR）计划提供实验室和课程，使用户获得必要的工具和蓝图。学习路径包括对 AI 代理及其对生产力影响的入门介绍。用户将深入探讨代理基础，如自适应代理的决策模型和执行循环。课程还涵盖企业代理用例、将代理映射到关键绩效指标（KPI）以及利用各种编程框架。提供多个技能徽章，以验证在创建 Gemini 企业应用、编排多代理工作流以及使用代理开发套件（Agent Development Kit）构建 AI 代理方面的专业知识。其他模块专注于集成货币化工具、管理代理记忆和状态、创建自定义代理技能以及在 Google Cloud 上实现代理的运营化。参与者可以在"All Things Agentic"黑客马拉松中测试其技能，争夺丰厚奖品。该计划鼓励立即参与，以构建高需求技能和认证，同时提供多代理系统和企业代理安全的新学习路径。
Your agentic summer: No-cost lessons from Google experts to build and scale agents cloud.google.com
RSS Hunter RSS Hunter • 8月6日

代理化未来就绪：借助 BigQuery 持续优化价格性能，零操作成本

现代数据平台在查询性能调优和系统性价比方面面临挑战，尤其是随着代理（agentic）工作负载的增加。随着数据量、多样性和速度不断增长，且查询由代理自动生成，手动查询优化已变得不切实际。BigQuery 已演变为代理人工智能时代的主要引擎，专注于自主查询处理。其分离式存储与计算架构、无服务器处理以及细粒度计算管理共同实现了最优的性价比。关键创新包括具备基于历史优化（History-Based Optimizations, HBO）的自学习引擎，该引擎能够从过去的查询执行中学习，并在无需用户干预的情况下自动应用有益的优化。该系统包含安全护栏以防止性能回退，拒绝那些无法提升性能的优化。先进的运行时增强了向量化能力并实施了短查询优化，加速符合条件的查询并减少槽位使用。这些改进一致地适用于不同的数据格式，包括开放湖仓架构。流式扩展增强了自动伸缩能力，实现计算资源的按秒计费，从而降低成本。这些自主能力对于数据平台的未来至关重要，因为 AI 代理所需的查询延迟和并发度远高于人类用户。BigQuery 的目标是自动且安全地优化查询，使用户能够专注于提供更优质的体验，而非手动进行基础设施管理和查询优化。
Agentic Future Ready With BigQuery: Continually Improving Price-Performance, Zero Effort cloud.google.com
CdXz5zHNQW_RZymwO4c5H.png
RSS Hunter RSS Hunter • 8月6日

以隐私优先的 AI 推动脑肿瘤研究

医学与人工智能的交叉融合催生了众多创新，但开发者如今正面临一项挑战：构建稳健的医疗人工智能工具，这些工具需经过多样化、真实世界患者数据的测试与评估，同时保护患者隐私。为解决这一问题，Google Cloud 正通过与 MLCommons 合作推进 MedPerf 倡议，该倡议利用机密计算技术，为人工智能模型的基准测试建立安全环境。由 MLCommons 于 2023 年推出的 MedPerf 倡议，旨在通过联邦评估方式标准化医疗人工智能的评估流程。借助 Google Cloud Confidential Space，专有人工智能模型可在硬件隔离的可信执行环境（Trusted Execution Environments）中进行评估，确保各方均无法查看模型代码或患者数据。Confidential VM 的保护范围不仅涵盖 CPU，还延伸至 GPU，在 GPU 加速推理过程中保护模型权重与患者数据。MedPerf 平台已推动关键研究，例如联邦肿瘤分割倡议（Federated Tumor Segmentation），该倡议致力于通过在全球范围内对私有脑部 MRI 数据验证人工智能模型，从而提升脑肿瘤研究水平。这种协作模式表明，人工智能工具可在真正具有代表性的患者群体中得到验证，从而赢得临床信任与认可。此次合作的影响深远，研究人员和临床医生对 Google Cloud 所提供的安全、可扩展且协作性强的云环境给予高度评价。医疗人工智能的未来充满巨大潜力，但其实现的前提是临床医生、研究人员和监管机构能够信任用于评估其性能的基准。通过使数据与模型的共享和评估更加安全便捷，MLCommons 与 Google Cloud 的合作正为更快、更安全且更公平的医疗突破开辟道路。
Advancing brain tumor research with privacy-first AI cloud.google.com
RSS Hunter RSS Hunter • 8月6日

UNC6671 品牌重塑：多品牌语音钓鱼勒索攻击针对金融服务和企业云环境

Google 威胁情报组正在追踪 UNC6671，这是一个威胁行为者组织，尽管据称 BlackFile 品牌已退役，但其仍持续进行数据窃取和勒索活动。UNC6671 已将其活动多元化，覆盖多个勒索战线，包括 Redact、Pink、Helix 和 Falcon。该组织采用语音钓鱼（vishing）冒充 IT 帮助台人员，通过个人移动设备 targeting 员工。这些通话将受害者引导至伪造的登录门户，在此处，中间人攻击（Adversary-in-the-Middle, AiTM）基础设施拦截凭据和多因素认证令牌。一旦获得访问权限，即使用自动化脚本从 Microsoft 365 和 Okta 等云环境中窃取数据。分析显示，这些不同勒索品牌之间存在重叠的基础设施和钓鱼模板，表明其具有共同的运营脉络。UNC6671 的 targeting 对象已演变，近期重点关注金融服务、私募股权和专业服务机构。新技术包括利用通行密钥（passkey）作为钓鱼借口，以及采用防御规避技术以维持持久性并删除证据。观察到的勒索付款持续存在，即使在所谓 BlackFile 关闭后仍有大量交易发生。建议组织实施防钓鱼多因素认证，以缓解此类威胁。
UNC6671 Rebrands: Multi-Brand Vishing Extortion Targets Financial Services and Enterprise Cloud Environments cloud.google.com
CdXz5zHNQW_oek9BOyxep.png
RSS Hunter RSS Hunter • 8月6日

Mirendil 收购 AI 超算中心 TPU 和 GPU，用于预训练和微调应用

Google Cloud 基础设施已成为大多数主要人工智能实验室和高增长人工智能初创企业的首选平台。这些组织依赖该平台进行模型训练、推理以及前沿研究。前沿人工智能实验室 Mirendil 如今也开始利用 Google Cloud 的 AI 超算系统。这将结合使用 Google 的 TPU 人工智能加速器与 NVIDIA 的人工智能基础设施。这一专用配置旨在支持 Mirendil 的模型预训练和后训练应用。Mirendil 致力于开发能够加速并普及人工智能研究与开发的 AI 系统。其工作涉及管理复杂的训练工作流，并驱动大规模强化学习。在 Google Cloud 上同时选择 TPU 和 NVIDIA 平台的灵活性，使 Mirendil 能够快速获取计算资源，从而随时间推移将工作负载匹配到最合适的架构。Google Cloud 与 Mirendil 紧密合作，设计并部署了这一集成基础设施。双方还协作开发了一个系统，该系统利用 Gemini 企业代理平台中的托管训练集群。Mirendil 目前已开始使用 TPU v5P 芯片，并即将集成 NVIDIA 加速计算系统。此次扩展使 Mirendil 能够扩展并增强其 AI 系统。他们的目标是让更广泛的科学家和工程师掌握先进的人工智能研究能力。
Mirendil taps AI Hypercomputer TPUs and GPUs for pre- and post-training applications cloud.google.com
RSS Hunter RSS Hunter • 8月6日

扩展智能体 AI：UiPath 如何在 AI 超算上构建其高性能 GPU 平台

UiPath 正转向代理式人工智能（agentic AI），部署能够进行推理并做出决策的自主代理，以编排复杂的业务流程。这一转变需要强大的计算能力和可靠的基础设施，尤其是对于大型企业而言。在全球 AI 平台上高效地编排数百个 GPU 至关重要，需在提升训练与推理能力的同时，不增加成本或延迟。UiPath 在 Google Cloud 上重构了其基础设施，转向用于智能文档处理的共享 GPU 集群。如今，他们使用 A3 虚拟机实例进行训练，使用 G4 虚拟机实例进行推理，以应对波动性工作负载并确保成本可预测。与 Google Cloud 的合作伙伴关系为 UiPath 雄心勃勃的代理式 AI 计划提供了必要的规模、灵活性和专门的 AI 能力。该公司此前按需配置 GPU 的方法因工作负载波动、高端芯片供应瓶颈以及运营开销过大而变得难以管理。通过将 GPU 视为共享的战略资源，UiPath 的机器学习服务平台优先处理任务，并在各工作流之间平衡需求，从而优化利用率。Google Cloud 的 AI 超算架构整合了硬件、软件和灵活的消费模式，进一步支持 UiPath 不断增长的规模。UiPath 利用 Google Kubernetes Engine 和 Google Cloud 的动态工作负载调度器（Dynamic Workload Scheduler, DWS）提前锁定 GPU 容量，实现主动规划。他们现在使用 A3 虚拟机实例进行训练，使用具有成本效益的 G4 虚拟机实例进行推理，从而优化性能与价格。这一新基础设施使 UiPath 能够将先进模型投入生产，例如 Omega Healthcare 和 Thermo Fisher Scientific 所使用的模型，实现了显著的准确性和处理效率提升。关键经验教训包括：解耦容量、提前调度计算资源，以及根据不同工作负载对硅芯片进行合理 sizing。
Scaling agentic AI: How UiPath built its high-performance GPU platform on AI Hypercomputer cloud.google.com
CdXz5zHNQW_xB4j7Tpaox.jpeg
RSS Hunter RSS Hunter • 8月5日

解决“嘈杂邻居”问题：分片架构如何保护多租户平台

共享基础设施环境（如 SaaS 提供商和大型企业所采用的环境）易受“吵闹邻居”问题的影响。单个租户的高强度数据活动或数据库故障可能导致所有用户性能下降，引发积压并违反服务等级协议（SLA）。传统的单体架构中，所有数据流经单一通道，加剧了这一问题的严重性。这意味着单个数据库故障可能中断所有处理流程，迫使系统为最坏情况采用低效的扩展策略。当单个租户的高流量影响整个系统时，维持稳定的 SLA 几乎不可能实现。解决方案是采用分片式中心辐射架构，将处理解耦为用于路由的中心枢纽和用于执行的隔离辐射节点。枢纽是一个轻量级的 Dataflow 作业，充当流量控制器，解析租户 ID 并将数据分发至隔离的缓冲区。这些缓冲区以持久化的 Pub/Sub 主题实现，可防止下游慢速接收端影响原始数据源。辐射节点由多个较小的 Dataflow 实例组成，按工作负载类型（如高优先级、共享层级或特定领域管道）进行分类。这种隔离显著降低了故障的影响范围，从 100% 降至 5% 以下。同时，它支持根据租户负载进行独立扩展，避免了单体系统为最坏情况进行的低效扩展。维护也更加安全，因为对某一领域的更新不一定影响其他领域。此外，通过引入死信队列、严格的连接池以及异步 I/O 等优化措施，可进一步增强稳定性并防止管道停滞。通过采用这种分片方法，平台能够消除“吵闹邻居”威胁，确保严格的 SLA 并实现更安全的部署。
Solving the "Noisy Neighbor": How Sharded Architecture Protects Multi-Tenant Platforms cloud.google.com
CdXz5zHNQW_wDjs5eoArR.png
RSS Hunter RSS Hunter • 8月5日

解锁共享存储的未来：Colossus 上的 Filestore

Google Cloud 的 Filestore 是一项可扩展的 NFS 文件服务，现已通过集成基于 Colossus 构建的云原生后端存储层获得重大升级。此次升级使 Filestore 能够利用支撑 Google 最大规模全球服务的同一基础分布式存储系统。该集成提升了现代高需求工作负载（包括 AI 和代理工作流）的灵活性与可扩展性。关键优势在于存储容量与性能的解耦，允许独立配置 IOPS 以精确匹配工作负载需求。这种解耦式扩展对容器化环境尤为有利，可通过 Filestore CSI 驱动为 GKE 工作负载提供持久化、高性能的存储。Filestore 多共享功能进一步针对 GKE 优化资源利用率，将实例划分为更小的共享单元以满足特定项目需求。这一新架构解锁了关键应用场景，例如支持高并发 AI 代理群组的共享工作空间，其中共享数据访问至关重要。由 Colossus 支撑的 Filestore NFS 协议支持数百万个代理，通过 NFS 文件锁定提供一致的文件系统访问和严格的数据一致性。在运营方面，此次增强带来了更高的敏捷性，支持实时 IOPS 扩展和更快的故障恢复。安全性也通过深度集成 Google Cloud IAM 和 IP 访问控制列表得到加强。此次更新使 Filestore 能够应对 AI 时代数据工作流不断演变的需求，提供灵活性与成本效益。
Unlocking the future of shared storage: Filestore on Colossus cloud.google.com
RSS Hunter RSS Hunter • 8月5日

多结果集：数据库迁移服务如何自动化SQL服务器到PostgreSQL的转换

将多结果集存储过程从 SQL Server 迁移到 PostgreSQL 面临重大挑战，原因在于架构差异。SQL Server 原生支持流式传输多个结果集，而 PostgreSQL 需要显式的游标管理。手动重写数百个存储过程不切实际，因此 Google Cloud 的数据库迁移服务（DMS）等自动化工具至关重要。DMS 分析存储过程，判断其是否返回单个结果集或多个结果集，以及是否包含标量返回值。对于单个结果集或标量返回值，DMS 生成带有 INOUT refcursor 的 PostgreSQL PROCEDURE；对于多个结果集或组合情况，则转换为返回 SETOF refcursor 的 PostgreSQL FUNCTION，标量返回值作为独立的"return_value"游标追加。测试迁移后的代码需要在事务块中执行，并依次从每个游标获取数据。DMS 采用复杂的预处理机制和基于深度优先搜索（Depth First Search）的有向图分析，以准确判定结果集数量。这种自动化方法在保留核心逻辑的同时，适配输出处理以支持应用集成和测试。理解 DMS 的转换策略是实现 PostgreSQL 无缝 Day-two 运营的关键。
Multiple result sets: How Database Migration Service automates SQL server to PostgreSQL translation cloud.google.com
CdXz5zHNQW_dhhtMvrokU.jpeg
RSS Hunter RSS Hunter • 8月4日

介绍数据库操作代理：自主数据库管理的未来

Google Cloud 推出了两款 AI 驱动的数据库智能体，以简化数据库管理。数据库接入智能体（Database Onboarding Agent）协助完成初始设置、配置和部署，根据用户以自然语言描述的需求推荐合适的数据库服务。对于持续运营，数据库可观测性智能体（Database Observability Agent）负责监控、故障排查和维护数据库。这些智能体已集成到 Google Cloud 的各种界面以及第三方工具（如 IDE）中，在需要的时间和地点提供协助。传统上，数据库管理是一个复杂、手动且高度依赖技能的过程，涉及大量的故障排查时间。新的智能体自动化了诸如查询优化和异常检测等任务，降低了运营开销并提升了效率。可观测性智能体通过分析来自多个来源的数据来解决复杂问题，提供根本原因分析，并建议或执行经过验证的修复措施。它提供舰队级别的故障排查和内置产品调查，关联来自 Cloud Monitoring 和 Cloud Logging 等服务的遥测数据。与现有工作流程的集成无缝顺畅，能力可通过 Cloud Assist 聊天、控制台调查和开发工具访问。这些智能体支持广泛的 Google Cloud 数据库，包括 Cloud SQL、Spanner、AlloyDB 和 Bigtable，应对各种性能和运营挑战。接入智能体分析工作负载需求，推荐特定的托管数据库服务，从而简化选型和配置过程。
Introducing Database Operations Agents: The future of autonomous database management cloud.google.com
CdXz5zHNQW_EaJdqPA9kl.gif
RSS Hunter RSS Hunter • 8月4日

Target 如何利用 Spanner Graph 提升零售商品发现能力，并将数据库维护成本降低 50%

现代零售需要个性化的产品发现和自然的对话式辅助。Target 推出了 Guest Product Confidence 平台，以建立信任并引导购买决策。例如，在 2025 年假日季推出的 Gift Finder 聊天代理，提供对话式商品发现服务。为实现大规模实时个性化和语义响应，Target 需要将碎片化的数据生态系统统一到一个平台上。该平台需同时支持事务性工作负载、图关系、向量相似度搜索和关键词搜索。Target 选择 Spanner Graph 构建其企业本体，打造了一个由生成式 AI 驱动的购物图的“图之图”。通过统一数据，Spanner 现已成为事务状态和语义智能的唯一事实来源。该架构包括企业增强层、统一的图/向量/搜索存储层，以及为 AI 接口提供动力的编排层。一次零停机迁移在四个阶段中成功执行，涵盖模式映射和并行数据回放。此次整合带来了可衡量的业务影响，包括提升推荐相关性和增强客户满意度。同时，基础设施维护成本降低了 50%，加速了新 AI 功能的开发。
How Target is enhancing retail discovery and cutting database maintenance by 50% with Spanner Graph cloud.google.com
RSS Hunter RSS Hunter • 8月4日

德意志银行如何通过 API 就绪生态系统释放敏捷性

德意志银行认识到，API 是数字银行转型背后的关键基础设施。该行从单体系统转向模块化、可复用的 API，并需要统一的 API 管理平台。谷歌云的 Apigee 因其适应性、可扩展性、可靠性、安全性以及 AI 就绪能力而被选中。如今，Apigee 管理着其 API 生态系统，连接金融科技合作伙伴，并赋能面向内部和客户的各类应用。该平台为 API 的可发现性提供统一治理，并自动执行标准规范。API 安全采用最小权限原则进行管理，类似于员工访问控制。Apigee 通过负载均衡和自动扩缩容确保系统的韧性与性能。可观测性通过统一的仪表板实现，提供对 API 性能指标的实时洞察。这种以 API 为先的方法正在为未来的智能服务和新兴行业标准奠定坚实基础。德意志银行将 API 视为银行能力的通用接口，从而实现新服务的无缝集成。对该基础设施的投资使其能够适应未来需求并安全创新。
How Deutsche Bank unlocked agility with an API-ready ecosystem cloud.google.com
CdXz5zHNQW_boa0H5odch.jpeg
RSS Hunter RSS Hunter • 8月4日

未来模式第二部分：为代理式浏览奠定安全基础

Google Chrome 企业版正在演进其安全功能，以支持自主 AI 代理的兴起。这些代理越来越多地在浏览器内执行复杂任务，因此需要为终端用户和 AI 本身提供强大的数据保护。浏览器具有独特优势，因为它掌握用户上下文、现有访问策略以及对活跃应用程序的认知。这使得代理能够在利用现有企业权限的同时安全运行。Chrome 企业版高级版引入了先进的数据防泄漏（DLP）功能，可实时检查代理数据流。这能防止敏感信息泄露至公共大型语言模型，并允许管理扩展程序的权限。访问控制已从用户扩展至其 AI 代理，因此如果用户无法访问某些数据，其代理也无法访问。为确保安全的代理协作，Chrome 正在实施多项保障措施。用户对齐批评者（User Alignment Critic）充当守门人，分析元数据以防止提示注入攻击。站点隔离功能得到增强，将代理活动限制在相关任务来源，防止对无关站点执行未经授权的行动。代理会记录其操作，Chrome 会在关键节点自动暂停以等待人类批准，从而保持员工在环（human-in-the-loop）。例如，重大金融交易或群发邮件需要明确的同意。代理操作在 Chrome 历史记录中清晰标记，以确保透明度。Google 正通过自动化红队测试积极验证这些防御措施，并扩大了漏洞奖励计划。通过扩展浏览器隔离原则并提供可见性控制，Chrome 企业版旨在使企业能够在不牺牲安全性的前提下采用 AI 生产力工具。这种方法确保企业能够在 AI 辅助工作不断演进的环境中安全创新。
Future Mode Part 2: The foundation for securing agentic browsing cloud.google.com
RSS Hunter RSS Hunter • 8月4日

AI 赋能的实战主机现代化：从主机到云的安全可扩展路径

企业在维护遗留大型机或实施高风险的“大爆炸”式迁移之间面临艰难抉择。Google Cloud 提供了一种由 AI 和云驱动的替代性迭代现代化策略。该策略认识到，大型机现代化不仅涉及代码转换，还涵盖复杂的依赖关系、数据格式、事务监控器、工作流和专有接口。Google Cloud 的解决方案将其 Gemini 模型与四大支柱（评估、现代化、去风险和数据迁移）下的专用大型机现代化产品相结合。大型机评估工具（MAT）利用 AI 对遗留应用程序进行逆向工程，提供关于依赖关系、业务规则、文档和领域发现的洞察。现代化提供灵活路径，包括为创新而重写应用程序，或执行确定性的“同类替换”式现代化以保留原有行为。Google Cloud 的“双运行”（Dual Run）流程通过在大型机和云环境中同时运行工作负载并比较输出以验证等效性，确保安全。大型机连接器（Mainframe Connector）促进数据迁移至各类 Google Cloud 服务，从而实现处理卸载并打破数据孤岛。这一综合方法通过理解现有流程、现代化应用程序、上线前降低风险以及现代化数据，解决了现实世界中的大型机现代化挑战。Google Cloud 邀请企业通过试点项目测试这一 AI 加速的方法，试点项目将从自动化的代码库评估开始。
Real-world mainframe modernization with AI: A safe, scalable path from mainframe to cloud cloud.google.com
CdXz5zHNQW_Bxqmdjy8fD.png
RSS Hunter RSS Hunter • 8月3日

Cortex Framework v7 正式发布：在不影响 SAP 运营的前提下构建代理工作流”

企业需要快速且安全地部署人工智能代理，以提升收入并降低风险，同时保护核心ERP系统。这不仅需要原始数据;它要求能够互操作的数据产品，作为单一的真实来源，将复杂的记录转化为易于理解的商业术语。谷歌云的Cortex Framework第7版通过现代化数据架构以实现AI代理准备度，解决了这一问题。此次发布简化了数据产品的部署、定制和扩展，降低了基础设施开销。Cortex Framework v7 包含专为 SAP 开发的数据产品加速器，可直接部署于 BigQuery 和 Knowledge Catalog 中。这些系统为Gemini企业代理平台提供准确的业务上下文，使AI代理能够高效执行。Dataform 支持框架的模块化且可扩展的部署架构，简化编排，使数据团队能够构建和版本控制工作流。新版本提供了包含 AI 友好元数据的代理就绪数据产品，使代理能够推理并执行工作流程。它将原始SAP数据转化为清晰的业务术语，并处理如货币十进制换位等复杂逻辑，确保AI对数据的高度忠实度。为了加速定制AI项目，v7包含了使用自然语言的AI驱动数据产品构建器的代理技能。框架还可以扩展以保持框架内容与自定义模型之间的分离，从而实现干净的更新。由Dataform驱动的模块化部署确保了版本控制的SQL和原生依赖管理，仅处理所需的表。这种模块化方法能够处理复杂的SAP环境，并行部署各种SAP系统的产品，并自动导入自定义字段。通过BigQuery的增量加载和非破坏性模式更新实现了成本效益高的扩展，最大限度地减少计算时间和运营成本。编排依赖Dataform的无服务器执行，实现可扩展的数据处理，无需额外基础设施。Cortex Framework v7 现原生支持 SAP 的业务数据云，将其数据产品与 SAP BDC 数据产品结合，发掘新的商业机会。包含SAP BDC和SAP ERP数据的解决方案样本，以解决关键的业务问题。与行业领导者的共同创新塑造了v7，优先提升企业敏捷性和人工智能准备度。此次发布通过无服务器执行、AI就绪语义和原生SAP集成，将复杂的企业数据转化为战略资产。
Cortex Framework v7 is GA: Build agentic workflows without disrupting SAP operations cloud.google.com
CdXz5zHNQW_2lk7aE3kwy.png
RSS Hunter RSS Hunter • 8月3日

统一公共与私有数据：在 Spanner 上利用 Data Commons 扩展知识图谱

Data Commons 项目旨在组织全球信息，使其普遍可获取且有用，通过整合来自 100 多个权威提供方的碎片化公共数据集来实现这一目标。Data Commons 提供了一个知识图谱，连接现实世界实体及其关系，包含超过 4000 亿个数据点，并使用标准化的 Schema.org 定义进行结构化。该平台提供数据探索工具、MCP 工具以及基于云的 API，用于访问和集成清洗后的数据集，使企业能够更便捷地将内部数据与公共参考数据相连接。Data Commons 跨多个领域整合公共信息，包括农业、人口统计、经济、环境和健康，从而解锁强大的应用场景，例如分析国家 GDP 趋势和追踪地方健康公平性。该平台已过渡到原生图模型 Spanner Graph，将类似 SQL 的界面便利性和图表达能力引入 Spanner，同时保留其高可用性、水平扩展能力以及对原生 ISO/IEC 39075 图查询语言（GQL）的支持。通过采用多实体 Spanner Graph 模式，Data Commons 将实体表示为节点，将其领域链接表示为动态图边，允许直接在数据库中使用 GQL 执行复杂的关系查询。新架构通过消除对复杂预计算索引的需求简化了数据管道，并支持对特定数据集进行增量更新，而无需刷新整个数据库。Data Commons 还采用了精简版的统计数据和元数据交换（SDMX）技术标准，为描述和交换统计数据及其描述性统计元信息提供一致的方法。Data Commons 平台更新增加了对 SDMX 技术标准的 3.0 版本支持，提供开箱即用的第三方工具集成，以处理多维数据集。通过联合公共知识图谱和包含用户自身数据的私有知识图谱，用户可以在保持数据隔离并确保无数据重复的同时，激发令人兴奋的新应用场景。
Unifying public and private data: Scale knowledge graphs with Data Commons on Spanner cloud.google.com
CdXz5zHNQW_8FZTNms1zk.png
RSS Hunter RSS Hunter • 8月3日

幕后揭秘：我们如何构建、测试并扩展 Google Agent Skills

AI 代理的有效性高度依赖于所提供的指令和上下文的质量。Google Agent Skills 旨在通过将 Google Cloud 领域知识编码为结构化、开源的指令，增强 AI 编程代理的能力。该举措作为 Google Cloud Next 2026 的快速“蜂群”行动启动，目标是使 AI 代理更智能、更安全、更准确。一个跨职能团队开发了针对 Google Cloud 知识的标准化、可被代理读取的指令。该项目迅速获得关注，GitHub 星标数超过 15,000，表明社区兴趣浓厚。日益增长的人气带来了在多样化团队贡献中维持质量控制的重要挑战。为此，建立了严格的标准和自动化治理机制，以防止仓库陷入混乱。每项技能均遵循标准化布局，优先采用远程 MCP 工具以优化架构。所有技能在公开导出前均经过严格的内部构建与评估，剥离敏感内部数据并确保内容纯净。在将任何技能合并到仓库之前，会执行自动化检查，包括代码检查器（linters）、链接检查器以及 AI 辅助验证。提交时和每周进行的持续评估对于捕捉因文档、API 或大语言模型（LLM）演变而导致的回退至关重要。这些评估衡量准确性与效率，确保技能能带来可量化的提升。该项目强调，技能应被视为需要持续维护的“活产品”，并明确仓库健康维护及单项技能 upkeep 的所有权。为支持作者，已开发工具和代理工作流，以协助创建有效的指令和评估套件。一项并行的内部举措 DevRel Skills 专注于构建面向内部团队工作流的代理技能，以提升效率与一致性。Google Agent Skills 在 GitHub 上提供公开技能及相关开发者入门材料。
Behind the scenes: How we build, test, and scale Google Agent Skills cloud.google.com
CdXz5zHNQW_snlohUPtMF.png
RSS Hunter RSS Hunter • 8月3日

本月 AI 基础设施与编排的新进展

Google 正在全面推进人工智能基础设施的进步，以支持智能体时代。Google 开发了领先的 AI 模型（如 Gemini），并设计软件框架与硬件。Google 还将 AI 集成到日常工具中，并构建底层基础设施，包括计算能力、加速器以及编排软件。这种稳健的基础设施对于希望更快创新并提供更佳用户体验的企业至关重要。Google 每月发布关于其 AI 基础设施的更新，涵盖产品、技术和工具方面的进展。近期更新重点介绍了 Google Cloud 托管 Lustre、C4N 网络优化虚拟机以及 GKE Dataplane V2 的扩展能力。新功能包括用于强化学习工作负载的协作时间片划分，以及开源的 k8s-aibom 安全工具。实践指南提供了部署 Kimi K3 等模型以及在 TPU 上运行各类 AI 工作负载的详细说明。技术蓝图展示了在 Google TPU 上运行大模型的性能优化方案。Google 已被 Gartner 评为 AI 基础设施领域的领导者。报告显示，AI 愿景与基础设施现实之间的差距正在扩大，大多数组织需要进行升级。机密计算现已在加速器优化的 G4 机器系列上可用，以支持安全的 AI 数据处理。TPU 开发者中心（TPU Developer Hub）和 TPU AI 遥测收集器代理（TPU AI Telemetry Collector Agent）为开发者提供了新资源。新指南详细说明了如何在 GKE 上构建高可用的 AI 推理工作负载，以及如何将 AI 智能体连接到 Cloud Storage 中的数据。独立基准测试表明，GKE 推理网关的表现优于领先的托管 Kubernetes 服务。客户成功案例展示了 Google AI 基础设施在医疗保健和客户评论平台中的成功应用。
What’s new in AI infrastructure and orchestration this month cloud.google.com
RSS Hunter RSS Hunter • 7月31日

云首席信息安全官视角：为何 AI 威胁防御已成为董事会的新基准

《云首席信息安全官视角》强调了人工智能安全对董事会的关键作用。Chris Betz 和 Alicja Cade 指出，人工智能安全已成为董事会的基准要求，对业务敏捷性至关重要。董事会应鼓励首席信息安全官采用原生人工智能、代理式及开放的防御策略。这意味着将防御速度与自动化攻击周期对齐，并利用业务上下文构建统一工具平台。Google 开发了人工智能威胁防御系统，以实现从人工到自动化能力的转型。董事会需提供治理框架以推动运营现代化，聚焦五大关键领域：业务赋能、优化修复周期、系统整合、基于上下文的优先级排序，以及人工智能安全与政策。在这些领域进行投资可构建韧性并驱动业务速度。董事会应引导向以平台为中心、以上下文为驱动的安防模式，以保护资产并促进创新。近期更新包括人工智能代码安全代理、韧性报告及抗量子数字签名。其他议题涵盖威胁行为者命名、人工智能利用蓝图以及无服务器环境的安全防护。播客讨论了经首席信息安全官验证的韧性、人工智能欺诈演变以及安全集成人工智能等内容。
Cloud CISO Perspectives: Why AI Threat Defense is the new boardroom baseline cloud.google.com
CdXz5zHNQW_mSqxbvCj5V.jpeg
RSS Hunter RSS Hunter • 7月31日

AlloyDB 新增群组认证功能，以保障企业级规模与 AI 代理的安全性

传统数据库安全在管理大量密码方面面临挑战，造成运营负担并带来安全风险。Google Cloud 旨在通过实现透明、安全且无密码的数据库访问来简化这一过程。他们正在为 AlloyDB 引入身份和访问管理（IAM）组认证，这是一项预览功能，将基于身份的访问控制扩展至企业级工作负载。这一新功能统一了 AlloyDB 与 Cloud SQL 的安全策略，后者已采用此成功模式。在企业规模上单独管理访问会导致入职瓶颈、离职风险以及跨系统的易错策略管理。通过简化访问管理而使用单一强账号则会引入显著风险并限制细粒度审计。随着 AI 代理部署的增加，数据库身份与访问控制变得更加复杂，因为通用账号可能导致“混淆副手”问题并掩盖个人责任。细粒度认证允许 AI 代理透传用户身份，确保查询以授权用户名义执行，并限制数据访问范围。IAM 组认证允许定义功能性 Google 组，由 Google Cloud 验证组上下文以授权访问并记录精确的审计轨迹。Bilt 等企业已从中受益，得益于这一集中化身份原则，消除了共享凭证，并实现了数据库和角色配置的模板化。Cloud SQL 与 AlloyDB 的统一方法使组织能够为关系型数据库实施标准化、纵深防御的访问策略。通过将 IAM 组认证与其他安全功能相结合，人类和 AI 代理的数据库访问均受限于经验证的企业身份和安全的网络边界，从而为无信任数据库未来铺平道路。
AlloyDB adds group authentication to secure enterprise scale and AI agents cloud.google.com
CdXz5zHNQW_X0Dzr4VXLZ.png
RSS Hunter RSS Hunter • 7月30日