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

在知识目录中推出新的自学习上下文增强功能

Google Cloud 知识目录（Knowledge Catalog）正在通过新增预览功能增强其代理（agent）上下文引擎。自学习上下文丰富化（Self-learning context enrichment）分析代理与用户的交互，自动识别并更新缺失或过时的业务上下文。知识工作室（Knowledge Studio）提供可视化的上下文图谱及对话式探索功能，用于管理此类上下文。此举解决了随着代理数量扩展而手动策展上下文的挑战。由 Gemini 驱动的丰富化功能从各类业务文档和代码仓库中提取经核实的定义，并将这些定义组织为受管制的、可复用的代理上下文集。这显著提升了代理的准确性，并大幅降低了延迟和 token 用量。丰富化能力可连接结构化与非结构化数据源。拟议的上下文更新将附带来源引用和置信度评分以供审查。用户与代理的交互可精准定位代理难以处理的领域，从而实现自动修复。自动化配置可设定置信度评分阈值以自动发布变更。上下文集允许对更广泛的上下文图谱进行策展后的、特定领域的子集划分。这些集合强制执行数据治理和细粒度访问控制。知识工作室将知识目录转变为上下文管理的交互式指挥中心，提供可视化导航、对话式探索及变更版本控制。这些新功能旨在保持上下文的时效性，并提升组织内代理的整体性能。
Introducing new self-learning context enrichment in Knowledge Catalog cloud.google.com
CdXz5zHNQW_xA5im0bBF2.gif
RSS Hunter RSS Hunter • 今天

深入 Agent 计算引擎：构建智能体时代的计算基础

软件行业面临周期性的架构变革：在 Web 规模爆发之后，出现了仓库级计算和容器技术，而张量处理单元（TPU）则是为了满足深度学习需求而开发。谷歌还推出了 Titanium，以提供基于硬件的安全保障。如今，一个根本性的转变正在发生，即代理式人工智能（agentic AI）的兴起：AI 代理不再仅限于回答问题，而是能够执行行动。这些代理正越来越多地编写代码、运行工具并编排工作流，从而迅速消耗计算和存储资源。传统的计算原语已不足以以低成本和低延迟运行数百万个此类代理。这催生了一种新的形态，即 Agent Compute Engine，一项谷歌云服务，为 AI 代理提供硬件隔离的微虚拟机（microVM）。Agent Compute Engine 旨在弥合虚拟机隔离性与容器的速度和密度之间的差距。现有虚拟机启动和停止速度过慢，难以满足频繁暂停和恢复代理的需求；而容器虽然快速，却缺乏某些代理任务所需的隔离性和内核级控制。该系统需要高效地管理代理，识别其活跃或空闲状态，以避免资源浪费并保留工作状态。Agent Compute Engine 被设计为一个统一平台，为持久化、硬件隔离的计算提供微虚拟机抽象。这一新架构支持多样化的工作负载，包括交互式代理界面、自主软件工程、大规模评估以及针对谷歌服务的轻量级沙箱。安全至关重要，采用纵深防御策略，以通过 Titan 硅芯片和 Titanium IPUs 实现的硬件根信任为基石。主机完整性通过无状态、不可变设备得以维持，代理会话则在单租户微虚拟机内进行隔离。零密钥架构确保敏感凭证不会驻留在沙箱内，即使 guest 操作系统被攻破也能保障安全。网络访问受到严格限制，所有流量均通过中介代理流转，由策略驱动的出站代理机制进行管控。对传输中及静态数据均实施了端到端加密。系统配备了自动补丁、运行时检测以及持续的安全措施，并严格分离代理运行环境与沙箱。系统基于“沙箱可能被攻击者控制”的假设运行，因此不持有任何凭证，且无直接网络访问权限。治理通过一等代理身份实现，由注册表和认证管理器统一管理；该认证管理器充当代理的保险库和代理。
Inside Agent Compute Engine: Building the compute foundation for the agentic era cloud.google.com
CdXz5zHNQW_XUm165nYZ0.png
RSS Hunter RSS Hunter • 今天

介绍 Agent 计算引擎和扩展的代理治理

扩展如 Gemini 等自主智能体需要强大的执行与控制基础设施。Google 正在推出 Agent Compute Engine，这是一项专为 AI 智能体的动态需求而设计的专用计算服务，提供隔离的运行环境安全性和效率。该服务目前为 Gemini 的工作任务提供支持，并即将向客户开放预览。配套的开源选项 Agent Substrate on GKE 则为采用 Kubernetes 标准化的用户提供了定制化和多云可移植性。这两种解决方案均通过硬件隔离和快速启动/暂停能力增强了安全性。Agent Compute Engine 利用带有写时复制内存共享和快速检查点功能的微虚拟机（microVMs）来提升效率，而 Agent Substrate 则采用零信任架构以支持高密度的智能体部署。为应对智能体舰队扩展的挑战，Google 正在扩展 Gemini for Business 的智能体治理功能。Agent Gateway 作为中央策略执行器，Agent Registry 管理已批准的智能体，Agent Identity 提供安全身份识别。这些治理功能现已覆盖更广泛的 Google Cloud 运行时、多云环境乃至本地端点。新的治理增强功能包括细粒度的成本控制、智能模型路由以及扩展的安全合作伙伴集成。该公司旨在提供兼具高性能执行与全面治理的稳健智能体基础设施。
Introducing Agent Compute Engine and expanded agent governance cloud.google.com
RSS Hunter RSS Hunter • 今天

BigQuery ObjectRef 现已进入 GA：完全使用 SQL 构建用于对话分析的多模态数据平台

BigQuery 现已提供 ObjectRef 和多模态数据分析功能，将其转变为综合代理数据平台。ObjectRef 允许将来自 Cloud Storage 的非结构化数据表示为 BigQuery 表中的原生列。此集成使得用户能够在单个 SQL 或自然语言查询中直接访问非结构化文件与结构化数据进行分析。用户可利用 BigQuery 的无服务器计算和内置推理能力构建复杂的数据管道，而无需独立的底层架构。提取的特征和标注可与原始非结构化数据一同存储，保留细微差别以支持更深入的分析。这种方法消除了此前遇到的数据拼接开销和数据库不一致问题。ObjectRef 支持独立生命周期、零拷贝架构以及结构化与非结构化数据的统一治理。已验证的使用案例包括内容审核、威胁检测、库存合规和客户体验分析。新的通用（GA）功能包括灵活的认证、统一的元数据支持以及用于对比分析的支持数组功能。企业如今可以整合其基础设施，并将 AI 直接引入其存储层，从而实现稳健的多模态数据分析。
BigQuery ObjectRef now GA: Build multimodal data platforms for conversational analytics entirely in SQL cloud.google.com
CdXz5zHNQW_rd8H1uSuzS.png
RSS Hunter RSS Hunter • 昨天

ZenteiQ 借助由 llm-d 驱动的 GKE 推理网关，将批量推理性能提升了 4 倍。

ZenteiQ 是由印度科学研究所（Indian Institute of Science）孵化的一家 AI 初创公司，致力于构建主权科学基础模型。这些模型需要理解物理学、方程及数值求解器，从而区别于通用语言模型。ZenteiQ 采用大规模合成数据生成管道对这些模型进行预训练。该管道生成了数十亿个推理 token，涵盖复杂的科学推导与求解器验证。此前，ZenteiQ 在 Kubernetes 上遭遇了路由瓶颈，导致引擎队列分布不均并产生冗余计算，这显著拖慢了数据生成进程并推迟了预训练。为克服这些问题，ZenteiQ 部署了由 llm-d 驱动的 Google Kubernetes Engine（GKE）推理网关。该解决方案为其推理请求提供了智能的、基于负载与缓存感知的路由机制。GKE 推理网关实时监控其服务节点上的实时队列深度与 KV 缓存利用率，有效路由请求，避免瓶颈并复用缓存的提示前缀。这种智能路由大幅提升了吞吐量，每日生成的 token 数量从 14.7 亿增长至近 60 亿，同时也确保了预训练运行的可预测性。ZenteiQ 计划利用此架构支持未来的高级 AI 训练阶段。
ZenteiQ scales batch inference 4x with GKE Inference Gateway powered by llm-d cloud.google.com
CdXz5zHNQW_6aNuYU90ce.png
RSS Hunter RSS Hunter • 昨天

“响应核心 PHP 漏洞 CVE-2026-109618 和 CVE-2026-109619"

已披露两个关键 PHP 漏洞 CVE-2026-109618 和 CVE-2026-109619，存在未经身份验证的远程代码执行和内存泄露风险。根据 Wiz Research 和 PHP 的信息，这些漏洞的 CVSS 评分为 9.2，影响 PHP 5.4 至 8.5.11 版本。漏洞源于内存不足处理问题及过期的内部请求状态。Google Cloud 建议其用户立即将 PHP 应用程序更新至 8.2 或更高版本并重新部署。针对 App Engine、Cloud Run 和 Google Kubernetes Engine 用户提供了具体指导。Google Cloud 自身不受影响，但运行在 Google Cloud 平台上的客户 PHP 应用程序可能受到影响。PHP 项目已为较新版本发布补丁，但旧版（已停止维护）将不再修复。Google Cloud 正在为某些无服务器平台推出自动补丁。使用自定义容器镜像的用户必须使用已修补的 PHP 版本重新构建并重新部署。On-Demand Scanning AP 和安全命令中心（Security Command Center）等监控工具可帮助识别和检测易受攻击的工作负载。更新 PHP 对于保障应用程序安全并维护服务完整性至关重要。
Responding to core PHP vulnerabilities CVE-2026-109618 and CVE-2026-109619 cloud.google.com
RSS Hunter RSS Hunter • 昨天

Google 公共部门增加合作伙伴投资以推动一线采用

Google 公共部门正在加强其合作伙伴计划，以推动协作并扩大面向政府和教育客户的任务交付。这些更新聚焦于四个关键领域，以支持其宝贵的合作伙伴网络。新的激励措施将奖励合作伙伴在售前技术专长和解决方案设计方面的贡献。由合作伙伴主导的用户成功计划将通过针对性投资提升 Gemini 的采用率。Google 正在推出“前置部署工程师学院”，以培训合作伙伴组织内的精英工程师。售前加速举措包括增加对合作伙伴主导的客户研讨会和概念验证的资助。售后采用方面，将投入 4500 万美元用于合作伙伴专业服务，以在美国公共部门部署 Gemini。为支持专项任务，将设立新的 ISV 智能体工厂，加速定制公共部门智能体的创建。此举与 ISV ATO 加速器相辅相成，为认证提供大量资金。正在建立战略联盟，包括与 SHI 的新联盟以调动其销售团队，以及与 Accenture Federal Services 合作开展 Gemini Launchpads。这些举措旨在推动机构从实验阶段迈向任务执行阶段。最终，这些努力确保公共部门客户获得其所需的就绪型任务能力。
Google Public Sector increases partner investments for frontline adoption cloud.google.com
RSS Hunter RSS Hunter • 昨天

Google Cloud 扩展了模型选择与灵活性，将 OpenAI 模型带给客户。

Google Cloud 正通过将其模型花园（Model Garden）集成 OpenAI 模型来增强其人工智能服务。此举使 Google Cloud 成为唯一能够访问三大主流闭源大语言模型（LLM）及其他众多模型的超大规模云提供商。该平台强调为客户提供灵活性，使其能够根据特定工作负载选择最合适的模型，在成本、能力和性能之间取得平衡。新的 OpenAI 模型，如 GPT-6 Astra、GPT-6.1 Sol 和 GPT-6 Luna 正在推出，每个模型均针对不同的使用场景和效率水平进行了定制。此次集成允许客户在不产生架构锁定或需要单独供应商合同的情况下动态切换模型。用户活动将整合到统一的 Google Cloud 账单中，并利用现有的云承诺和灵活节省计划（Flexible Savings Plans）。安全与数据治理至关重要，严格的数域（data perimeters）确保客户数据不会被用于模型训练。隔离的访问边界和统一的审计机制为企业工作负载提供了强大的安全性和可见性。这些新的 OpenAI 模型目前正面向精选企业客户进行私有预览。未来与 Gemini for Business 和 Google Antigravity 的集成将进一步扩大开发者和企业的选择范围并提升效率。
Google Cloud expands model choice and flexibility, bringing OpenAI models to customers cloud.google.com
RSS Hunter RSS Hunter • 昨天

全球规模硬件级安全：搭载 NVIDIA Blackwell 的机密计算 G4 现已正式发布

Google Cloud 推出了机密型 G4 实例，这是保护人工智能工作负载的一项重大进展。这些实例由 NVIDIA RTX PRO 6000 Blackwell Server 版 GPU 驱动，提供机密计算能力。这意味着由自主代理处理的敏感数据和知识产权可在实时得到保护。该技术将 NVIDIA 机密计算集成至 Google Cloud 的 AI 超计算机中，确保在计算过程中保障隐私，同时不牺牲性能。机密型 G4 实例现已在多个区域普遍可用，支持 Compute Engine 虚拟机和 GKE 节点上的多种消费模式。支持机密空间（Confidential Space）的功能即将推出，该功能可实现安全的多方数据共享。机密型 G4 实例利用基于硬件的安全特性，如不可导出密钥、远程证明和内存加密。这使得组织能够满足严格的监管要求并保持成本效益。该解决方案提供端到端的机密性，将数据与模型参数与主机管理员及云服务商隔离。通过基于硬件的远程证明建立可验证的密码学信任，确保在敏感操作开始之前验证完整性。至关重要的是，部署无需重构代码，从而简化了采用过程。性能测试表明，机密型 G4 实例提供的吞吐量与标准 G4 实例相当，性能损耗极小。这一进展使企业能够安全地扩展人工智能部署，在保持对其宝贵人工智能资产的控制、机密性和问责性的同时推进发展。
Hardware-backed security at global scale: Confidential G4 with NVIDIA Blackwell is GA cloud.google.com
RSS Hunter RSS Hunter • 昨天

Google Cloud 与 NVIDIA 扩大联合工程合作，以扩展基础设施以应对智能体时代

企业正转向复杂的代理式 AI 工作流，亟需兼具原始性能与关键灵活性的基础设施。这一新时代要求能够针对特定任务运行多样化模型，并保障数据与运营主权。谷歌云携手 NVIDIA 推出多项创新以应对这些挑战。由 NVIDIA Vera Rubin 平台赋能的新 A5X 实例提供加速计算能力并扩大全球可用性。Virgo 网络增强了横向扩展能力，支持跨站点构建大规模 GPU 集群。存储解决方案现已包含集成 NVIDIA GPUDirect Storage 的托管 Lustre，实现 GPU 对数据的直接访问。A5X 实例上的高级 KV 缓存提升了代理工作流的长上下文内存能力。谷歌 Kubernetes 引擎（GKE）将编排这些 A5X 实例，简化分布式 AI 运营。谷歌云主权云（Sovereign Cloud）组合中，对 Gemma 和 Mistral 等开源模型的支持正在扩展。NVIDIA 的 Nemotron 模型与 Cosmos 仿真已集成至 Gemini，用于定制化和虚拟世界生成。通过谷歌分布式云（Google Distributed Cloud），主权 AI 能力正延伸至本地环境，包括 NVIDIA Blackwell Ultra GPU 和 Gemini Flash 模型，以支持空气隔离部署。公有云中的机密计算通过机密 G4 实例和机密裸金属选项得到增强。这些创新旨在通过硬件强制的安全机制保护敏感知识产权和用户数据。与 NVIDIA 全栈平台共同打造的谷歌云 AI 超算中心，为 AI 扩展提供了统一基础。
Google Cloud and NVIDIA expand co-engineering collaboration to scale infrastructure for the agentic era cloud.google.com
RSS Hunter RSS Hunter • 昨天

Claude Opus 5.5 和 Claude Sonnet 5.5 现已在 Google Antigravity 中可用”

Google Cloud 现已通过 Antigravity 提供 Claude Opus 5.5 和 Claude Sonnet 5.5，为开发者提供了更多模型选择。Claude Opus 5.5 擅长处理复杂任务，而 Sonnet 5.5 则提供更高的速度与成本效益。管理员可在 Antigravity 中启用这些模型，与 Google 的 Gemini 模型并列。开发者随后可直接从 Antigravity 各工具中的模型选择器挑选首选模型。此集成实现了模型选择的统一计费与安全环境。该平台支持多模型工程模式以提升代码质量并管控成本。一种模式是在实现与验证阶段使用不同模型，以避免模型特定偏差。开发者可为实现阶段分配 Claude Opus 5.5 或 Gemini 4 Argon，而验证阶段则使用另一模型。另一种模式将强大的推理模型与更快速的"Flash"子代理配对以提升效率。子代理可配置为使用特定模型层级（如 Gemini Flash）处理高吞吐量任务。这通过将任务委派给专用模型实现了优化工作流。管理员可配置计费并授权合作伙伴模型供其组织使用。开发者应更新其 Antigravity 工具以访问这些新模型功能。
Claude Opus 5.5 and Claude Sonnet 5.5 are now available in Google Antigravity cloud.google.com
RSS Hunter RSS Hunter • 10月20日

宣布 llm-d 1.0：在 Google Cloud TPU 和 GPU 上为智能体提供开放分布式推理

今天标志着 llm-d 1.0 的发布，这是一个由包括 Google、Red Hat 和 IBM 在内的社区共同开发的、基于 Kubernetes 的分布式大语言模型（LLM）推理开源栈。该项目整合了 PyTorch 和 Kubernetes 社区，以应对不断演进的推理需求。与现代基于代理（agent-based）的工作负载相比，简单的聊天交互涉及多步骤流程、工具使用以及突发流量模式。在单机上或通过基础负载均衡器提供这些服务效率低下，导致计算重复和交互式用户卡顿。llm-d 将集群转化为协调的服务池，已在单个端点上演示了支持 1,000 个代理的能力。其关键特性包括感知缓存的路由和分层 KV 缓存，以维护代理上下文，以及流量控制以在流量突发期间优先处理交互式请求。1.0 版本通过感知优先级的流量控制提供多租户服务质量，并具备经过加固的 API 以奠定稳定基础。它还支持通过高可用性和零停机更新实现更安全的升级，并具备感知代理的服务能力以支持上下文复用。扩展的 TPU 集成提供了原生的 PyTorch 模型服务，利用 TorchTPU 的时间切片技术提升吞吐量与资源利用率。llm-d 组件具有可组合性，允许用户仅采用必要的服务元素。该栈连接了 Kubernetes 原语、PyTorch 服务引擎以及感知加速器的调度，从而构建灵活的生产环境。
Announcing llm-d 1.0: Open distributed inference for agents on Google Cloud TPUs and GPUs cloud.google.com
CdXz5zHNQW_U6mQXXQiGC.png
RSS Hunter RSS Hunter • 10月20日

TorchTPU 现已开源：在 TPU 上运行原生 PyTorch

PyTorch Conference 2026 推出了用于在 Google Cloud 及其他基础设施上运行 PyTorch 的新产品与集成方案。TorchTPU 作为 Google TPU 的原生 PyTorch 栈，现已在 GitHub 上开源。这使得用户能够借助 vLLM、SGLang 和 Hugging Face 等熟悉工具，在 TPU 上实现模型的无缝训练、推理与服务部署。该集成为用户提供包括 TPU、GPU 和 CPU 在内的多种计算选项，并保持一致的操作模型。TorchTPU 支持以最小代码改动和熟悉的 API 在 TPU 上运行现有的 PyTorch 工作负载；它支持 eager 模式调试，并通过 torch.compile 优化 TPU 利用率与内存使用。Hugging Face 模型现可原生运行于 TorchTPU，通过设置 device_map="tpu" 简化部署。推理优化通过 TorchTPU 与服务引擎的集成以及跨 TPU 和 GPU 的舰队路由实现。vLLM 在 TPU 上提供高吞吐服务与内存效率，支持连续批处理与量化等特性。SGLang 通过在请求间复用 KV 缓存，加速 TPU 上的代理式与结构化工作负载。llm-d 1.0 作为 CNCF Sandbox 项目，将 PyTorch 服务引擎与 Kubernetes 连接，以支持分布式 LLM 推理。TorchTitan 提供原生的 PyTorch 分布式高性能大规模训练，已在数千个 TPU 上得到验证。VeRL 这一流行的强化学习框架现已包含 TPU 后端，支持可扩展的后训练与强化学习工作负载。Ray 已添加原生 TorchTPU 支持，可在单一工作流中编排跨多种加速器的 AI 流水线。LiteRT 作为 Google 的端侧 AI 推理解决方案，现已加入 PyTorch 生态系统，使 PyTorch 模型能够在多样化设备上运行。TPU 代理套件也已在 GitHub 上进入早期预览阶段，用于自动化 PyTorch 模型在 TPU 上的接入、诊断与性能调优。
TorchTPU is now open source: Run native PyTorch on TPUs cloud.google.com
CdXz5zHNQW_YCinlopqHk.jpeg
RSS Hunter RSS Hunter • 10月20日

2026 年谷歌公共部门峰会公告与亮点

Google 正在举办一场峰会，探讨公共部门如何通过技术实现雄心勃勃的目标。公共部门领导层面临着在复杂性和资源有限的背景下，对速度与效率日益增长的需求。尽管许多机构已采用 AI 智能体，但其广泛普及仍受限于遗留数据孤岛和集成挑战。Google 旨在通过安全、可扩展的技术简化这些流程。该公司推出了 Gemini 智能体，这是一款适用于各类工作任务的通用助手，能够与现有系统集成并遵循组织的安全控制策略。"Gemini for Government Services"是一个专为公共部门安全和工作流需求设计的新平台，能够在无需数据迁移的情况下实现与现有系统的安全连接。Wiz 智能体现已在通过 FedRAMP 认证的"Wiz for Gov"环境中可用，以加速关键优先事项（如后量子密码学）的修复工作。Wiz 还通过其"Scan for Good"计划提供免费的安全评估服务。企业级搜索能力正被引入 Google Distributed Cloud 上的 Gemini，以支持隔离环境（air-gapped environments），从而在不牺牲互联网安全的前提下对机密数据进行分析。与 America.gov、SUNY、能源部、美国陆军及战争部的合作，展示了 Google 技术如何推动任务成效。这些合作聚焦于简化联邦服务访问、推进研究、加强国家安全以及优化后勤。凯斯西储大学（Case Western Reserve University）正利用 Gemini 提升学习与研究能力。Google 强调其作为智能体时代任务合作伙伴的角色，鼓励公共部门实体携手共建并创造影响力。
Announcements and highlights from Google Public Sector Summit 2026 cloud.google.com
RSS Hunter RSS Hunter • 10月20日

引入Gemini用于政府服务

Google 推出了面向政府服务的 Gemini，这是一款专为公共部门组织设计的 AI 智能体。该通用智能体能够处理知识型工作、回答问题、创建媒体内容，并基于既定目标运行代码。它可连接现有机构系统而无需数据迁移，并严格遵守组织的安全与合规要求。政府版 Gemini 包含针对公共服务的专业技能，如政策研究和 FOIA（信息自由法）发现，并能与 Oracle 和 Microsoft 365 等系统集成。预制的合作伙伴智能体和系统集成商可用于定制与部署。Gemini for Government Services 运行于 Google Cloud，确保数据隐私及美国数据驻留。此举旨在自动化常规任务，使公务员能专注于更关键的工作。预览版是 Google 更广泛战略的一部分，旨在为特定行业量身定制 Gemini。该倡议致力于加速复杂的政府运营并提升公民服务。
Introducing Gemini for government services cloud.google.com
RSS Hunter RSS Hunter • 10月20日

在主权边界内管理 RAG 搜索：GDC 企业搜索中的 Gemini

处理敏感数据如机密报告的组织需要安全的数据分析解决方案。公共云搜索功能常因数据主权要求而受限，防止数据流出。此前实现此功能需为断联环境开发复杂且耗时的定制基础设施。如今，谷歌分布式云（GDC）空隔离提供与Gemini的企业搜索，以应对这些挑战。这种全托管的检索增强生成搜索完全运行在安全的物理边界内，与互联网断开连接。用户可以上传文件，并请求Gemini查找、总结、比对或翻译信息，并附带引用来源和持续对话。这支持跨孤岛数据搜索，解锁来自音频、视频和图像等多种格式的洞察，无需单独转录步骤。系统与现有身份提供商集成，实现知情访问，确保隐私。数据在静止和传输中加密，安全控制符合政府标准。Gemini的本地代码执行引擎安全地处理结构化数据中的分析查询。该解决方案为主权数据中心带来了先进的多模态智能，同时不影响安全性。
Managed RAG search inside the sovereign perimeter: Gemini on GDC enterprise search cloud.google.com
CdXz5zHNQW_YS197tO5bU.png
RSS Hunter RSS Hunter • 10月20日

开启主权 AI 的下一个时代：Google Distributed Cloud 最新创新

代理系统对企业日益重要，但拥有严格数据主权要求的组织在部署时面临挑战。将敏感数据发送至公有云往往不可行，而构建私有 AI 堆栈则耗时漫长。Google 分布式云（GDC）的隔离式创新现已解决这一问题，使代理系统能够直接部署在敏感数据所在之处。关键进展包括由 Gemini 驱动的企业主机搜索、对开放权重模型的支持、开箱即用的 ISV 应用程序以及加速的基础设施。GDC 旨在将孤立的基础设施转变为具备灵活性的现代代理创新平台，其灵活性源于基础模型与开放模型。GDC 上的 Gemini 企业搜索提供对话式界面，用于查询主权边界内庞大的数据仓库。它支持文本、音频和视频等多模态数据，具备低延迟推理和内置的检索增强生成（RAG）能力。GDC 隔离式现已普遍可用，支持 Gemini 3.5 Flash 以及 Gemma、Mistral 等领先的开放模型，赋予工作负载选择权。该平台具备全新的、升级的基础设施即服务（IaaS）堆栈，可共同运行 AI 与传统工作负载。其中包括搭载 NVIDIA Blackwell GPU 的 A4 Ultra 机器类型，用于高性能代理基础设施，以及高可用托管网络解决方案。不断扩展的 ISV 合作伙伴生态系统将 Teradata、Solo.io 和 Mattermost 等熟悉软件原生引入 GDC。这些集成使组织能够在不牺牲数据隐私、不遗留熟悉工具的前提下利用 AI，在合规、安全且受控的隔离环境中将敏感数据转化为可操作的洞察。
Enabling the next era of sovereign AI: The latest Google Distributed Cloud innovations cloud.google.com
CdXz5zHNQW_WoYmLn2p8a.png
RSS Hunter RSS Hunter • 10月20日

如何使用 Python UDF 日志实现管道可观测性

BigQuery 现已支持 Python UDF 日志记录，允许开发人员使用 Python 标准日志库直接将结构化日志输出到 Cloud Logging。此新功能无需外部插件即可实现运营监控和调试，尤其适用于构建容错数据管道。其工作流程包括在 Python UDF 内联执行验证、通过 Cloud Monitoring 基于日志指标进行实时告警，以及对隔离数据进行 SQL 分类与回放。一个实际示例展示了一个电商事件摄入管道。通用的 Python UDF 解析 JSON，为无效记录记录诊断信息，并返回 NULL 以防止查询失败。日志功能通过 BigQuery 会话中的 SET @@udf.properties 启用。可在 Cloud Logging 中配置针对 UDF 错误的特定日志过滤器以实现实时告警。对于取证分析，BigQuery 日志分析功能允许数据工程师通过 SQL 直接查询关联的 _AllLogs 视图中的隔离负载。由于原始负载得以保留，问题记录可被恢复并重新摄入生产表，确保无数据丢失。除数据验证外，此日志功能还支持影子执行（用于安全迁移）、PII 脱敏审计以及检测机器学习推理漂移等用例。最佳实践包括启用调试输出、避免在日志中包含敏感数据，并通过选择性日志记录管理日志成本。此集成简化了调试流程，并增强了 BigQuery 内数据管道的韧性。
How to Use Python UDF Logging for Pipeline Observability cloud.google.com
CdXz5zHNQW_vlOyaZLNoM.jpeg
RSS Hunter RSS Hunter • 10月19日

谁在评判法官？三种有益的审计大语言模型评估者的方法

一个常见的技术误解是认为人工智能能够提供客观评估，但大语言模型（LLMs）与人类一样具有主观性。LLM 裁判表现出多种偏差，包括冗长偏差（verbosity bias）、位置偏差（position bias）和光环效应（halo effect），其中清晰的格式可能误导它们。它们还表现出讨好偏差（agreeableness bias），无法检测错误，以及自我增强偏差（self-enhancement bias），倾向于偏好自身的输出。因此，LLM 裁判并非客观，将其视为无误会危及工作质量。为提升 LLM 裁判的质量，建议采用三支柱方法。第一支柱是衡量内部稳定性，通过检查相同输入在多次运行中的一致性来实现。第二支柱涉及验证人类对齐性，使用校正偶然性的指标，以确保它们识别的是真实错误，而不仅仅是与宽松评分达成一致。第三支柱主张使用多裁判集成（multi-judge ensembles），采用分解提示（decomposed prompting）进行专业化评分，并同时运行多个模型以跟踪性能并识别分歧。与 Delta 合作有助于实施经过统计审核的评估流程。
Who judges the judge? Three helpful ways to audit your LLM evaluators cloud.google.com
RSS Hunter RSS Hunter • 10月19日

开发人员在 Gemini 中实现 MCP 应用的指南

企业助手主要依赖文本，这对于需要频繁调整的视觉化、多步骤任务而言效率低下。MCP 应用（Model Context Protocol 的扩展）通过将工具与直接在 Gemini 企业聊天流程中渲染的实时用户界面配对来解决这一问题。这些交互式 UI 嵌入在沙箱化的 iframe 中，可展开为全屏或侧边栏。编辑操作在本地处理，从而保持工作区与助手之间的同步。该方法无需重建核心基础设施，而是利用 Gemini 企业版进行身份验证、数据访问及默认助手功能。用户在私有 Cloud Run 服务上托管其 MCP 服务器。随着生成式发展，企业助手已从静态文本聊天机器人演进为调用实时 API 的助手，如今则进一步发展为具备实时工作区的交互式 MCP 应用。MCP 应用提供响应式用户体验、专为特定目的构建的工作流、企业级安全、人机协同治理以及广泛的连接能力。其架构包含三个解耦的层级：客户端浏览器、Gemini 企业版以及用户的 Google Cloud 项目。安全通过两层身份验证机制实施：Cloud Run IAM 和应用程序内 OAuth。构建 MCP 应用涉及创建服务器和 HTML 小部件，部署至 Cloud Run，并在 Gemini 企业版中注册。注册后，MCP 工具将被导入为可启用并连接至 Gemini 企业版应用的行动，从而实现无缝集成。
Developer’s guide to implementing MCP apps in Gemini cloud.google.com
CdXz5zHNQW_eem4fhIiKn.png
RSS Hunter RSS Hunter • 10月19日

在 Google Cloud 构建完整的虚拟车辆：从 AAOS 到最小 MCU

汽车行业正迅速向软件定义车辆转型，将核心功能从物理硬件迁移至数字系统。虽然信息娱乐系统和高性能计算系统常采用云原生方法开发，但许多关键微芯片和控制模块仍采用硬连线方式。这造成了显著瓶颈，使得制造后的更新与扩展变得困难，并将昂贵的缺陷修复工作推至开发周期的末端。Google 通过与 RemotiveLabs 等合作伙伴合作及其 Horizon 平台，旨在解决这些效率低下问题。Android Automotive OS（AAOS）已利用基于 Arm 的 Google Cloud 实例上的 Cuttlefish 等虚拟测试环境，实现座舱软件的无缝开发。RemotiveTopology 将该虚拟模型扩展至整车电气与电子（E/E）架构。通过将车辆网络转化为“车辆即代码”，RemotiveTopology 构建了一个完整的模拟 E/E 架构，连接 AAOS 与其他车辆系统。这使得开发者能够按需启动完整的虚拟车辆，实现持续的信号与跨域可见性。该系统基于标准 Linux 工具构建，可在多种平台上运行，从笔记本电脑到 Google Cloud。这种方法促进了所有车载系统在虚拟环境中尽早而非晚期的集成，在涉及物理硬件之前完成。关键的跨域交互（例如 ADAS 事件出现在信息娱乐集群中）可从一开始就持续测试。这种早期集成显著降低了在开发后期发现缺陷的可能性和成本。最终目标是实现可扩展的软件开发，即使针对最小的车辆组件，从而弥合通往完全软件定义车辆的差距。Google Cloud 基于 Arm 的基础设施（包括 Axion 的裸金属 C4A 实例）确保了云端开发软件与实际车辆控制模块之间的对等性。这一整体系统首次实现了整车系统的云端开发与集成测试，并可直接迁移至物理车辆。其优势十分显著，据早期客户参与情况衡量，集成周期可加快超过 10 倍。虚拟系统对于跟上 AI 辅助工作流至关重要，后者能够快速生成、测试和完善车辆软件。RemotiveTopology 使该架构易于访问，在 GitHub 上提供开源的简化车辆模型，可立即使用而无需新的第三方工具。制造商可以利用现有工具链，轻松将 RemotiveTopology 集成到基于 Arm 的 Google Cloud 环境中。对于那些目前仅将虚拟开发局限于座舱的厂商，是时候通过这一创新方法将云端虚拟开发扩展至整车了。
Building full virtual vehicles on Google Cloud: From AAOS to the smallest MCU cloud.google.com
RSS Hunter RSS Hunter • 10月19日

Google 在 2026 年 IDC MarketScape 代理人工智能平台评估中被评为领导者。

组织在将 AI 代理部署到其业务中时面临重大挑战，需将质量、集成、安全与治理置于原始模型智能之上。Google 的 Gemini 被定位为一种基础平台，旨在解决这些部署障碍。它使代理能够在 Google Workspace 和 Microsoft 365 等熟悉的用户环境中运行，保持记忆与权限的一致性。Gemini 还倡导彻底的开放性，提供超过 200 种模型的选择，并直接集成到 Salesforce 和 SAP 等企业数据源中。该平台采用智能令牌经济学，通过为每项任务选择最合适的模型来优化成本，并支持可复用的技能，从而提升效率并减少冗余处理。此外，Gemini 内置治理与安全功能，包括专用代理身份、隔离沙箱和自动策略执行，这些防护措施保护敏感数据与基础设施。该平台旨在为构建者提供一个可靠且开放的环境，增强对 AI 部署的信心。Google 在首届 IDC 代理式 AI 平台市场图谱中的领先地位，凸显了 Gemini 在满足企业 AI 需求方面的能力。Gemini 的设计聚焦于赋予团队选择权与强大的安全能力，以支持 AI 集成。
Google named a Leader in the 2026 IDC MarketScape for Agentic AI Platforms cloud.google.com
CdXz5zHNQW_tDy32XzBIv.png
RSS Hunter RSS Hunter • 10月19日

Google Cloud 为 Reflection 的 Beam 提供 Day 0 支持：借助 llm-d 和 NVIDIA Dynamo 实现 5 倍性能提升

Reflection 推出了 Beam，这是一款专为高级软件工程及长周期代理任务设计的开放权重模型。Beam 采用 Apache 2.0 许可证，在其参数量级中展现出卓越的推理效率。Google Cloud 宣布立即支持 Beam，并在其 AI 超算平台及 NVIDIA AI 基础设施上提供部署方案。与 Reflection 合作，Google Cloud 利用 llm-d 和 NVIDIA Dynamo 优化了 Beam 的推理性能，以提升服务效率。在 Google Cloud 上部署 Beam，显著提升了代理任务的吞吐量并降低了延迟。此次发布强调模型与系统效率的协同提升，从而为代理任务带来更高的吞吐量和更低的延迟。通过 KV 缓存感知路由和推测解码等先进技术，实现了高效的多轮次服务。开发者如今可轻松获得针对代理任务的开箱即用型优化部署。代理任务的推理扩展需要在模型层和服务系统层同时进行优化。Beam 独特的架构仅激活其参数的一小部分以生成每个 token，大幅降低了计算需求。服务栈解决了长上下文场景中的瓶颈问题，如预填充计算和 KV 缓存容量。这一联合开发方案旨在为开发者提供强大且高效的 AI 工具。
Day 0 support for Reflection’s Beam on Google Cloud: 5x faster perf with llm-d and NVIDIA Dynamo cloud.google.com
CdXz5zHNQW_Vmt2Gjgcaf.png
RSS Hunter RSS Hunter • 10月16日

发布 Wiz Runtime Sensor 附加组件用于 GKE：Kubernetes 的即开式威胁检测

人工智能时代加速了安全威胁，使得传统扫描无法有效应对主动攻击。Wiz 正在预览版中推出针对 Google Kubernetes Engine（GKE）的运行时传感器附加组件。该集成提供了低维护部署方式，并实现了对 Wiz eBPF 运行时威胁检测的自动化管理，解决了诸如复杂安装和凭据安全风险等常见部署挑战。Wiz 针对 GKE 的运行时传感器现已作为原生托管附加组件推出，简化了传感器的生命周期管理。该传感器与 GKE 的 Secret Manager 无缝集成，实现安全的凭据处理。平台运营人员可通过 gcloud CLI 或 GKE API 启用传感器，从而简化部署流程。组织策略约束强制实施舰队范围的治理，阻止未安装传感器的集群。该传感器提供内核级可观测性，同时保持最小开销，监控系统调用和网络活动。此外，传感器支持独立自动更新，确保持续抵御新兴威胁。此集成与 Wiz AI 应用保护平台相结合，提供实时风险评估和威胁检测。
Announcing Wiz Runtime Sensor add-on for GKE: Turnkey threat detection for Kubernetes cloud.google.com
CdXz5zHNQW_WGMhfwSYQ0.jpeg
RSS Hunter RSS Hunter • 10月16日

架构自主性：面向生物技术的可治理高算力智能体的设计模式

现代 AI 代理充当简单的调度器，快速处理提示和 API 调用。然而，生物技术任务（如蛋白质折叠和化合物筛选）是复杂的持续模拟，与快速的 API 查找截然不同。由于超时和知识产权暴露风险，标准 AI 范式无法应对这些高需求的工作流。构建企业级研发代理需要一种新方法，超越单体助手模式。这涉及一个三层架构，将认知编排、计算执行和企业治理分离开来。执行层负责繁重的科学计算，工作负载在专用 GPU 或托管云端点上运行。为减轻 GPU 冷启动惩罚，维持热池和预加载权重对于响应性至关重要。容器化的 NVIDIA 推理微服务（NIMs）确保快速原型开发，同时为专有化学信息保持严格的数据隔离。认知层使用分层多代理结构编排代理工作流。关键的编排模式包括进程内原生代理交接以提升速度，以及通过云存储按引用传递大型负载以保持上下文窗口紧凑。工作流逻辑与生化推理解耦，将规划任务分配给通用大语言模型，将领域专业知识分配给专用模型。评估采用基于上下文的评估而非僵化的截断阈值，从而在药物候选评估中实现动态风险容忍度。性能最佳实践强调优化 I/O 和负载大小，而非原始 token 速度。将客户端并发与后端机制对齐，并避免深层工具链同样至关重要。按引用传递大型负载以及流式传输中间阶段完成结果可提升可见性和效率。将端到端管道封装在单一、清晰的接口之后可简化计算。Gemini 平台提供企业治理，包括代理身份、用于安全入口/出口的代理网关以及用于已批准工具的代理注册表。Model Armor 检查提示和负载的安全性。非对称自主权在可逆的自动化操作与需要人工审批的不可逆操作之间取得平衡。这种解耦的架构确保了可扩展、安全且可审计的研究系统，以应对未来复杂的模拟任务。
Architecting autonomy: A design pattern for high-compute, governed agents in biotech cloud.google.com
RSS Hunter RSS Hunter • 10月16日

SAVE 方法：掌握基础以构建可信的生成媒体”

Google Cloud Consulting 提出了一种名为 SAVE 的四步法，用于创建可信且符合品牌定位的生成式媒体。该方法超越了复杂的提示工程，以确保结果的一致性。第一步“分离”（Separate）涉及将提示拆分为研究人员和故事讲述者的不同角色：研究人员从源文档中提取经核实的事实，而故事讲述者则利用这些精选信息进行创意表达。第二步“仅批准事实”（Approving verified facts only）意味着生成式模型不应直接访问原始未编辑文件，而应仅接收经批准的陈述及带有明确约束的上下文包装。第三步“渲染前验证”（Verifying before rendering）强调在媒体生成前审查脚本和分镜，这使得文本内容易于编辑，从而尽早发现错误，节省时间与资源。第四步“工程化”（Engineer）涉及在系统中构建程序化护栏和独立安全网关，以确定性方式执行诸如字数限制和品牌合规等规则，而非单纯依赖提示的服从性。通过实施 SAVE，组织可以降低虚构细节的风险并确保生成式媒体的准确性。该方法将准确性责任置于系统架构之中。应用 SAVE 有助于借助 Google Cloud 工具在生成式媒体中构建信任。
The SAVE method: Learn the fundamentals to engineer trustworthy generative media cloud.google.com
RSS Hunter RSS Hunter • 10月16日

从构建智能体插件中总结的四条评估工程经验

构建代理系统的真正挑战不在于构建，而在于评估。评估工程对于创建可信的 AI 系统至关重要，其通过实施系统化、可重复的测试来实现这一目标。开发 Google Cloud 开发者插件为我们提供了关于这些评估原则的实战洞见。一个关键教训是：应评估执行步骤，而不仅仅是最终摘要。评估原始工具调用轨迹、验证已执行、已验证且范围明确的命令，比依赖 LLM 裁判对代理的文本回复进行评分更为准确。另一个教训强调：需为异步操作设计评估。在遥测数据中保留轮次结构至关重要，以便理解并发工具分发，并避免指导信息在动作执行之后才被处理的问题。此外，将实际运行（live runs）与“试运行”（dry runs）并列测试也极为重要。实际运行可验证真实执行与安全性，而仅计划运行则能揭示模型的推理过程，同时避免权限错误。这两者之间的差异往往能暴露显著的认知缺陷。最后，推荐使用“黄金集”（golden sets）作为持久化的基准。这些集合由专家精心策划的理想路径构成，可作为应对模型与运行环境演变的防护网。这些评估套件对于处理多轮交互与权限的企业级代理至关重要。构建并交付可靠的代理需要投入更多精力于评估工作，以确保其行为符合预期。经过压力测试的评估套件的持久性，最终将超越模型的频繁迭代。
Four evaluation engineering lessons learned from building agent plugins cloud.google.com
CdXz5zHNQW_EljdokhaYM.png
RSS Hunter RSS Hunter • 10月16日

现代化边界安全：使用 VPC 服务控制构建可扩展的边界

云运营中的自主代理因其非人类身份及规模化行动能力，带来了新的安全挑战。传统网络边界无法抵御机器速度的攻击，且往往过于严格或过于宽松。增强的 VPC 服务控制（VPC-SC）现在提供了更便捷的边界创建、维护和扩展方式。VPC-SC 中的文件夹成员资格允许文件夹内的项目自动继承安全策略。现已支持针对被拒绝访问的细粒度例外和引导式修复。这确保了数据默认受保护，从而安全地扩展自主代理。VPC-SC 提供上下文感知的网络安全边界，以防范数据窃取和内部威胁。入站/出站规则中支持文件夹和组织，简化了管理并保持了规则的简洁性。入站/出站规则现在可使用私有服务连接端点，以实现更精确的策略编写。通过服务模式提供对 Google API 访问的细粒度控制，允许指定特定的 URL 模式。引导式违规修复简化了授权合法访问请求的流程，显著缩短了解决时间。
Modernizing perimeter security: Scalable perimeters with VPC Service Controls cloud.google.com
CdXz5zHNQW_XbGjrKCqAa.png
RSS Hunter RSS Hunter • 10月15日

Gemini 智能体对初创企业的意义

Google for Startups 推出了 Gemini 智能体，助力精益创业团队克服运营负担，专注于核心产品开发。该统一、无处不在且持久的智能体兼具个人助理与专职团队成员的角色，能够处理写作、编码及数据分析等多样化任务，并为复杂任务动态创建子智能体。Gemini 智能体可跨日常工具与云服务进行集成，在多步骤长流程中保持上下文连贯。创始人可将其作为数字首席运营官加以利用，自动化从市场调研到商业计划书制作的各项任务。对初创企业而言，关键优势包括通过协作智能体扩展产出能力，并复用技能模块。用户可从多种 AI 模型中灵活选择，在避免供应商锁定（vendor lock-in）的同时优化成本。该智能体与现有的工程、数据及业务工具无缝连接，减少了对定制连接器的需求。内置的企业级安全与治理功能（包括智能体身份管理与隔离沙箱），有助于 B2B 初创企业跨越采购障碍。实时成本管控与支出上限机制通过防止意外账单，有效保护资金跑道（runway）。早期采用者如 Whenere 已利用 Gemini 平台高效创建各类资产。初创企业可联系 Google for Startups 了解更多相关功能。
What the Gemini agent means for startups cloud.google.com
RSS Hunter RSS Hunter • 10月15日

Cloud Run 上的时序无服务器 Worker：在需求之前扩展 Worker

时序执行平台对于分布式系统和 AI 代理至关重要，但在工人部署与扩展方面面临挑战。传统方法通常涉及管理 Kubernetes 或虚拟机，导致持续的成本支出和扩展延迟。时序云（Temporal Cloud）现已推出基于 Cloud Run 的无服务器工人（Serverless Workers），以解决这些问题。这些工人以“工人池”（worker pool）的形式部署，由时序自动扩展，即使在空闲时也可缩容至零。这消除了管理集群或自动伸缩器的需求，且无需修改工人代码。Cloud Run 工人池专为持续运行的后台任务设计，与时序工人的运作方式相契合。时序云通过 Cloud Run Admin API 监控任务队列并调整工人池规模。每个工人构建版本运行在独立的池中，允许旧版本在需要前缩容至零。该技术实现了 AI 的自动扩展代理工人，高效处理长运行工作流，并支持突发式批量处理，同时节省成本。此前，在 Cloud Run 上运行时序工人需要针对端口监听和实例计费进行变通处理。工人池消除了这些限制，无需管理端点，以更低成本提供稳定的 CPU 资源。扩展过程不会引发修订版本更替（revision churn），时序云通过监控任务积压延迟来管理增长。缩容策略更为保守，以确保可用性，并支持可配置的工人优雅关闭。时序云上的时序无服务器工人还强制实施时序工人版本控制（Temporal Worker Versioning），这是针对有状态、确定性工作流的关键功能。部署新代码会为每个版本创建独立的工人池，防止运行中途出现错误。工作流可保留在其原始版本上，或根据工作流类型配置为自动升级。设置流程包括：将工人容器化、作为 Cloud Run 工人池部署、授予时序云相应权限，并创建工人部署版本。此新功能目前处于预览阶段。
Temporal Serverless Workers on Cloud Run: Scale workers ahead of demand cloud.google.com
CdXz5zHNQW_Mquaroke6P.png
RSS Hunter RSS Hunter • 10月15日

借助 Gemini 的创新，将无边界 Lakehouse 带入智能体时代

企业正将人工智能从聊天机器人转向自主智能体，却受困于数据分散的瓶颈。这一瓶颈阻碍了智能体在不引入安全风险的前提下演变为真正的行动系统。如今，Gemini 与无边界湖仓（borderless Lakehouse）的集成提供了解决方案。该集成使 Gemini 能够在无需移动数据的情况下，跨云环境、SaaS 平台及本地系统访问并推理数据。业务用户可使用自然语言查询多样化的数据源；AI 智能体则可利用这些数据开展基于事实的推理与代码生成。无边界湖仓的新进展包括跨云支持以及对 Apache Iceberg 的兼容性。通过专用网络连接和缓存，实现了 PB 级推理的性能提升；针对 Iceberg 元数据的优化提高了查询引擎效率。读写互操作性支持对共享 Iceberg 表的无缝协作。AlloyDB 湖仓联邦实现了数据库与数据仓库数据的联合查询。湖仓运行时目录统一了企业数据，为智能体提供上下文。与 SaaS 应用的零拷贝数据集成现已扩展。Databricks Delta Lake 资产可同步至湖仓。现实案例展示了显著的性能提升与现代化成效。从遗留系统迁移至无边界湖仓的流程现已大幅简化。
Bringing the borderless Lakehouse into the agentic era with innovations for Gemini cloud.google.com
CdXz5zHNQW_l99CalEsKz.gif
RSS Hunter RSS Hunter • 10月15日

Visko 如何在 Google Cloud TPU 上流式传输实时世界模型

生成式 AI 初创公司如今正致力于开发交互式实时世界，而不仅仅是静态片段。Visko 与 Google Cloud TPU 工程师合作，仅用 30 天便将其实时世界模型 Orbis 部署于 Cloud TPU 上。部署实时世界模型面临独特挑战：必须严格满足实时时钟要求，这与离线视频生成截然不同。每一段视频和音频必须在上一段结束前完成渲染，以避免世界冻结。Visko 的 Orbis 可从单个提示流式传输实时视频，并允许观众在实时动态引导场景。团队成功将 Visko 的端到端推理流水线（包括视频生成、超分辨率和音频）部署到单个 Cloud TPU 切片上。通过架构优化和精准工程，他们实现了 1.07 倍播放速度的端到端生成。本次技术深度解析探讨了在 Google Cloud 上构建超低延迟生成式 AI 的优化方案与实践经验。实时世界模型与标准批量推理存在根本差异，主要体现在批量大小为 1 以及严格的顺序依赖关系上。Visko 的流水线将三个生成式模型串联部署于单个 Cloud TPU 切片上，各片段共享硬件资源。
How Visko streams real-time world models on Google Cloud TPUs cloud.google.com
CdXz5zHNQW_qZss1VvSMS.png
RSS Hunter RSS Hunter • 10月15日

军械库城堡利用超越信任

BeyondTrust 披露其远程支持设备中存在漏洞 CVE-2026-102764，允许任意文件上传。Mandiant 发现疑似与中华人民共和国有关联的威胁行为者 ARMORY CASTLE 于 2026 年 8 月下旬将该漏洞作为零日漏洞加以利用。该行为者使用名为 SAWFLY 的自定义 PHP Webshell 建立立足点，并通过加密的 C2 通道进行通信。通过操纵系统二进制文件的 SUID 权限，实现了提权至 root。随后，ARMORY CASTLE 利用专有 bt-secrets CLI 工具收集凭据。为实现长期持久化，他们修改了设备配置模板，使服务账户获得无需密码的 root 访问权限。该威胁行为者主动删除日志以规避检测并阻碍取证分析。此外，他们滥用被泄露的管理员凭据访问 BeyondTrust Web 门户。同时，ARMORY CASTLE 修改用户权限，以永久获得对下游系统的无限制远程访问。最后，他们使用名为 BARECLAW 的自定义隧道工具进行数据外泄并在网络内横向移动。
ARMORY CASTLE Exploits BeyondTrust cloud.google.com
CdXz5zHNQW_6mJOqwr4n6.jpeg
RSS Hunter RSS Hunter • 10月15日

调查瞬态供应链篡改

Google 威胁情报组（GTIG）与 Mandiant 调查了一起针对 AOMEI 技术的软件供应链攻击。威胁行为者 UNC7017 在极短的时间窗口（5 至 10 分钟）内反复篡改 AOMEI 的更新服务器。该战术旨在规避传统安全检测方法。此次行动交付了多阶段载荷，包括 CROSSROAD 下载器和 SHINYROAD 后门。UNC7017 战略性地将基础设施从云服务商转移至专用域名和云存储。来自多个国家的各行业组织均受到此次机会主义行动的影响。ManagedEngine 威胁分析实验室（METAL）最初通过其端点检测与响应（EDR）遥测数据检测到该活动。随后，GTIG 通知了受影响组织，并与 AOMEI 共享了调查结果，AOMEI 随即采取了纠正措施。该攻击利用 AOMEI 的更新和通知逻辑，通过修改配置文件（如 down_html.ini 和 Notifycfg.ini）实施攻击。UNC7017 还使用了一种静默的 WebDAV 凭据强制技术，并配合不可见的弹出窗口。恶意软件交付涉及自定义加载器和后渗透框架，其中包括修改版的 Radmin Server 后门。CROSSROAD 下载器负责验证环境、清理端点、部署二级载荷并建立持久化机制。
Investigating Ephemeral Supply Chain Tampering cloud.google.com
CdXz5zHNQW_qi7EFuLDav.png
RSS Hunter RSS Hunter • 10月15日

BigQuery 中可预测的 AI 支出：推出生成式 AI 函数的成本管理

BigQuery 生成式 AI 函数允许用户将大型语言模型直接集成到 SQL 查询中，以执行分类和 sentiment 分析等任务。这些函数按 token 计费，因此对于大规模使用而言，主动进行预算管理至关重要。Google Cloud 已通过由 IAM 管理的每日配额，为这些函数引入了基于 token 的成本管理。存在四种每日配额：每日 AI 输入 token、每日每用户 AI 输入 token、每日 AI 输出 token 以及每日每用户 AI 输出 token。这些配额在全球范围内生效，涵盖 BigQuery 中的特定生成式 AI 函数，但不包括嵌入函数。管理员可以直接在 Google Cloud 控制台中查看和调整配额，也可以通过 API 进行程序化操作。为了有效管理成本，用户可以立即降低配额或申请增加配额（通常会自动批准）。在“配额与系统限制”页面监控使用情况，有助于检测用量激增并合理调整预算。Token 配额作为一种预防性的、针对 AI 的护栏，与更广泛的 Cloud Billing 支出上限有所区别。执行机制包括在达到配额时停止工作，具体表现为预先拒绝查询或在查询过程中中断 LLM 调用。AI.COUNT_TOKENS 函数有助于在不产生额外成本的情况下估算输入 token 用量。通过理解 token 定价并估算用量，管理员可以设定适当的配额值以符合预算目标。最佳实践包括：从每用户配额开始，使用 AI.COUNT_TOKENS 测量输入数据，注意输出 token 成本较高，并根据实际观察到的用量迭代调整限制。实施这些基于 token 的护栏可为 BigQuery 中的生成式 AI 提供成本可预测性。
Predictable AI spend in BigQuery: Introducing cost management for generative AI functions cloud.google.com
CdXz5zHNQW_TKvYyrBXNC.png
RSS Hunter RSS Hunter • 10月14日

云首席信息安全官视角：新的 Gemini Notebook 可帮助 CISO 和政策制定者为后量子密码学做好准备

Google Cloud 已推出公共版 Gemini Notebook，协助首席信息安全官（CISO）及高管为后量子密码学（PQC）做好准备。该工具将 Google 的 PQC 研究成果、工程见解及迁移建议整合为易于访问的格式。随着量子计算的快速进步，当前加密技术正面临未来攻击（如“先存储、后解密”）的威胁。Google 估计，破解常见加密方案需要相当数量的量子计算机组件。该公司计划于 2029 年过渡至 PQC，并敦促其他组织采取相同行动。Gemini Notebook 提供音频概览、闪卡以及关于 PQC 的具体问题解答。建议 CISO 识别易受攻击的加密技术、优先处理风险，并在规划中构建密码敏捷性。Google 已在 Chrome 和 Android 等产品中部署 PQC，且是后量子密码学联盟的创始成员。组织可通过筛选可信来源并使用中立提示词，自行创建 PQC Notebook。文章还强调了近期安全更新与威胁情报，包括人工智能时代的漏洞趋势及网络设备利用情况。Google Cloud 播客讨论了浏览器补丁中的人工智能应用及漏洞研究。
Cloud CISO Perspectives: New Gemini Notebook can help CISOs and policymakers prepare for PQC cloud.google.com
CdXz5zHNQW_EUDsV4t64q.jpeg
RSS Hunter RSS Hunter • 10月14日

Gemini 4 Argon 现已在 Google Cloud 上线，旨在协助解决企业最棘手的难题。

Gemini Enterprise 已更新集成 Gemini Agent，这是一款专为工作场景设计的通用 AI 助手。该助手始终可用，能够基于单一提示回答问题、编写代码并完成复杂任务。其底层依托的是 Google 最新的前沿模型 Gemini 4 Argon，现已在 Google Cloud 上提供。Argon 专为深度与精度而训练，擅长在长程、多步骤任务中保持上下文连贯，并在软件构建、金融、法律及网络安全等领域表现卓越。它将非结构化输入转化为连贯输出，能够处理包含文本、表格、图表和图像的文档。Argon 还能提供精确且可验证的结果，自动化财务对账、附带经核实引用的法律研究，并提升人力资源与客户服务等领域的任务成功率。该模型通过分解目标、跟踪进度并同步更新文件，加速产品的构建与发布，从而在代码开发和架构重构方面带来显著的性能提升。在网络安全方面，Argon 借助 CodeMender 等工具提供防御能力，以发现并修复漏洞，同时展现出抵御提示注入攻击的韧性。Gemini 4 Argon 可通过 Gemini for Business 访问，开发者也可通过 API 使用。 introductory pricing 将持续至 2026 年 11 月 30 日。
Gemini 4 Argon available on Google Cloud, built to help solve your business’ hardest problems cloud.google.com
CdXz5zHNQW_WbMOCLyl5W.png
RSS Hunter RSS Hunter • 10月13日

借助开放标准，让跨云对话分析变得简单

组织常面临数据分散在多个专用平台和云环境中的碎片化挑战。以往，这要么需要构建复杂的数据管道，要么只能接受报告不完整。传统方法涉及将数据复制到中央数据仓库，导致同步问题、存储成本增加，以及当模式变更时管道中断。Google Cloud 基于 Apache Iceberg 构建的无边界湖仓（borderless Lakehouse）提供了一种解决方案，它使计算和 AI 能够跨不同平台就地访问数据。该架构在同步元数据的同时，允许直接访问数据文件。它支持将来自 Databricks、Snowflake 和 AWS Glue 的数据联邦至 BigQuery，而无需数据迁移。BigQuery 中的联邦查询使用四部分路径来访问这些外部目录中的数据。这种集成实现了对异构数据集的统一查询与分析。此外，联邦表可与 BigQuery 的对话式分析结合，用于通过自然语言进行探索。运营层面的考量包括管理后台刷新时机、理解查询缓存机制，并确保数据驻留合规性。无边界湖仓旨在通过消除昂贵的迁移和复杂的数据管道来简化数据激活。
Cross-cloud conversational analytics made simple with open standards cloud.google.com
CdXz5zHNQW_LuveKFuJPr.png
RSS Hunter RSS Hunter • 10月13日

一个智能体开发套件，五种语言

现代智能体可用多种语言构建，而不仅限于 Python，但许多框架仍假设采用 Python 专属技术栈。Google 的智能体开发套件（ADK）旨在消除这一限制，支持 Python、Go、TypeScript、Java 和 Kotlin。每个 ADK 版本均针对其运行时进行定制，同时通过开放协议共享统一架构与互操作性。每种语言中的模型上下文协议（MCP）客户端均支持通用调用自定义工具。对于多智能体系统，智能体对智能体（A2A）协议可实现不同语言编写的智能体之间的通信。入门过程涉及一次性设置，并使用部署配置搭建项目。ADK 为每种语言提供独特优势：Python 具备广泛的集成能力和评估工具；Go 在生产效率和并发方面表现优异；TypeScript 利用 Zod 实现类型安全，并可直接在浏览器中运行；Java 可与现有的 Maven、Gradle 和 Spring Boot 生态系统集成；Kotlin 通过其 KSP 编译器插件优先保障构建时安全性，支持在设备端开发 Android 智能体。ADK 的多语言支持使组织能够为每个组件选择最合适的语言，无需妥协。
One Agent Development Kit, five languages cloud.google.com
CdXz5zHNQW_9VOuIRp4Dk.jpeg
RSS Hunter RSS Hunter • 10月13日

使用数据代理工具包实现代理数据科学

支付延迟促使合规团队怀疑存在欺诈行为，需要数据科学家识别待调查的交易。该流程包括摄入并清洗原始交易日志、训练欺诈检测模型、对新交易进行评分以及自动化整个工作流程。Antigravity IDE 中的 Data Agent Kit 简化了这一端到端流程。该套件提供 MCP 工具和 Markdown 技能，用于将代理连接到 Google Cloud 数据服务，并提供数据栈交互的指导。它还使用户能够直接从其 IDE 管理 Google 的代理数据云（Agentic Data Cloud）。初始阶段，通过代理生成的 Notebook 将交易日志加载至 BigQuery。数据加载完成后，创建一个 dbt 项目以清洗和丰富 BigQuery 数据，包括处理重复数据并与参考信息进行关联。该 dbt 项目还包含针对交易的唯一性测试。接下来，生成一个训练 Notebook，利用带有已知欺诈标签的历史数据构建随机森林（Random Forest）欺诈检测模型。随后，将训练好的模型应用于推理 Notebook，对未标记的交易进行评分。欺诈概率超过指定阈值（例如 50%）的交易将被发送至 Spanner 表以供审查。此流程生成了供合规团队调查的交易短名单。最后，利用 Apache Airflow 托管服务（Managed Service for Apache Airflow）自动化整个工作流程，确保其每日运行。代理生成 Airflow DAG 定义及部署配置，编排数据加载、转换和评分步骤。该自动化管道持续将潜在欺诈交易填充至审查队列。
Agentic data science with the Data Agent Kit cloud.google.com
CdXz5zHNQW_pxgNhwMrDK.gif
RSS Hunter RSS Hunter • 10月12日

由 Looker 驱动的代理数据云可信数据应用

商业智能用户常受限于标准化仪表板和有限的图表选项，进行深度分析时需依赖繁琐的 CSV 导出。使用典型的网格化工具设计满足特定需求（如高管简报或客户门户）的自定义仪表板也颇具挑战。此前，这导致需要构建自定义应用程序；虽然 AI 现已加速了这一过程，但仍受限于生产部署问题。这些问题包括缺乏受管数据、行级安全以及清晰的审核路径。为解决这些问题，Looker 推出了 Looker Data Apps，它将 AI 的速度与 Looker 的治理框架相结合。数据应用是由 AI 生成、托管于 Looker 内的交互式 Web 应用程序，专为特定运营工作流而设计。它们提供量身定制的布局，支持用户输入以进行场景测试和模拟，并将分析结果与执行任务（如更新记录或触发事件）相连接。这些应用基于 Looker 语义层构建，利用 AI 开发工具开发。与仪表板相比，数据应用通过启用主动执行和自定义 Web 组件，超越了仪表板的聚合可视性和标准化图表功能。Looker Data Apps 基于受管数据，通过语义层确保准确性和一致性。它们将分析转化为行动，提供可定制的、多页面的 Web 应用体验。面向企业设计，这些应用继承现有的语义模型、行级安全和访问控制。它们支持零代码部署由 AI 代理生成的应用，且终端用户交互无需运行时令牌成本。部署数据应用如同嵌入仪表板般简单，可无缝集成到外部门户中。Looker Data Apps 使原型在数分钟内即可转变为生产级工具，弥合基础仪表板与复杂自定义系统之间的差距。
Trusted Data Apps for the Agentic Data Cloud, powered by Looker cloud.google.com
CdXz5zHNQW_y0AsX1lPrs.gif
RSS Hunter RSS Hunter • 10月12日

在 BigQuery 中推出支持多变量时间序列预测的 TimesFM 3.0

BigQuery 即将推出 TimesFM 3.0，这是一个直接在 SQL 中支持多变量时间序列预测的新基础模型。此前，AI.FORECAST 仅支持单变量预测。由 Google Research 开发的 TimesFM 3.0 在多变量预测方面表现卓越，在 GIFT-Eval 等公开排行榜上名列前茅。该模型能够同时预测多个相关目标列。此外，它还支持协变量预测，利用过去和未来的已知值进行预测。通过纳入天气或促销活动等外部驱动因素，可实现更准确的预测。现有的单变量预测和异常检测工作流可通过简单更新模型规格即可从 TimesFM 3.0 中受益。BigQuery 中的多变量预测需要特定的输入表格式，包含历史数据和未来预测区间行。用户还可以在 BigQuery 对话式分析中利用自然语言提示进行多变量预测。这一新功能消除了企业级预测对复杂数据管道和模型基础设施的需求。
Introducing TimesFM 3.0 with multivariate time-series forecasting in BigQuery cloud.google.com
CdXz5zHNQW_DhZaejS59R.gif
RSS Hunter RSS Hunter • 10月12日

《SRE 十年：宣布《站点可靠性工程》第二版》

在原版发布十年后，Google 推出了其《站点可靠性工程》（Site Reliability Engineering）一书的完全重写的第二版。此次更新源于计算领域的深刻变革，包括人工智能的兴起、微服务架构的普及以及多云环境的广泛应用。第一版聚焦于早期云采用和单体架构，而新版则致力于解决在复杂、现代且全球扩展的系统中维持可靠性的挑战。过去十年间，SLO、监控、自动化和可靠性测试等实践已显著成熟。例如，SLO 已从基本的可用性指标演变为以用户为中心、多层级且具备自动执行机制的系统；监控已从静态仪表板转变为利用 OpenTelemetry 和分布式追踪技术进行快速根因分析。自动化已从自定义脚本演进为声明式的基础设施即代码（IaC）及内部开发者平台；可靠性测试现已涵盖持续韧性检查以及生产环境中的金丝雀发布验证。容量管理已转向动态自动扩缩容并与云 FinOps 对齐。SRE 的组织模式也已超越专用团队，呈现多样化发展。新版还深入探讨了 SRE 与人工智能的双重角色，阐述 SRE 如何支持 AI 基础设施，以及 AI 如何提升运营可靠性。内容涵盖大型语言模型的运行，以及利用 AI 工具改进事件定级和事后报告生成。尽管技术不断进步，SRE 的核心原则以及以可靠性为核心的文化的重要性依然未变。这本重写版旨在成为下一代生产系统的权威路线图。
10 Years of the SRE book: Announcing the second edition of "Site Reliability Engineering” cloud.google.com
CdXz5zHNQW_oDLtzwcL21.jpeg
RSS Hunter RSS Hunter • 10月12日

现代化非结构化数据工作流：Alteryx Live Query 与 Google Cloud BigQuery 的融合

Alteryx One 实时查询与 Google Cloud BigQuery 为处理复杂数据提供了强大的解决方案。该集成通过将转换操作原生地在 BigQuery 中执行，从而最大限度地减少数据移动，这一概念称为 SQL 下推。实时查询提供了一个无代码、基于浏览器的界面，用于构建数据管道。它能够无缝编排 Google 的 AI 模型（如 Gemini），从非结构化文档（如 PDF）中提取智能信息。这种方法尤其适用于处理供应商发票不一致的财务和运营团队。传统上，发票处理涉及人工操作或碎片化工具，导致错误和延误。Alteryx 与 BigQuery 的集成自动化了整个生命周期，从提取到标准化，直接在 BigQuery 中完成。这通过将敏感信息保留在数据仓库内，确保了数据治理和安全。工作流程始于使用 AI 模型从 PDF 中提取结构化字段。随后，结果被标准化并与 BigQuery 中现有的历史发票数据进行比对。此对账过程能够快速识别潜在重复项，并实现更快的异常处理。系统应用业务规则以标记进一步异常，从而生成受管制的运营输出。这种 Google Cloud 原生模式使数据驻留在 BigQuery 中，利用其安全性和控制功能。浏览器作为创作层，Alteryx One 平台服务负责协调，而 Google Cloud 则作为受管制的数据和执行层。
Modernizing Unstructured Data Workflows: Alteryx Live Query meets Google Cloud BigQuery cloud.google.com
CdXz5zHNQW_nRdt9JT0eP.jpeg
RSS Hunter RSS Hunter • 10月9日

爱尔兰的创新：爱尔兰品牌如何利用 Gemini Enterprise 实现规模化发展

爱尔兰已成为全球重要的技术枢纽，各行业组织纷纷采用人工智能。企业正利用 Gemini Enterprise 从 AI 原型迈向可投入生产的部署。这一进展巩固了爱尔兰在欧洲的竞争优势，并与其国家数字与人工智能战略相一致。谷歌当地团队正与行业领导者合作，为各类 AI 驱动解决方案实施 Gemini Enterprise。2025 年，谷歌在爱尔兰的运营通过人工智能和云服务为国内生产总值贡献了约 100 亿欧元。瑞安航空正为其 3.5 万名员工现代化运营与基础设施，提升决策能力与生产力。Smyths Toys 借助名为 Codie 的 AI 代理增强客户支持，解决了超过 60% 的网络咨询。爱尔兰税务局正通过迁移至统一的 AI 架构，以安全数据分析提升公共服务。Virgin Media Ireland 正加速工作流程并部署 AI 代理，实现更快的任务交付。众多爱尔兰初创企业也利用 Google Cloud 和 Gemini Enterprise 构建具有国际竞争力的服务，影响领域涵盖体育分析、医疗保健及碳抵消等。
Innovation in Ireland: How Irish brands scale with Gemini Enterprise cloud.google.com
RSS Hunter RSS Hunter • 10月8日

欢迎来到 Gemini 职场 2026：介绍 Gemini 智能体

Google Cloud 推出 Gemini，这是一款通用智能体，旨在优化工作流程。该智能体通过单一界面回答问题、处理知识型工作、创建媒体内容以及编写和运行代码。它直接集成到 Google Workspace 应用（如 Gmail 和 Docs）中，在所有平台上保持上下文连贯并实现统一控制。新增的数据与分析能力使技术用户和业务用户均能使用自然语言提取运营洞察。Gemini 还为财务和法律团队提供行业专用工具，增强专业化水平。安全至关重要，通过身份管理、策略管理和沙箱机制实现稳健的治理。成本管控借助多模型编排和实时支出上限进行管理。领先企业已开始采用 Gemini Enterprise，其中近 90% 的《财富》100 强公司正在使用。该智能体通过工具注册表连接现有系统，并借助可复用技能和全面的记忆系统进行学习。Gemini 通过与交互、用户及组织上下文的互动实现个性化辅助。这一统一智能体旨在变革工作的发起与执行方式，从实验阶段迈向运营部署。
Welcome to Gemini at Work 2026: Introducing the Gemini agent cloud.google.com
CdXz5zHNQW_Rcp9ipuVxN.png
RSS Hunter RSS Hunter • 10月8日

赋能中小企业利用 Gemini 实现更多

Google 宣布推出 Gemini，这是一款专为中小企业（SMB）设计的新通用智能体，旨在提升其效率与增长。Gemini 作为个人助理和团队成员，能够整合现有工具与数据，处理从回答问题到编写代码等各类任务。它可连接 Asana、Salesforce 和 Slack 等主流 SMB 平台，并通过使用不断学习和优化。Gemini 提供模型选择功能，可根据每项任务调用最佳模型，从而优化准确率与成本。该智能体支持网页、移动和桌面应用，确保广泛可用性。内置的成本控制功能可有效管理支出，包括多模型编排和支出上限等特性。早期访问客户已报告显著收益，如故障排查时间缩短和项目管理工作自动化。案例包括：Aerotech 提升产能，Angelus 优化研发流程；EdSpan Global 自动化学习对象标准化，Eficode 增强客户支持；KLog.co 大幅减少数据录入错误并提高文档处理效率；Koufu 自动化销售报告，La Maison du Whisky 生成营销文案；NEEOH 标准化 AI 用于活动生成，Quadrant Health Group 自动化后台任务；Salt Productions 和 Pinch Creative 整合碎片化文件以便更易访问；Sep 2 部署 AI 智能体进行威胁监控，Stratagem 自动化行政工作流；Sunhouse 改善归档设计作品的访问性，节省宝贵时间。Google 还提供免费培训项目和伙伴网络，以支持中小企业采用 AI。
Empowering SMBs to do more with Gemini cloud.google.com
RSS Hunter RSS Hunter • 10月8日

Google 公共部门与纽约州立大学系统（SUNY）推出人工智能赋能平台，加速大学研究

公共研究型大学面临通过采用先进技术加速科学发现的挑战。代理型人工智能（Agentic AI）的出现为处理海量数据集和复杂工作流提供了机遇，从而加快科学进步。谷歌云与纽约州立大学（SUNY）合作推出了 SUNY 人工智能平台。该平台为人工智能和高性能计算提供安全环境，最初支持九所研究密集型 SUNY 校区。研究人员可在统一生态系统中利用谷歌云的先进能力，包括存储、计算以及 Gemini Enterprise。该平台旨在简化数据分析、促进跨机构协作，并确保负责任的 AI 实践。除技术外，SUNY 还通过免费提供谷歌的自定步调人工智能认证，为其社区培养具备 AI 就绪能力的技能。这些课程面向所有经验水平，聚焦提示词编写和负责任 AI 工具使用等实用技能。SUNY 还将谷歌职业证书整合进学术项目，以提升学生就业能力。该举措将技术接入与必要的技能及负责任的 AI 实施机构支持相结合。此次合作旨在加速具有现实影响力的研究，惠及学生、教职员工以及纽约州的劳动力。
Google Public Sector and SUNY launch AI-enabled platform to accelerate university research cloud.google.com
CdXz5zHNQW_SRYhgeVHAZ.jpeg
RSS Hunter RSS Hunter • 10月8日

推出 Google Cloud 的 U4 计算：实现超低延迟交易

资本市场需要可预测的性能和低延迟，而传统数据中心面临诸多局限。Google Cloud 推出了超低延迟（ULL）解决方案以应对这些挑战。该方案结合了托管服务的速度与云的可扩展性及自动化能力，为云中的高频交易工作流提供超低延迟网络和高敏捷性。ULL 解决方案建立在三大支柱之上：用于数据分发的硬件级网络、用于分析的先进网络可观测性，以及用于执行的确定性高性能计算。这些支柱提供了裸金属性能、高性能存储和物理流量隔离等能力。硬件加速的多播分发绕过传统虚拟交换机，实现直接的市场数据流传输。加速的包处理与 UTC 同步的精准计时确保数据处理的准确性和可预测性。内置遥测功能可在不影响性能的前提下，提供持续的超低延迟包捕获，以满足合规与分析需求。U4 机器系列（包括 U4P、U4C 和 U4S 系列）为 ULL 解决方案提供动力，配备专用裸金属和高性能虚拟机。该架构使核心交易所系统和交易策略能够在云中以所需的速度和一致性运行。存储选项包括用于日志记录的快速本地钛合金 SSD，以及用于归档的可扩展 Hyperdisk。ULL 解决方案已在部分 Google Cloud 区域可用，为金融市场赋能，使其能够享受适用于当今及未来 AI 驱动交易的云优势。
Introducing Google Cloud’s U4 compute: Enabling ultra-low latency trading cloud.google.com
RSS Hunter RSS Hunter • 10月7日

发布 MCP Toolbox Java SDK v1.0：面向企业的代理数据访问

Google 自豪地宣布发布 MCP Toolbox Java SDK 1.0 版本，增强了面向企业级 Java 的代理编排能力。该 SDK 提供了类型安全的代理管理，这对于关键任务型 AI 部署至关重要，得益于 Java 在并发和状态管理方面的能力。模型上下文协议（MCP）充当通用接口，通过解耦 AI 模型与数据源来简化集成，从而消除了建立大量自定义连接的需求，降低了安全风险和维护开销。Java SDK v1.0 的关键改进包括：为灵活的网络实现提供传输层抽象，以及解耦的客户端认证以增强安全合规性。对默认参数的原生支持减少了负载大小，而剪枝绑定参数则防止敏感数据暴露给大语言模型（LLM）。标准化的版本选择和健壮的会话跟踪确保了协议的一致性。开发人员可以轻松地为出站请求附加自定义标头以添加元数据。一个实际案例展示了一款使用 AlloyDB 和 Spring Boot 的自主交通礼宾应用程序。该代理通过整合非结构化的宠物政策与结构化日程及预订功能来回答复杂的旅行查询。MCP Toolbox 通过 tools.yaml 配置将自然语言意图映射为安全的 SQL 查询。状态型代理架构通过 Spring Boot 和 LangChain4j 实现，在 HTTP 会话内管理对话记忆。此架构实现了关注点的清晰分离，具备声明式代理接口和工具执行服务。SDK 简化了会话管理，定义了代理角色，并实现了类型安全的工具执行。认证默认通过应用默认凭据（ADC）进行安全保护，消除了硬编码密钥。运行时警告会提醒开发人员注意明文 HTTP 传输中潜在的凭据泄露风险。MCP Toolbox 与 Spring Boot 代理的解耦特性允许在 Google Cloud Run 上独立扩展。开发人员可以轻松地将 SDK 依赖项添加到 Maven 或 Gradle 项目中。GitHub 仓库和演示应用程序等资源可供入门使用。
Announcing MCP Toolbox Java SDK v1.0: Agentic data access for the enterprise cloud.google.com
RSS Hunter RSS Hunter • 10月6日