Google Cloud Blog 中文 - TheNote.app

Google Cloud Blog 中文
关注

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 • 2024年8月23日

笔记线程

使用 GKE Pod 快照，更快地、更高效地扩展您的 AI 工作负载

现代 AI 工作负载因初始化时间长而面临性能与成本的困境。大型语言模型和即时代码执行需要快速 provisioning，往往导致基础设施过度支出。Google Kubernetes Engine (GKE) Pod 快照提供了一种解决方案，通过保存和恢复运行中的工作负载状态。该功能大幅缩短了 AI 推理的启动时间，可在数秒内加载大型模型。冷启动是许多应用程序面临的问题，在 AI 领域尤为突出，主要源于显著的 GPU 内存加载开销。传统方法涉及过度 provision 或用于状态恢复的复杂自定义方案。GKE Pod 快照通过消除新副本中冗余的模型加载，实现了 AI 推理的高效扩展。单次初始化即可创建持久化快照，使新实例能够瞬间恢复。这加速了扩展过程，并减少了对昂贵过度 provision 的依赖。对于代理工作流，Pod 快照可改善启动延迟并有效管理空闲沙箱。快照能快速初始化新的代理环境，并允许空闲沙箱即时挂起和恢复。该功能适用于各种具有长初始化阶段的工作负载。GKE Pod 快照通过用于快照管理的声明式策略，与 Kubernetes 工作流无缝集成。

Scale your AI workloads faster and more efficiently with GKE Pod snapshots cloud.google.com

RSS Hunter • 昨天

基于多集群 GKE 推理网关的全局 AI 路由，开销低于 1%

对 AI 基础设施（尤其是加速器）的需求极高，导致全球数据中心出现供应短缺和计算能力碎片化。现代 AI 工作负载具有较大的上下文窗口，会快速消耗加速器内存，加剧利用率问题。为解决这一问题，开发了一种分层路由架构，将全球分散的计算能力视为单一资源池。该系统具备多集群 GKE 推理网关，用于全球流量分发，以及基于大语言模型的 LLM-d 路由器，实现感知内存的调度。该架构对运行时、模型类型及加速器类型均保持无关性。在大规模多区域 GKE 部署上的基准测试表明，系统实现了接近线性的吞吐量扩展，成功率达到 99.9%。GKE 推理网关带来的额外开销小于 1%，可提供直接集群调用吞吐量的 99.5%。流量路由基于实时应用信号，特别是 KV 缓存 token 利用率，使系统能够智能地在区域间分流流量。这种感知内存的路由通过防止因内存饱和而导致加速器闲置，确保了高效利用。通过从新增加速器中获得近乎比例的性能提升，并避免资本浪费，实现了“每美元最大智能度”的收益。关键经验强调：智能负载均衡的重要性、考虑代理工作负载的内存瓶颈、适应 AI 流量的延迟特性、将路由与原生服务模式集成，以及选择开放且可移植的技术栈。

Global AI routing with <1% overhead on multi-cluster GKE Inference Gateway cloud.google.com

RSS Hunter • 昨天

利用新的安全源管理器功能增强您的 CI/CD 流水线

安全的软件供应链对于安全创新和现代化交付至关重要。软件供应链攻击显著增加。Google Cloud Secure Source Manager（SSM）通过统一源代码和持续集成/持续部署（CI/CD）系统管理，帮助应对这些威胁。SSM 现已推出两项新功能，以增强开发和 CI/CD 工作流。它可阻止对 CI/CD 系统的未授权访问，即使企业网络已遭入侵。此外，新的代码所有者（Code Owners）系统提供针对每个文件和分支的细粒度拉取请求审批控制。该功能允许为代码的不同部分指定特定审批人，并支持基于分支的治理和可嵌套的所有权文件。此外，独立的审批部分可在合并前要求多个部门签署批准。SSM 还与 Developer Connect 集成，以实现安全的 CI/CD 系统和运行时连接。

Strengthen your CI/CD pipeline with new Secure Source Manager capabilities cloud.google.com

RSS Hunter • 昨天

最大化 Apache Spark 可用性：通过灵活虚拟机及其他最佳实践缓解计算资源短缺

由于人工智能发展对计算能力的日益增长需求，数据处理和 Apache Spark 管道正面临压力，导致可用性受限。Google 的 Apache Spark 托管服务通过提供灵活的虚拟机（Flexible VMs）来解决这一问题，允许集群使用可接受的机器类型排名列表。这种方法确保即使在特定机器类型的容量缺货（即需求超过可用容量）期间，管道仍能保持运行。灵活虚拟机支持多类型混合（multi-family blending），可在不同机器代际和类型之间混合节点；同时支持混合存储，能够动态适应主机类型的磁盘类型，并为所有节点类型提供全面的集群覆盖。成功实施需要仔细对首选机器类型进行排序，以在无需人工干预的情况下降低缺货风险。一个示例分层策略展示了如何为生产管道优先排序机器类型和存储建议。对于遗留工作负载，分层策略有助于过渡到更新、可用性更高的架构。采用现代存储（如 Hyperdisk Balanced）可结合新型实例类型实现最大可用性。关键考量包括确保所有指定机器类型拥有足够的配额，并利用计算灵活承诺使用折扣（Compute flexible Committed Use Discounts）以节省成本。不同机器代际和存储类型之间的性能可能存在差异，因此需要进行工作负载测试。此外，为改善资源可用性，还可采取以下建议：实施 AutoZone、使用更小的机器规格、部署自动伸缩、配置部分集群创建以及建立区域回退机制。通过利用灵活虚拟机和这些策略，用户可以保护 Spark 工作负载免受硬件短缺影响，并确保关键管道持续运行。

Maximizing Apache Spark availability: Mitigating compute stockouts with flexible VMs and other best practices cloud.google.com

RSS Hunter • 昨天

宣布在 AlloyDB 和 Cloud SQL 中启用原生 BM25 排序

向量搜索对于生成式 AI 和 RAG 至关重要，但在处理精确的字母数字 ID 时存在困难。混合搜索结合了语义向量搜索和精确关键词全文搜索，解决了这一局限。此前，要在 AlloyDB 或 Cloud SQL 中实现 BM25 排序，需要独立的全文搜索后端，导致系统复杂和数据孤岛。现在，AlloyDB 和 PostgreSQL 17+ 的 Cloud SQL 已提供原生 BM25 索引预览版，由开源 pg_textsearch 扩展提供支持。这消除了对冗余系统的需求，直接在数据库内提供业界标准的关键词排序。原生 BM25 索引提供 C 优化的快速评分，并消除了数据重复和同步延迟。AlloyDB 还提供搭载 ScaNN 和 HNSW 索引类型的增强型向量搜索。与 PostgreSQL 的 ts_rank 不同，BM25 通过考虑逆文档频率和词频饱和，提供更优的相关性评分。混合搜索将语义理解与精确关键词匹配相结合，确保优先返回具体且相关的结果。AlloyDB 和 Cloud SQL 现已支持原生 BM25，并提供将其与向量搜索集成的方法，以实现统一的混合搜索体验。

Announcing Native BM25 Ranking in AlloyDB and Cloud SQL cloud.google.com

RSS Hunter • 9月18日

加速无边界数据湖：宣布跨云缓存预览版

无边界 Lakehouse 实现了对跨多个云的组织完整数据资产的统一访问。此前，整合分布式数据需要复杂的 ETL 管道和昂贵的数据传输。Lakehouse 通过联接到各种云目录实现就地查询数据，并借助合作伙伴跨云互连（Partner Cross-Cloud Interconnect）降低传输成本。新增功能进一步优化跨云查询成本，通过最小化数据传输实现。Lakehouse 的跨云缓存透明地加速查询并削减远程传输成本，通过本地缓存频繁访问的数据实现。该缓存以子文件块粒度运行，对静态数据进行加密，并维持租户和区域隔离。新鲜度检查通过在服务缓存结果前验证远程数据是否发生变化来确保数据准确性。在实践中，这种缓存显著减少了数据传输量，通常降至处理数据的 5% 以下。这种效率降低了总拥有成本（Total Cost of Ownership），使跨云分析和 AI 在企业规模上具备可行性。结合 Iceberg 的压缩功能，可将网络传输降至处理总数据的 3% 以下。BigQuery 跨云连接也已进入预览阶段，允许直接查询其他云中的非 Iceberg 数据并加速工作负载。这些连接利用 Google Cloud 区域中的 BigQuery 计算工作节点，提供全球可用性和完整的 BigQuery 功能对等性。

Accelerating the borderless Lakehouse: Announcing preview of cross-cloud caching cloud.google.com

RSS Hunter • 9月18日

用 Google 公共部门重塑代理时代的公共服务交付

州和地方政府旨在提供响应迅速、公平且可及的服务，但受限于遗留系统、数据孤岛和行政负担。这些问题造成了运营瓶颈，例如公民需要手动录入数据和重复进行身份核验。人工智能（AI）现已成为州首席信息官（CIO）的首要任务，他们视其为提升人员产能和改善服务交付的关键。挑战在于弥合旧有系统与现代化 AI 驱动服务交付之间的差距。Google 提供一套 AI 技术栈，以帮助政府克服集成难题。例如，犹他州交通部（Utah DOT）利用 AI 进行地产地块测绘，节省了数年的手工工作量；哈特福德市（City of Hartford）利用 AI 在公共会议中提供实时翻译，提升了参与度并节约了成本；查塔努加市（Chattanooga）利用 AI 分析事故数据，提升了街道安全；印第安纳州交通部（INDOT）利用 AI 自动化合规审计，节省了工程工时；洛杉矶市（Los Angeles）正在各部门中嵌入 Gemini，以管理大型活动和多语言服务；马里兰州（Maryland）利用 Gemini 在五周内开发了一款清洁用水应用，自动化了行政任务。Google 公共部门合作伙伴计划与这些组织合作，利用 AI 提升政府职能。

Reimagining service delivery in the agentic era with Google Public Sector cloud.google.com

RSS Hunter • 9月18日

改变游戏规则：谷歌如何利用代理型 AI 保护数亿行代码

Google 通过将 AI 代理直接集成到开发流程中，增强软件安全性。这种主动式方法旨在在代码编写过程中预防漏洞，而非事后检测。该系统采用广泛的提交前扫描，在代码提交前实时评估每一次代码变更。这与传统较慢、仅执行一次的扫描形成对比，后者往往在问题出现得太晚时才被发现。为提高准确性，他们利用本地化威胁模型，结合实时代码库元数据和依赖信息。专门的分类代理随后执行快速、轻量级的验证，以确认潜在漏洞。这一两步流程确保了低延迟，同时不牺牲精度。自动修复代理根据扫描结果自主生成代码补丁。这些补丁随后提交给人工审查，显著缩短了从检测到解决的周期。这种原生 AI 策略每月已阻止数百个漏洞进入 Google 的代码库。组织可以采纳类似原则：分离系统、明智使用上下文、构建健壮的测试框架，并自动化修复。

Changing the game: How Google uses agentic AI to secure hundreds of millions of lines of code cloud.google.com

RSS Hunter • 9月18日

如何利用每日微习惯提升企业 AI 构建者的技能

企业难以推进生成式 AI 的采用，因为开发者面临配置问题并需回归常规任务，导致实施受阻。传统的赋能方式（如为期一周的训练营）效果有限，无法适应开发者有限的学习时间。Google Cloud Consulting 倡导一种四支柱的 AI 赋能方法，聚焦于快速、每日的实践。该方法将学习分解为简短的单一技能目标，而非冗长的培训课程。预配置的基于浏览器的沙箱环境消除了配置障碍，使开发者能够立即开始编码。通过融入每日连续打卡和团队挑战，将练习转化为日常工作的一部分。每项练习都应产出一个可运行的组件，逐步构建共享代码库。"Agents advent"计划通过提供无需配置、基于浏览器的每日五分钟练习，显著提升了开发者参与度，并成功创建了多个智能体组件。数据表明，只要消除配置和排程障碍，开发者会在学习融入其现有日程时积极参与。有效的 AI 赋能需要持续实践，以及能够融入日常工作而非干扰它的工具。Google Cloud 提供"Build with Gemini"研讨会和"Gemini Enterprise Agent Ready"（GEAR）计划，以促进这种微赋能。通过从小处着手，培养每日习惯并采用即用型工具，组织可以有效构建 AI 能力。

How to upskill enterprise AI builders by using daily micro habits cloud.google.com

RSS Hunter • 9月18日

DevFest 社区工作坊体验：携手共建真实智能体

DevFest 季于纽约市 Google Hudson Square 拉开帷幕，共有 80 名工程师参与。本次工作坊引入了一种名为 Workbench 的新方法，强调对核心概念的理解而非死记硬背代码。与会者聚焦于图工程、自演进架构以及自动自修复 harness 的思维模型。当天活动围绕利用 Google 代理栈构建长期运行、自演进的多智能体系统展开。Ricky Robinett 阐述了为何提示工程（prompt engineering）不足以作为智能体的安全机制。Rachel Francois 与 GDG Brooklyn 组织者强调了本地开发者社区及共享模式的重要性。Annie Wang 和 Christina Lin 主持了一个实验室环节，参与者使用 Google Agent Development Kit 及其他工具。该环节演示了将状态与计算分离，以实现高效长期任务处理。随后，Logan Hennessy 和 Kartik Derasari 主持了一个实验室，将 BigQuery 数据集成到自主管道中以优化竞价策略。其中包括实现自修复 harness 以检测并纠正支出异常，并通过快节奏的测验增加竞争性参与元素。DevFest Workbench 体验将于今年秋季巡展至另外五个城市，报名名额迅速告罄。

The DevFest Community Workshop Experience: Building Real Agents Together cloud.google.com

RSS Hunter • 9月18日

Google 在 Forrester Wave™ 外部威胁情报服务报告中被评为领导者。

Google 被 Forrester 评为外部威胁情报服务领域的领导者。该公司在多项标准中获得了最高评分，彰显了其先进的威胁情报能力。Google 威胁情报利用专用 AI 代理进行快速、自主的调查和恶意软件分析。这一能力得到了 Mandiant 的事件响应数据和 VirusTotal 众包可见性的支持。深度暗网监控是其核心优势，能够在威胁升级前识别风险。Google 的 AI 代理由前沿模型（如 Gemini）驱动，支持持续演进和更快的威胁上下文获取。其平台支持自主归因复杂攻击活动及复杂恶意软件分析。Google 威胁情报研究人员提供基于证据的归因，并映射至 MITRE ATT&CK 框架。这些能力提升了检测质量，并简化了安全运营中心的规则创建。客户反馈表明，得益于 Google 威胁情报，其在主动威胁识别和团队效率方面取得了显著改善。

Google named a Leader in the External Threat Intelligence Service Forrester Wave™ cloud.google.com

RSS Hunter • 9月17日

编排的未来：Pine59 在 Google Cloud 上迈向 Airflow 3 的旅程

Pine59 管理着用于位置情报的大型数据管道，每小时至每季度产出各类指标。其“每日人流”（Daily Foot Traffic）指标处理每个作业高达 1400 万个位置，运行于 Google Cloud，由 Airflow 3 编排的 BigQuery 与 Managed Service for Apache Airflow 协同工作。为应对不断增长的数据量与机器学习工作负载，Pine59 对其包含数百个有向无环图（DAG）的单体仓库进行了现代化改造。此次转型显著提升了其 MLOps 能力、开发者工作流及管道执行速度。他们对生产工作负载进行了针对新 Managed Airflow（Gen 3）架构的压力测试，并立即观察到处理速度、任务调度与稳定性的提升。迁移通过集成专用的 Google Kubernetes Engine 集群用于模型推理，实现了编排与重型 ML 执行的分离，从而优化了 MLOps。Airflow 3 改进的开发者工作流与用户界面通过自定义插件（如"BigQuery Auto-linkify"和"DAG Run Configuration Search"）得以充分利用，加快了调试与故障排查。兼容性垫片层（compatibility shim layer）简化了 Airflow 版本间的算子迁移。可量化的成果包括 DAG 运行的队列延迟大幅降低，任务几乎可立即启动。“每日人流”管道的完成时间减少了近 32%，从 38 分钟缩短至不到 26 分钟。Pine59 现已将所有生产工作负载运行于其 Gen 3 实例之上，为未来的数据与 AI 管道奠定了更快、更 resilient 的基础。此举使其工程团队能更专注于价值交付，而非基础设施管理。

The future of orchestration: Pine59’s journey to Airflow 3 on Google Cloud cloud.google.com

RSS Hunter • 9月17日

一位独立创始人如何利用 AlloyDB 和 MCP 运营五大洲的投标平台

Lucius AI 在 AlloyDB for PostgreSQL 上运营着一个全球招标情报平台，整合了关系型数据、审计日志和向量嵌入。这种统一方法消除了对独立数据库系统的依赖。将其语义搜索迁移至 ScaNN 索引显著降低了查询延迟：查询时间从 1.14 秒缩短至仅 24 毫秒，实现了 47 倍的性能提升。该公司还通过模型上下文协议（MCP）将 AI 代理连接到 AlloyDB，该集成自动化了关键的行政任务，如查询分析和数据新鲜度检查。实施了严格的最低权限原则，以确保数据库操作的安全。Lucius AI 的平台覆盖全球多个大洲的超过 210,000 个招标项目。该架构使单一创始人能够有效管理广泛的运营协调。未来计划包括利用自动化向量嵌入和 AlloyDB 的列式引擎。通过 AlloyDB 和 MCP 管理运营，使得由单一工程师管理的弹性多区域平台成为可能。

How a solo founder runs a five-continent tender platform on AlloyDB and MCP cloud.google.com

RSS Hunter • 9月17日

对于 SeaVerse，GKE Agent Sandbox 将基础设施成本降低了 60%

SeaVerse 是一家游戏初创公司，致力于构建一个由用户通过简单提示创建可玩 AI 体验的平台。用户可以在平台上玩游戏、与 AI 角色对话，或创建自己的交互式应用和视觉模式。该平台优先考虑快速且易于使用的创作循环，使创意能够无需传统编码即可迅速完善并发布。为实现这一目标，SeaVerse 需要能够运行动态、多租户 AI 工作负载的稳健基础设施，同时具备强大的隔离性和低延迟。为此，他们采用了 Google Kubernetes Engine（GKE）和 GKE Agent Sandbox 来满足这些需求。GKE 为 Kubernetes 操作提供了托管基础，使工程师无需维护集群。GKE Agent Sandbox 利用 Kata Containers 和 gVisor 等技术，为动态沙箱工作负载提供深度的内核级隔离。该解决方案使 SeaVerse 在保障用户体验速度的同时，实现了强大的安全边界。如今，该平台在沙箱性能方面具备更佳的可观测性，从而加快了问题排查与解决速度。这种增强的可见性将以往不透明的沙箱故障转化为透明可控的过程。此外，GKE Agent Sandbox 提供了成本灵活性，使 SeaVerse 能够更精准地将资源匹配至工作负载，并将基础设施成本降低高达 60%。该平台现已支持持久化存储，以保存不断演进的创作成果，进一步提升了创作者体验。SeaVerse 致力于让 AI 体验即时的、富有表现力且互联互通，而 GKE 与 GKE Agent Sandbox 则为未来的增长与创新奠定了坚实基础。

For SeaVerse, GKE Agent Sandbox reduces infrastructure costs by 60% cloud.google.com

RSS Hunter • 9月16日

M4N VM 系列现已正式通用（GA）：为 I/O 和内存密集型工作负载提供每核心最高的 IOPS 和吞吐量。

企业级应用常面临存储 I/O 和内存访问瓶颈，导致计算核心过度配置及软件许可成本上升。Google Cloud Compute Engine 推出的全新 M4N 机器系列旨在解决这些挑战。这些实例专为 I/O 密集型和高内存工作负载量身打造，相比竞争对手具有显著优势。M4N 为高内存实例提供了最高的每核心 IOPS 和吞吐量。此外，针对 Oracle 数据库，其总体拥有成本（TCO）可降低 20% 以上。M4N 实例具备更高的内存配比，最高可达 26:1，内存容量可扩展至 6TB。依托 Intel 第五代可扩展处理器（Xeon Scalable）以及 Google Cloud 定制的 Titanium 卸载架构，它们实现了卓越的宿主机存储性能。当与 Hyperdisk Extreme 搭配使用时，M4N 实例可实现高达 25 GiB/s 的聚合存储性能和 100 万 IOPS。这一新 offerings 补充了现有的内存优化系列，专门针对存储和网络瓶颈。M4N 适用于关键任务数据库、生成式 AI 数据层、企业级医疗保健以及实时分析。其高内存与核心比支持快速数据摄入和无阻塞备份周期。该实例还支持针对大规模向量索引的亚毫秒级相似度搜索，并提供 400 Gbps 网络带宽。此能力对于生成式 AI 中的分布式模型检索至关重要。对于企业级医疗保健和 ERP 系统，M4N 确保持续的 I/O 余量，防止在高峰使用时出现延迟尖峰。这对于 Epic Systems 和 SAP S/4HANA 等应用至关重要。实时分析和电子设计自动化（EDA）受益于高内存容量和最大存储带宽，从而能够高效加载大规模数据集。这使得高效的检查点（checkpointing）和内存内处理成为可能。M4N 实例通过实现基础设施的合理配置（right-sizing），显著优化了 Oracle 许可成本。企业可以在满足性能密度要求的同时，减少计算核心的过度配置，从而相比其他超大规模云服务商大幅降低 TCO。由于每核心拥有更多内存，数据库的更大部分可驻留在系统全局区（SGA），从而减少昂贵的 I/O 操作。早期客户体验凸显了 M4N 通过在各实例尺寸上提供高吞吐量，在转变工作负载方面发挥的作用。这一新的计算平台展现了在可扩展、高可用且高性能的企业级 Oracle 部署方面的潜力。M4N 弥合了大内存占用与极致 I/O 性能之间的差距，在不增加基础设施的前提下最小化瓶颈。这使其成为高要求数据环境的强大解决方案。M4N 实例现已在全球部分区域上线。

M4N VM family, now GA: Highest per-core IOPS and throughput for I/O and memory-bound workloads cloud.google.com

RSS Hunter • 9月16日

Orange 如何利用智能体让 FinOps 成为每个人的责任

Orange，这家法国电信巨头，通过"FinOps 清洁日”成功应对了云支出挑战。这些活动要求工程团队暂停常规任务，协作优化云成本，通常辅以竞争性排行榜和奖励机制。经验丰富的从业者指导新人，通过实践应用促进学习，并向赞助方展示可量化的成果。这种游戏化的方法显著提升了 Orange FinOps 社区的参与度与满意度，取得了高净推荐值（Net Promoter Score）。该公司的成功植根于两项核心 FinOps 原则：云成本的共同责任，以及推动变革所需的沟通。Orange 强调，FinOps 如同云安全一样，涉及项目中的每一位利益相关者。为此，他们建立了 FinOps 实践社区，利用标准化的沟通渠道并提供可执行的更新，以确保持续创造价值。“清洁日”的概念源于对敏捷团队运营现实的深刻理解，即优化工作常因交付优先级而被搁置。通过为这些活动创造专属的、协作的且令人愉悦的时间，Orange 克服了这一常见障碍。该策略与麦肯锡的变革管理框架相一致，涵盖信念建立、正式机制、榜样示范和人才发展。游戏化与可见的成功成果有助于建立信念和树立榜样，而同行指导则促进技能提升。要将这种参与度从核心 100 人小组扩展至更广泛范围，需借助 AI 代理。这些代理可处理耗时任务，降低工程师的摩擦成本，并解决诸如意识差距、带宽限制或报告复杂性等持续存在的挑战。AI 代理的战略采用应从告知与建议能力开始，逐步过渡到在建立信任并管控运营风险后执行变更的代理。构建这些 AI 解决方案可采用不同级别的编码方式，例如无需代码的 Gemini 企业应用，或面向开发者的更高级的 Gemini 企业代理平台。归根结底，有效的云 FinOps 正从集中式报告转向由强大文化基础驱动、并由 AI 代理增强的去中心化行动。Orange 的成就凸显了培养这种以社区驱动的方法作为关键第一步的重要性。

How Orange uses agents to make FinOps everyone's responsibility cloud.google.com

RSS Hunter • 9月16日

云首席信息安全官视角：Google 如何监控 AI 威胁并推进 AI 防御

本文探讨了谷歌作为人工智能开发者和安全公司的双重角色，提供了关于人工智能威胁的独特见解。Sandra Joyce 指出了三个关键转变：人工智能正在重塑软件开发、扩大攻击面并增强威胁能力。攻击者正在污染人工智能辅助编码工具，并通过提示注入等方法针对人工智能代理发起攻击。谷歌正将安全直接构建到人工智能开发流程中，引入实时“网络安全拼写检查”功能。单一的人工智能安全模型已不足够；谷歌采用多模型方法以实现全面漏洞检测。对手正通过针对 GPU 访问权限以及窃取宝贵的人工智能数据、模型和凭证来利用人工智能工作负载。谷歌倡导构建统一的安全图谱，连接代码、模型、数据和身份，以抵御这些不断扩大的威胁。手动事件响应正被机器速度的操作所取代，以应对人工智能驱动的袭击。防御方因其深厚的内部上下文而占据优势，这些上下文可输入人工智能模型，从而实现更快、更准确的安全响应。谷歌积极捍卫生态系统，通过禁用恶意基础设施、加固其人工智能模型、自动化漏洞狩猎以及开发高级防御措施来实施主动防御。本文强调，保障人工智能时代的安全需要依靠人工智能驱动的防御，并转向持续、机器速度的保护。

Cloud CISO Perspectives: How Google monitors AI threats and advances AI defenses cloud.google.com

RSS Hunter • 9月16日

推出具备原生、细粒度控制功能的新会话管理工具

Google Cloud 已增强其会话管理功能，以加强安全性并降低凭证被盗风险。此前未自行配置会话时长的所有客户，现在将默认应用 16 小时的会话时长。此项安全标准已在全球范围内扩展，以确保更广泛的保护。会话控制已超越简单的管理设置，演变为与情境感知访问（Context-Aware Access）集成的细粒度功能。此次更新为管理员提供了更高的灵活性、更优的自动化能力以及更流畅的安全工作流程。通过 Terraform、gcloud CLI 和 REST API 对基础设施即代码的支持，实现了对会话策略的程序化管理。现在可利用 Google Groups 对策略进行精准定位，从而为不同用户组（如高权限用户）设定不同的会话时长。会话控制还可针对特定应用（如 Google Cloud Console 和 gcloud CLI）应用，避免过度限制的通用策略。管理员现可通过访问上下文管理器（Access Context Manager）直接在 Google Cloud Console 中管理这些策略，提供统一的操作体验。这些变更使得在高风险区域能够实施更严格的重新认证边界，同时不阻碍开发者的生产力。

Introducing new session management tools with native, granular controls cloud.google.com

RSS Hunter • 9月15日

处理云可靠性事件的最佳实践

云中断可能会显著影响服务，影响范围从轻微到广泛不等。建议采用“验证、调查、报告、解决、复盘”的结构化工作流程来处理此类事件。主动准备至关重要，包括设计容错机制并演练响应步骤。本指南专注于可靠性事件处理的基础最佳实践，不包含安全特定措施。在站点可靠性工程（SRE）中，涉及 AI 代理的高级技术也在不断涌现。初始步骤是准备阶段，涵盖设计自动化响应、确保数据随时可用且可复制、制定职责明确的清晰操作手册（Playbook），以及定期开展培训演练。下一阶段是验证，需将检测到的中断归因于 Google、用户或第三方。检查“个性化服务健康”状态和公共“云服务健康”仪表板，有助于判断 Google 是否已宣布发生事件。调查阶段涉及分析指标和日志以定位根本原因，特别是在 Google 未宣布事件时，还需考虑近期变更。即使服务健康仪表板显示正常，若服务仍出现故障，则需向 Google 报告，并设定适当的优先级并提交详细的案例。解决阶段包括与利益相关者沟通，在可能的情况下切换至备用系统，并确定变通方案。公司还需考虑监管报告要求。在恢复稳定后，必须进行无责复盘分析，以识别操作手册、工具和培训方面的改进领域。该复盘流程有助于优化未来的事件响应能力。

Best practices for handling cloud reliability incidents cloud.google.com

RSS Hunter • 9月15日

扩展电信自主性：利用分布式 GraphFlow 结合图神经网络

电信行业正朝着自主网络运营转型，这一趋势由现代网络日益增长的复杂性所驱动。传统的人工方法和基础机器学习不足以自动化这些复杂的系统。AI 智能体虽具备推理能力，但在处理海量网络数据时面临挑战。为弥合这一差距，图神经网络（GNN）正与 AI 智能体相结合，以处理大规模时序和关系数据。这种组合支持高级诊断功能，如根本原因分析和容量规划，并涵盖推理与行动执行。Google Cloud 的自主网络运营框架采用“数据、机器学习、人工智能”三组件架构。其基础是网络数字孪生，即对实时网络的动态图表示，托管于 Google Cloud 的 Spanner Graph 之上，以支持可扩展性和多模型能力。机器学习层利用分布式图流（DGF），这是一个开源 Python 库，用于管理 GNN 生命周期，从而提供预测性洞察。DGF 简化了 GNN 模型的开发，支持异常检测、根本原因分析和预测性维护等应用。此外，它还通过模拟网络变更及其影响来支持“假设性”分析。一个五步流程概述了使用 DGF 和 GNN 实施根本原因分析的过程，包括连接数字孪生、训练预测模型以及部署以进行实时推理。这一由 GNN 驱动的演进有望缩短故障恢复时间、优化网络容量并提升客户体验。

Scaling Telco Autonomy: Leveraging GNNs with Distributed GraphFlow cloud.google.com

RSS Hunter • 9月15日

推出 Filestore 代理卷：为代理工作空间提供完全托管的存储

执行数据驱动任务对企业至关重要，然而当前的代理存储解决方案涉及复杂的变通方法，例如状态传输或手动磁盘管理。随着代理集群的扩展，这些方法在延迟、运营复杂度和成本方面存在权衡。企业需要能够提供严格隔离、即时会话恢复、按需付费经济模型以及流畅多代理协作的存储方案。为满足这些需求，Google Cloud 推出 Filestore 代理卷，这是一种完全托管、高性能且弹性的文件存储解决方案。该新功能专为在 Google Cloud 上扩展代理工作负载而设计，与 GKE 上的专用计算环境（如 Agent Substrate）相辅相成。Filestore 代理卷为 GKE 沙箱提供对隔离且持久化文件存储的即时访问，并自动化整个卷的生命周期。其关键优势包括细粒度隔离与企业级护栏、节省成本的亚秒级会话恢复、具备按需定价的智能生命周期经济模型，以及通过原生 RWX 支持实现多代理协作。该解决方案可解锁多种代理工作负载，例如软件工程沙箱、协作式多代理群以及交互式长周期工作流。Filestore 代理卷目前面向非生产工作负载开放，并通过白名单提供生产支持，可与 GKE 无缝集成，构建可扩展的代理平台。

Introducing Filestore agent volumes: fully managed storage for agent workspaces cloud.google.com

RSS Hunter • 9月15日

Agent Substrate 为 GKE 提供高密度、可扩展且可信的基础设施

Agent Substrate 是一款开源的代理执行运行时，现已在 Google Kubernetes Engine（GKE）上可用。该技术专为运行数百万个沙箱化自主代理而设计，其密度显著高于标准容器。Agent Substrate 凭借原生零信任内核和网络隔离，实现了快速的挂起与恢复操作。领先的 AI 团队，如推出排名第一的 Hermes Agent 的 Nous Research，已开始利用 Agent Substrate。扩展代理平台面临诸如信任边界不透明和工具访问摩擦等挑战。传统架构难以应对代理活动的巨大突发流量以及闲置计算资源。Agent Substrate 通过将代理执行与机器管理解耦来解决这些问题。它默认提供安全性，采用 microVM 或 gVisor 沙箱，并具备细粒度的网络控制。该系统通过将闲置代理挂起以释放计算资源，确保代理在亚秒级内激活并实现高能效。它可在任何 Kubernetes 集群上运行，并针对 GKE 进行了优化，利用自定义 ComputeClasses 和基于 Arm 的处理器以实现成本效益。Agent Substrate 为构建生产级代理应用提供了可扩展且可靠的基石。

Agent Substrate brings high-density, scalable, trusted infrastructure to GKE cloud.google.com

RSS Hunter • 9月15日

在 Dataflow 中宣布支持暂停/恢复功能以及 NVIDIA RTX PRO 6000 Blackwell GPU

企业需要无服务器平台以实现高效的 AI 和代理工作流，其中数据准备是关键挑战。Google Cloud 上的 Dataflow 支持用于分析和 AI 的批处理与流处理管道。此次重大更新针对长运行批处理作业的计算效率进行了显著优化，并提升了 AI 工作负载的推理能力。Dataflow 批处理作业 Pause/Resume 功能的正式发布，允许用户从最后一个检查点重新启动失败的作业，从而节省计算资源并提高生产力。该功能还支持为更高优先级的 AI 任务动态重新分配计算资源。此外，Dataflow 现已支持由 NVIDIA RTX PRO 6000 Blackwell GPU 驱动的 G4 虚拟机。这些新 GPU 为 AI 推理带来了显著的性能提升，包括更大的内存和更高的带宽，使 Dataflow 作业能够直接处理超过 700 亿参数的模型。客户可以利用原生 Dataflow ML 功能（如 RunInference）以及结合这些新 GPU 的 GPU 启用自动扩展。Pause/Resume 功能与新 GPU 的结合，优化了批处理作业成本并加速了高需求的 AI 工作负载。这些进展旨在简化客户在 AI 开发和部署方面的流程。

Announcing Pause/Resume and NVIDIA RTX PRO 6000 Blackwell GPU support in Dataflow cloud.google.com

RSS Hunter • 9月14日

Agent-ready 分析：利用增强型分析解锁 BigQuery 的洞察

BigQuery 推出了增强分析表值函数（TVFs），以自动化复杂的数据分析。这些函数结合人工智能、机器学习和统计方法，直接在您的数据中实现更快的洞察发现。现已提供六种新的 TVF：AI.KEY_DRIVERS 识别指标变化的驱动因素，AI.CAUSAL_EFFECT 量化行动的影响，ML.CORRELATION 衡量指标间的关系，ML.DETECT_CHANGE_POINTS 检测数据突变点，ML.TREND 分离潜在增长与噪声，以及 ML.SEASONALITY 揭示可预测的周期。这些 TVF 可串联使用，以执行多步骤分析。示例展示了如何利用 ML.DETECT_CHANGE_POINTS、AI.KEY_DRIVERS 和 AI.CAUSAL_EFFECT 分析共享单车行程数据：该串联流程首先识别行程量的显著变化，随后定位驱动这些变化的因素，最后量化实际的业务影响。这些 TVF 还集成于对话式分析功能中，允许通过自然语言查询触发复杂的多步骤数据调查。示例说明了对话式提示如何借助这些 TVF 对出租车和酒类销售数据进行相关性与趋势分析。这些函数显著提升了高效理解并行动于数据驱动洞察的能力。

Agent-ready analytics: Unlocking insights with BigQuery augmented analytics cloud.google.com

RSS Hunter • 9月14日

Google 在《Forrester Wave™：2026 年第三季度公共云平台》中处于领先地位。

Google Cloud 在 Forrester Wave™：2026 年第三季度公有云平台报告中被评为领导者。该公司在“当前产品”类别中取得了最高分，并在 30 项评估标准中的 23 项中获得顶级评分，凸显了其在人工智能开发、数据库、分析和安全领域的优势。这一认可彰显了 Google Cloud 面向代理时代的集成平台战略。其基础设施经过十余年的协同设计，专为 Gemini 和搜索等服务打造。该集成 AI 堆栈提供计算、编排和网络能力，以增强价值。Google Cloud 处于有利位置，可服务于专注于快速创新和 AI 赋能平台的企业。该平台支持在安全且灵活的基础上运行自主代理，并借助 Kubernetes 实现。近期增强功能包括用于安全代码执行的 GKE Agent Sandbox 以及用于降低计算成本的 GKE Pod Snapshots。Agentic Data Cloud 统一了事务性和分析性数据，以提供实时上下文。Google Cloud 在数据库、分析和数据治理服务方面表现卓越，提供统一的数据资产库。这使得代理能够查询实时企业数据，而无需昂贵的数据移动，从而促进确定性响应。

Google is a leader in The Forrester Wave™: Public Cloud Platforms, Q3 2026 cloud.google.com

RSS Hunter • 9月14日

Thomas Kurian 在高盛 Communicopia 与技术大会上的主题演讲三大亮点”

Thomas Kurian 在高盛科技大会上阐述了 Google Cloud 的战略，强调其全栈人工智能方法。Google Cloud 提供覆盖整个 AI 栈的解决方案，凭借性能、成本和质量的差异化优势，拓展其市场与收入。该公司拥有十七条产品线，每条年收入均超过十亿美元，客户经常超额完成承诺，超出幅度超过百分之五十。在价值介于 1 亿美元至 10 亿美元的交易中增长显著，超过 300 家客户的承诺金额超过 1 亿美元。Google Cloud 的 AI 基础设施基于差异化产品构建，降低了 AI 模型的成本并提升了性能。其 AI 服务器的投资回报期为两年，TPU 的回报周期更为迅速。其 AI 基础设施的总合同价值主要来自已承诺的五年期协议。Gemini Enterprise 的采用率强劲，提供高效且受控的商业洞察。使用 Google Cloud AI 产品的客户参与度更高，使用的产品数量是其他客户的 1.8 倍。上述陈述属于前瞻性声明，并受各种风险和不确定性的影响。

3 Highlights from Thomas Kurian’s Keynote at the Goldman Sachs Communicopia & Technology Conference cloud.google.com

RSS Hunter • 9月11日

介绍 Google Cloud 开发者插件，用于 AI 编程代理

Agent 技能可增强 AI 工作流，但单独管理它们可能繁琐。插件通过将这些相关技能和工具打包为可安装单元来解决这一问题。Google Cloud 现已推出针对 AI 编码代理的新插件，赋予其 Google Cloud 专属能力。该插件通过打包相关功能，解决了工具耦合的挑战，确保代理能够有效检索 Google Cloud 技能、使用文档，并以编程方式与平台交互。该插件基于开放的 Agent Plugins 规范构建，促进了跨 AI 编码环境的互操作性。旗舰插件 google-cloud-developer 协助代理处理基础的 Google Cloud 交互，如身份验证和项目管理，同时还捆绑了 Developer Knowledge MCP 服务器以提供最新的文档。该插件通过环境感知和最佳实践审查，简化了项目入职和身份验证等流程。安装 Google Cloud 插件可通过 CLI 命令或市场添加轻松完成。我们鼓励用户尝试新插件，并探索更多资源以获取引导式设置和深入见解。

Introducing the Google Cloud Developer Plugin for AI Coding Agents cloud.google.com

RSS Hunter • 9月10日

企业级 PostgreSQL 搭配 AlloyDB Omni RPM Orchestrator 现已普遍可用。

AlloyDB Omni Red Hat RPM 编排器的通用可用性现已为 PostgreSQL 工作负载提供生产就绪级别的安全性和低停机时间运维支持。该版本支持四种部署模式，包括独立 RPM 部署以及与 Kubernetes 集成的容器化选项。RPM 部署非常适合需要云端性能与本地控制相结合的组织，尤其适用于工作负载现代化和受监管环境。它还支持边缘和现场部署，以实现低延迟处理和离线操作。编排器简化了集群的 provisioning 和生命周期管理，提供灵活的参考架构。通过同步复制和自动故障处理实现高可用性，同时利用读池实现读工作负载的动态扩展。数据保护功能通过自动化备份与恢复能力得到增强，支持将时间点恢复至 GCS 或兼容 S3 的存储。提供 SELinux 强制执行以满足严格合规要求，低停机时间维护则自动化更新与扩展流程，并支持回滚。编排器通过添加或删除节点来简化动态配置调优和集群维护。此外，它提供高级日志记录、自定义指标以增强可观测性，并集成 AlloyDB 的 AI 功能以支持生成式 AI 应用。

Enterprise-grade PostgreSQL with AlloyDB Omni RPM Orchestrator is generally available cloud.google.com

RSS Hunter • 9月9日

Google 在 2026 年 Gartner® 企业 AI 助手魔力象限™中位居领导者

Gartner 在其首届 2026 年企业 AI 助手魔力象限（Magic Quadrant for Enterprise AI Assistants）中将 Google 评为领导者，认可其在愿景完整性（Completeness of Vision）和执行能力（Ability to Execute）方面的表现。Gemini Enterprise 被突出展示为一个统一平台，能够安全地将 AI 融入日常工作，超越基础聊天功能，利用 AI 代理自动化复杂工作流。该平台与现有工具和基础设施相连接，提供可扩展性和成本效益，并内置安全与治理功能。Gartner 称赞 Gemini Enterprise 拥有统一的 AI 门户、与各类系统的开放连接性以及定价简洁明了。该平台还具备开箱即用的强大治理能力，并受益于 Google 的全栈 AI 基础设施。近期进展包括为法律与金融服务行业定制的解决方案、开发者工具如 Google Antigravity，以及改进的 FinOps 和成本控制功能。Accenture、Cleary Gottlieb、Deutsche Bank 和 Williams & Connolly 等客户已显著获得价值与效率提升。Gemini Enterprise 使组织能够在所有团队中部署受管且互联的代理。读者可下载完整的 Gartner 报告，以获取对企业 AI 助手市场的全面分析。

Google is a Leader in the 2026 Gartner® Magic Quadrant™ for Enterprise AI Assistants cloud.google.com

RSS Hunter • 9月9日

超越 DMS：加速将 SQL Server 登录名和用户迁移至 Cloud SQL

数据库迁移服务可高效复制数据，但出于安全和合规原因，会排除服务器级对象（如登录账户）。这种有意省略可防止未经授权的权限提升，确保本地环境的权限不会自动迁移至云端。在缺乏监督的情况下迁移加密的密码哈希值，也会违反 PCI-DSS 和 SOC 2 等合规框架。该流程还支持身份现代化，通过清除陈旧凭据并转向云原生身份验证来实现。SQL Server 将登录账户（在服务器级别进行连接身份验证）与用户（在数据库内授权操作）分离开来。安全标识符（SID）将服务器登录账户与数据库用户关联。当数据库迁移时未包含其对应的登录账户，或 SID 不匹配时，用户可能成为孤儿用户。Microsoft 提供的 sp_help_revlogin 脚本可生成 T-SQL 语句，以原始密码哈希和 SID 重新创建登录账户。该脚本在源实例上运行以生成迁移查询。随后，在目标 Cloud SQL 实例上执行该生成的查询，以创建所需的登录账户。若用户成为孤儿用户，可使用 ALTER USER 命令将其重新映射到正确的服务器登录账户。为增强安全性，建议迁移至客户管理的 Active Directory，以实现基于 Kerberos 的集中式身份验证。

Beyond DMS: Accelerating Migrations SQL Server Logins and Users to Cloud SQL cloud.google.com

RSS Hunter • 9月9日

Spanner：移除 DML 事务的累积变异限制

Google Cloud Spanner 是一款全局一致的关系型数据库，现已针对更大规模、更复杂的操作更新了事务处理机制。此前，Spanner 将事务中的总修改量限制为 80,000 个"mutation mods"。该限制的计算方式为：行数乘以列数再加上索引数量，随着应用的演进，这一限制可能很快被触及。新的灵活性将原本适用于整个事务的 80,000 个 mutation mods 限制，调整为适用于每个数据操作语言（DML）语句。这意味着单个事务现在可以包含多个 DML 语句，只要每个语句各自遵守其 80,000 个 mutation mods 的限制。这使得开发人员能够根据业务需求逻辑地分组 DML 语句，而无需进行人为拆分。该变更与现有的 Spanner 客户端库向后兼容，无需更新应用程序代码。然而，开发人员应注意，更大的事务会持有锁的时间更长，可能导致中止（abort）增加。80,000 个 mutation mods 的限制适用于每个 DML 语句，但仍适用于通过 Mutation API 在单个提交调用中包含的所有修改。开发人员可以通过 CommitStats 中的 mutation_count 监控总修改量。单个 DML 语句超过 80,000 个 mutation mods 仍会报错，其他事务限制（如字节大小）依然生效。最佳实践包括监控 CommitStats 并优化大型操作。Spanner 依然是可扩展、始终在线的运营型应用的可信选择，如今为开发人员提供了增强的灵活性。

Spanner: Removing cumulative mutation limits for DML transactions cloud.google.com

RSS Hunter • 9月9日

Airtel 如何实现 2026 年印度板球超级联赛的完美转播”

Airtel 旨在为印度超级联赛（IPL）板球赛季的数百万球迷提供无缝的直播体验。他们与 Google Cloud 合作，为 2026 年 IPL 赛季的数字交付提供支持。流媒体基础设施在 74 场比赛中处理了数百 PB 的数据，其中决赛处理了数十亿次请求。在大规模并发峰值期间提供视频流，需要采用以本地化和主动监控为核心的边缘架构。Airtel 利用 Google Cloud 的媒体 CDN 及其庞大的全球边缘网络，实现深度的本地边缘近性部署和卓越的缓存效率。这使得 99.9% 的赛事流量在印度本地得到服务，从而最小化网络跳数。该架构实现了出色的缓存效率，缓存命中率超过 98%，将源服务器负载降至最低。持续的低延迟表现，特别是 p99 低于 300 毫秒，确保了快速的流启动时间和减少了缓冲。除了架构之外，细致的运营准备和主动的赛日执行也至关重要。集成化的运营支持包括赛前就绪审查和持续的监控即服务（MaaS）。专门的赛日及周末支持确保了联合工程团队提供实时事件协助。

How Airtel delivered its flawless Indian Premiere League 2026 cricket broadcasts cloud.google.com

RSS Hunter • 9月9日

KDDI 如何构建 Buffmee：一款更快、更可靠的消费者 RAG 应用

电信公司 KDDI 在生成式 AI 应用 Buffmee 中面临平衡质量与速度的挑战。Buffmee 旨在通过基于超过 100 个多样化来源的信息帮助用户成长，确保可靠性并防止幻觉。最初，KDDI 在延迟问题和处理大量专有内容方面遇到困难。为克服这些障碍，他们实施了自动化评估框架和性能优化技术。这一系统性方法带来了显著改进，将应用程序总响应延迟降低了 38%，并将首字延迟（Time To First Token, TTFT）提升了近 18%。KDDI 利用 Gemini 企业代理平台评估服务（Gemini Enterprise Agent Platform Evaluation Service）进行自动化测试，以数据驱动的流程取代人工操作，使 groundedness 得分提高了 25%。他们采用了二元评估系统、基于格式和媒体构成的战略性内容采样，并根据产品判断校准阈值。瓶颈通过 BigQuery Agent Analytics 和代理开发套件（ADK）日志分析代理被识别并解决，后者有助于定位提示词膨胀和技能划分问题。大型系统提示词被模块化为 ADK Skills，以避免注意力漂移并优化响应时间。这些技术使 KDDI 能够构建一个 RAG 系统，其中摄入的内容可立即生效，为用户提供安全且个性化的媒体探索方式。Buffmee 的成功证明了系统性评估与性能分析对于可靠生成式 AI 应用的重要性。

How KDDI built Buffmee, a faster, reliable consumer RAG app cloud.google.com

RSS Hunter • 9月8日

基于数据代理工具包的代理分析

数据从业者面临开放性问题，这些问题需要从多样化的数据源获取数据。Data Agent Kit 通过在 IDE 内直接支持数据工作流来解决这一挑战。它利用模型上下文协议（MCP）将代理连接到各种数据系统。以 Markdown 格式定义的技能指导代理如何与特定的数据栈交互。代理代替用户执行查询并检索结果，而非手动查询。例如，针对平均订单价值下降的调查涉及查询 BigQuery、Cloud SQL 和 Cloud Storage。代理发现了一个新的批发渠道，其平均订单价值较低，原因是存在促销代码。随后，代理识别出新的批发账户，并确认了促销代码的影响。整个调查过程，从数据分析到执行摘要生成，均在单个聊天会话中完成。最后，代理可将临时分析转化为可复现的 dbt 项目，包括编写和修正数据质量测试。

Agentic analytics with the Data Agent Kit cloud.google.com

RSS Hunter • 9月8日

将动力代理集线器或定制线束与反重力 SDK 集成于单一工具包中

企业级代理的采用情况各异，部分选择托管平台，另一些则构建自定义代理枢纽。开发自有枢纽的开发者需要可靠的工具以实现可预测的执行、日志记录和沙箱隔离。Antigravity SDK 提供运行时引擎和命令行界面（CLI）用于构建此类枢纽，具备安全策略、遥测数据和状态持久化功能。它驱动一个多代理控制平面，用于监控和管理大语言模型（LLM）工作负载。该控制平面包含 Antigravity SDK 代理核心，用于模型交互和工具执行，以及一个基于生命周期钩子（Lifecycle Hooks）的可观测性层，用于实时遥测。一个典型用例是运维工程师监控多个代理，传统上面临日志碎片化和缺乏可见性等挑战。Antigravity SDK 通过流式 API、生命周期钩子、策略引擎、技能管理和会话状态提供统一视图的解决方案。在底层，运行时负责会话初始化、技能解析、并发流生成和沙箱化工具执行。通过生命周期钩子拦截遥测数据，可实现对代理执行的实时观察与引导。SDK 由四个核心构建模块组成：模块化技能、沙箱化工具、会话隔离和实时遥测。

Power agent hubs or custom harnesses with the Antigravity SDK in one toolkit cloud.google.com

RSS Hunter • 9月8日

GTIG 人工智能威胁追踪：从提示到自主——对抗性人工智能的演进

对抗性行为体正迅速演变其技术，从基础的 AI 提示转向复杂的代理式 AI 工作流和自动化。这一演变显著缩短了防御者的响应窗口。在 2026 年第二季度，威胁行为体在入侵云资源后，利用 AI 在六小时内执行了一次大规模凭证窃取行动。此外，威胁行为体正日益针对 AI 资产，包括专有模型、源代码和云计算资源，实施间谍活动、勒索和盗窃。软件供应链风险因集成 AI 辅助编码工具和开源软件而扩大。对手正积极针对开发者、AI 编码助手和 AI 安全扫描器，以破坏开源软件。专有 AI 知识产权，如模型和代码，也正成为各行业的首要目标。向代理式 AI 和自动化的转变使对手能够自主管理复杂的攻击管道并解决操作错误。AI 在整个攻击生命周期中充当力量倍增器，从侦察到恶意软件混淆及后渗透活动。威胁行为体也在利用 AI 试验以扩大信息行动运动规模。为规避访问成本并绕过安全措施，对手正获取非法账户并劫持企业云基础设施，用于未经授权的 AI 计算。这种加剧的威胁态势需要强有力的防御策略，包括主动模型防护、专业威胁情报和针对性遏制。Google 正在实施这些多维防御措施，以保护其客户和基础设施。这些进展凸显了在快速演变的 AI 领域加强安全措施的关键需求。

GTIG AI Threat Tracker: From Prompting to Autonomy – The Evolution of Adversarial AI cloud.google.com

RSS Hunter • 9月8日

Yahoo 如何利用托管 Apache Spark 服务中的灵活虚拟机优化资源

Yahoo 作为一家全球媒体和技术公司，在其高速分析工作负载中因虚拟机（VM）配置固定而面临数据管道脆弱性的挑战。当出现区域容量限制时，Managed Service for Apache Spark 中的集群供应可能停滞，导致关键数据管道延迟。为解决这一问题，Yahoo 在其 Managed Service for Apache Spark 集群中实施了灵活虚拟机。该系统通过定义可接受的虚拟机规格的排名列表，能够自动吸收资源波动。启用自动跨可用区（Auto-Zone）放置功能，有助于系统在整区域内搜索容量，从而在无需人工干预的情况下维持管道执行。此项优化是 Yahoo 更广泛的数据现代化进程的一部分，即将本地部署的大数据资产迁移至 Google Cloud。灵活配置通过在选择首选虚拟机类型不可用时从排名列表中选取，提升了集群创建成功率；同时通过在整个区域内搜索容量，提高了区域资源利用率。配置灵活集群需要启用自动跨可用区放置，并确保不同虚拟机规格之间的核心数和内存对称性。此外，还需对齐 YARN 和 Spark 等资源分配等组件属性。通过实施这一灵活虚拟机方法，Yahoo 成功将因区域库存短缺导致的集群供应失败率降低了 85%。这确保了工作负载的连续执行，并防止了其大规模数据管道中的下游处理延迟。

How Yahoo optimizes resources with flexible VMs in Managed Service for Apache Spark cloud.google.com

RSS Hunter • 9月4日

Spanner 迁移：使用 Antigravity CLI 自动化双写，实现最小化中断

Google 的金融工程团队需要利用 Spanner（一种全球分布且强一致性的数据库）对其遗留数据层进行现代化改造。在不中断服务的前提下进行迁移是一项重大挑战，因为手动在大量数据访问对象（DAO）中重写双写逻辑既缓慢又容易出错。为此，他们开发了一条使用 Antigravity CLI 无头模式运行的自动化重构流水线。这种方法加速了迁移速度，并确保了测试环境中的数据一致性。迁移工作分为三个阶段：历史数据回填、双写/双读实现以及自动化 API 验证。在如此大的规模下，手动实现每个 DAO 的独特需求（如 MutationConverter 和回滚逻辑）是不切实际的，预计需要数月时间。他们通过解耦 Spanner 模式转换，将其封装到专用的 MutationConverter 单元中，从而标准化了 DAO 重构模式，为 AI 编码代理生成可靠代码提供了确定性契约。Antigravity CLI 的无头模式支持在不依赖人工提示的情况下，对大量文件进行可重复的重构。确定性提示、批量执行配合自动化验证，以及大规模下的夜间执行，显著降低了迁移工作量。最终实现了高度可靠的数据迁移，保持了持续的数据保真度，使工程师能够专注于更高价值的任务。关键要点强调了解耦模式转换、从交互式聊天转向无头自动化，以及利用构建系统作为 AI 代码生成的护栏。

Spanner migrations: Automating dual-write with Antigravity CLI for minimal disruption cloud.google.com

RSS Hunter • 9月4日

并非所有 LLM 工作负载都相同：分类与生成任务下的 TPU 性能基准测试

LLM 的企业级生产部署揭示了基础设施在性能与成本方面的关键作用。并非所有 LLM 请求对硬件的压力均等，因此标准基准测试不足以反映实际情况。本研究在 Google Cloud TPU v6e 上对比了 Gemma 3 12B 与 27B 模型，旨在理解在具有不同工作负载的规模化场景下的基础设施性能。对于以解码为主的生成任务，Gemma 3 12B 模型在高并发下具有更好的扩展性，而 27B 模型则会出现饱和现象；对于以预填充为主的分类任务，12B 与 27B 模型均表现出相似的扩展特性，使得部署更大模型而无需牺牲吞吐量。硬件饱和会导致延迟尖峰和静默请求丢失，因此必须依据端到端延迟而非仅凭 CPU/内存指标进行扩缩容。系统架构包括 GKE、TPU v6e、vLLM 服务框架以及 Gemma 3 模型。分类任务具有高输入、低输出特征，而生成任务则具有低/中输入、高输出特征。基准测试表明，12B 模型在高并发下的生成扩展性优于 27B 模型，而两者在分类任务上表现相近。为优化系统，应将模型选择与服务配置与特定工作负载的输入/输出特征相匹配。

Not All LLM Workloads Are Equal: Benchmarking TPU Performance on Classification vs. Generation cloud.google.com

RSS Hunter • 9月4日

发布 Google Gen AI SDK for Kotlin 1.0：以惯用方式多平台访问 Gemini

Google 发布了其生成式 AI Kotlin Multiplatform SDK 的 1.0 版本。该 SDK 使开发者能够轻松将 Gemini 模型集成到 JVM 和 Android 应用中。它提供了符合 Kotlin 惯用法的特性，如协程（Coroutines）和 Flow，用于异步操作。该 SDK 统一了访问 Google AI Studio 和 Google Cloud Gemini 企业代理平台的能力。它支持单轮和流式文本生成，以及带有上下文管理的多轮对话。多模态分析功能通过 Google 搜索 grounding 得到增强，以支持事实核查。该 SDK 还全面支持 Gemini 的图像生成模型。通过基于 WebSockets 的 Gemini Live API，可实现实时双向交互。此外，SDK 包含结构化工具和函数调用能力，适用于代理工作流。此次发布为构建生成式 AI 应用提供了一个清晰的多平台基础。

Announcing the Google Gen AI SDK for Kotlin 1.0: Idiomatic multiplatform access to Gemini cloud.google.com

RSS Hunter • 9月3日

Google 在 2026 年 Gartner® 安全合规平台（SCPS）魔力象限® 中被评为领导者。

Gartner 连续第九年将 Google 评为战略云平台服务领域的领导者，并认可其愿景的完整性。Google Cloud 在构建和扩展高需求工作负载方面致力于客户成功，这一点尤为突出。该公司强调，通过动态基础设施以及集成的应用、数据和智能体统一平台，加速客户迈向智能体时代。三大核心优势包括：协同设计的技术栈、用于安全扩展的动态基础设施，以及提供真实选择权的数字主权。Google Cloud 致力于通过灵活性、性能和掌控力，助力客户实现创新与规模化。首要设计原则是协同设计、从芯片到应用的开放栈加速人工智能，采用包括 TPU 和 Axion 处理器在内的定制硬件，在避免供应商锁定、拥抱开源和标准的同时最大化运营效率。第二项原则聚焦于通过动态基础设施实现快速且经济的扩展，该基础设施自动化容量管理并现代化应用，使组织能够安全地连接数据、应用和智能体，从而优化全球体验。第三项原则倡导数字主权，使组织能够通过灵活的部署选项保留数据控制权并符合监管要求。这些选项包括具有边界控制的数据主权、通过合作伙伴运营云实现本地合规，以及借助 Google Distributed Cloud 提供的本地部署灵活性。

Google named a Leader in 2026 Gartner® Magic Quadrant™ for SCPS cloud.google.com

RSS Hunter • 9月3日

开始使用 Mantis，我们的开源漏洞发现与修复框架

如今，AI 能够自主发现并利用软件漏洞。为应对这一挑战，Google 开发了 Mantis，一个开源框架，可自动化漏洞的发现、分诊、复现与修复。Mantis 旨在通过实现机器速度的安全分析，为防御者提供 AI 优势。与其他因真阳性率低而受限的 AI 工具不同，Mantis 采用代理技术（agentic techniques）和沙箱化漏洞复现以确保准确性。它通过学习仓库内的历史安全修复，构建架构与威胁模型文档。Mantis 将大型代码库压缩为分层安全摘要树，显著降低 token 开销。该框架凝聚了广泛的网络安全知识，并已在 GitHub 上开源。用户可本地克隆 Mantis，随后提示编码代理启动代码审查与漏洞分析。在 Google 内部，该方法已成功识别出真实漏洞。Mantis 提供示例沙箱选项，并支持自定义沙箱实现。它为漏洞发现、过滤与修复提供了简便的起点。此外，mantis-advise 技能进一步利用积累的知识，从源头开始编写安全代码。为最大化 AI 驱动的漏洞发现，建议为工具提供上下文，并构建具有明确漏洞接受标准的网络沙箱。

Getting started with Mantis, our open-source bug finding-and-fixing harness cloud.google.com

RSS Hunter • 9月2日

使用新的 BigQuery 身份列简化数据管道

BigQuery 现已推出标识列功能，助力客户在数据旅程中实现更高效的数据管理。该功能可为表内唯一标识自动生成 64 位整数序列值。数据工程师将发现，这是一种强大且内置的机制，可实现更顺畅、更可靠的数据摄入。通过将标识生成卸载至 BigQuery，数据管道中的复杂性得以降低，使团队能够专注于洞察分析。实施标识列可简化数据架构的开发与维护，通过消除在应用逻辑或 ETL 工具中预计算唯一键的需求，从而简化数据摄入过程。同时，样板代码也相应减少，生成更简洁、更易维护的 SQL。标识列可与标准 DML 操作无缝集成，实现唯一标识符的自动分配。其具备高度灵活性，可适配现有工作流，支持使用 INSERT 或 MERGE 语句。创建标识列过程简便，提供 GENERATED ALWAYS AS IDENTITY 或 GENERATED BY DEFAULT AS IDENTITY 两种选项。此功能彰显了 BigQuery 致力于构建灵活、高性能且符合标准的数据平台的承诺。

Simplify pipelines with new BigQuery identity columns cloud.google.com

RSS Hunter • 9月2日

在 BigQuery 中引入 TabFM：重新构想预测分析

预测分析此前需要构建复杂的自定义模型及漫长的训练周期。这种传统方法涉及人工特征工程、冗长的调优过程以及专业技能，往往导致预测模型利用率不足。Google Research 推出了 TabFM，这是一个针对表格数据的预训练基础模型，现已在 BigQuery 中可用。TabFM 利用上下文学习，通过单条 SQL 语句即可提供即时且高度准确的预测，消除了独立的训练与部署步骤。该系统支持零样本预测，简化了无需深厚机器学习专业知识用户的操作流程。同时，它通过在不管理基础设施的情况下提供预测能力，增强了代理型应用。TabFM 展现出最先进的准确率，在基准测试中优于传统模型。通过原生的 BigQuery 集成和简洁的 SQL 语法，开发者体验得到简化。TabFM 自动处理特征工程任务，其可扩展性支持快速处理数百万行数据。用户可利用 AI.PREDICT 进行即时预测，并使用 AI.EVALUATE 评估模型性能。尽管 TabFM 在快速洞察和频繁重训方面表现卓越，但在处理超大规模数据集或需要特征重要性可解释性的场景下，传统模型依然适用。此次集成使得预测机器学习如同执行标准 SQL 查询般简单。

Introducing TabFM in BigQuery: Predictive analytics reimagined cloud.google.com

RSS Hunter • 9月1日

Blackline 如何利用 VPC Service Controls 简化边界策略情报

VPC 服务控制（VPC Service Controls）对于保护云环境免受数据泄露及其他威胁至关重要。Google Cloud 推出了新的策略智能功能，以简化 VPC-SC 的管理与故障排查。这些新工具包括违规分析器和违规仪表板。财务运营领导者 BlackLine 使用 VPC-SC 来保护敏感客户数据并降低风险。违规分析器帮助 BlackLine 管理员通过识别涉及 API 请求违规的主体和资源，来调整安全边界。此前，解决这些违规需要复杂的 Cloud Logging 查询，而新工具可直接提供详细报告。违规仪表板汇总整个组织范围内的所有服务边界违规情况，用于趋势识别和过滤。违规分析器通过将拒绝操作映射到特定规则，无需人工分析日志即可简化调查工作。这些工具简化了 VPC-SC 的整个生命周期，从测试新边界到优化策略并高效解决事件。通过利用这些进步，组织可以将更少的时间用于调查，将更多时间用于安全地扩展其云计划。

How Blackline simplifies perimeter policy intelligence with VPC Service Controls cloud.google.com

RSS Hunter • 9月1日

出于经济动机的威胁行为者 BREEZE COMET 针对巴西

Mandiant 正在追踪一个名为 BREEZE COMET 的以经济利益为动机的威胁行为体，该行为体此前被称为 UNC5669，自 2024 年以来一直在积极入侵巴西金融机构。该组织专门操纵支付系统和银行软件以实施欺诈性转账。BREEZE COMET 使用定制恶意软件套件，并利用被入侵的可信网站进行初始访问和命令与控制。其行动范围已扩展至利用生成式人工智能进行恶意软件开发，这可能进一步提升其操作 sophistication。该组织针对能够访问国家金融系统网络的实体，并需要 mTLS 凭据以执行经认证的欺诈性交易。BREEZE COMET 采用多种方法进行初始入侵，包括语音钓鱼和利用被入侵的政府网站。此外，它们还通过将恶意硬件设备直接接入零售网络来获取立足点。为提升权限，它们使用侦察工具和定制恶意软件，专门针对云环境和开发环境以窃取凭据和 API 密钥。BREEZE COMET 通过被劫持的服务账户和专用路由恶意软件（如 COBALTSPIN）在内部网络中横向移动。它们通过定制后门（如 LIGHTPAINT、MILDFROST、KICKPLATE 和 BOATBEAM）维持持久化，并经常禁用端点防御措施（如 Windows Defender）。在入侵金融应用程序后，BREEZE COMET 执行大规模欺诈性交易，随后清除事件日志以掩盖行踪。其不断演变的战术代表了拉丁美洲网络犯罪的一个重大转变，即从零售欺诈转向对核心金融基础设施的直接入侵。BREEZE COMET 对人工智能的使用展示了其对提升威胁行为体能力、速度和规模的影响。

Financially Motivated Threat Actor BREEZE COMET Targets Brazil cloud.google.com

RSS Hunter • 9月1日

BigQuery Graph 现已达到通用可用性（GA）：智能体时代的知识基石

BigQuery Graph 现已全面发布，将原生图分析直接集成到数据仓库中，消除了孤岛和运营负担。这一新功能允许用户利用 ISO 标准 GQL 在传统 SQL 的同时执行复杂的图查询。它利用了 BigQuery 的拍字节级处理能力、现有的安全措施，并集成了 BigQuery 的机器学习和人工智能功能。来自网络安全、金融、零售和 IT 等多个行业的数据团队正在采用 BigQuery Graph。应用场景包括威胁与欺诈检测、供应链优化、客户360度、知识图谱创建和网络管理。近期改进包括更快更广泛的图引擎，提升GQL执行速度和表现力。新的无边框图湖屋功能使BigQuery Graph能够跨越原生BigQuery表和跨云的开放冰山表数据，无需数据流动。这使得代理能够穿越由多个来源数据组成的虚拟知识图谱，就像支持代理在Google Cloud和AWS上查询客户和产品信息一样。对话式分析使图形能够自然语言交互，减少AI代理的歧义和幻觉。此外，代理现在可以通过将数据集转换成节点和边来构建图表，具备创作和验证功能。上下文图功能为AI代理提供了可审计的记忆，将他们的推理和决策记录为BigQuery Graph中的可查询痕迹。这确保了可解释性，并为未来改进代理行为奠定基础。

BigQuery Graph is now GA: the knowledge foundation for the agentic era cloud.google.com

RSS Hunter • 8月31日

从数周到数分钟：数据管道的新代理时代

Google Cloud 通过在新推出的编排管道（Orchestration Pipelines）框架中引入数据管道编排的民主化，该框架于 Google Cloud NEXT '26 大会上发布。该框架通过数据代理套件（Data Agent Kit）提供访问，这是一套免费开源的数据工程工具集。该套件集成到主流 IDE 和命令行界面（CLI）中，提供数据工程标签页以及针对 Airflow DAG 的代理技能。它使数据专业人员能够使用自然语言编写、部署和排查生产级别的 Airflow DAG。该框架通过将编排逻辑与计算执行解耦，并采用声明式 YAML DSL，简化了 MLOps 流程，从而使所有数据角色能够绕过复杂的 Python Airflow 样板代码。一个实际示例展示了如何构建用于主动供应链管理的 MLOps 架构。该架构利用 BigQuery、Apache Spark 托管服务、Gemini 企业代理平台以及 dbt 来预测运输时间。数据代理套件可根据自然语言提示生成 PySpark 脚本和声明式 YAML 管道。演示了三个不同的管道：训练引擎、每日推理管道以及自动化评估与分支管道。部署通过 CI/CD 实现自动化，数据代理套件生成所需的流水线。对于日常运维，该套件提供 IDE 内的实时监控和代理式故障排查，诊断失败情况，识别根本原因，并针对问题提供内联修复建议。编排管道和数据代理套件显著降低了构建和维护 MLOps 架构所需的时间和复杂度。

From weeks to minutes: The new agentic era of data pipelines cloud.google.com

RSS Hunter • 8月31日

云首席信息安全官视角：人工智能时代保障水务行业安全的建议

2026 年 8 月云首席信息安全官（CISO）观点，由 Chris Sistrunk 和 Stephanie Kiel 呈现，聚焦水务行业的关键安全问题。威胁行为者正日益针对关键基础设施，尤其是水务公用事业中联网的可编程逻辑控制器（PLC）。尽管手动旁路 historically 曾提供安全缓冲，但在人工智能时代，基础数字安全至关重要。建议水务和污水处理公用事业采取以威胁情报为导向、以风险管理为核心的响应策略。关键行动包括清点资产、实施基本安全卫生措施、维护强健的备份机制，以及利用网络分段和多因素认证。应急规划应将网络事件响应整合至现有的全灾害体系中，并严格管控第三方供应商的访问权限。IT 与运营技术（OT）领导者必须协作，构建统一的治理框架，以增强网络物理系统的韧性。人工智能增强的安全方法对于现代化防御体系至关重要，并能作为精简安全团队的战力倍增器。Mandiant 的“运营技术（OT）99 理论”指出，大多数妥协事件发生在计算机工作站和服务器上，这为防御者提供了利用人工智能保护中间基础设施的优势。战略性地整合人工智能工具并辅以人工监督，可将网络安全态势的平衡向防御方倾斜。保护水务系统是一项公共安全当务之急，正推动政府采取更多行动，例如国家网络主任办公室与德克萨斯州共同启动的试点项目。

Cloud CISO Perspectives: Tips on securing the water sector in the AI era cloud.google.com

RSS Hunter • 8月31日

重塑工作：Pythian 内部 AI 实践指南如何为客户实现投资回报

Pythian 在内部部署了 Google Cloud 的 Gemini Enterprise，以研究企业 AI 的投资回报率（ROI）。他们发现，许多 AI 项目因工具导向的方法和对微小效率的过度关注而失败。为此，Pythian 开发了 AI 运营模型（AI Operating Model）以解决这些问题。该模型将战略、执行与运营整合为一个持续循环。该框架始于领域首席技术官（Field CTO）的战略与治理，以识别高 ROI 的用例。随后，工具与平台部署建立安全且情境化的 AI 基础。双中心卓越中心（Dual Center of Excellence, COE）作为执行引擎，其中一部分专注于通过无代码代理提升人员生产力，另一部分则通过定制代码代理提升流程生产力。最后，XOps 通过管理模型漂移和提示调优，确保生产环境中 AI 的持续性能。这一综合模型超越了单纯的工具采纳，实现了结构性工作流转型。通过在内部验证该模型，Pythian 实现了数据库事件解决时间减少 80%，用户参与度提升三倍。该模型的成功还通过数据库运营、知识管理、供应链和零售等领域的客户案例得到进一步印证。有效扩展 AI 需要这种端到端的运营模型，而不仅仅是工具层面的实验。

Reimagining work: How Pythian’s internal AI playbook delivers customer ROI cloud.google.com

RSS Hunter • 8月27日