一、Gemini模型矩阵与编程范式变化
四款模型按元素周期表命名
Argon(氩):9月底10月初发布,时隔半年首次发布旗舰级大模型,支持100万输入Token和100万输出Token,在软件工程、代码安全、提示词注入防御及行业知识方面达到业界领先水平
Carbon(碳):Argon之后不到一个月发布,同为旗舰前沿模型,用于处理最复杂任务,在网络安全、模型对齐和真实性方面进一步提升,多数基准测试全面领先其他旗舰模型
Hydrogen(氢):上周发布,定位为效率模型,是Gemini 3 Flash的后继版本,运行速度和智能水平相比Flash有质的飞跃,提供低、中、高、超高四个思考级别供用户控制速度与思考深度
Neon(氖):本周发布,定位为效率与智能的平衡点,兼顾成本,速度比前代快三倍,在网络安全、知识推理、编码和Agent工作流方面均有显著提升
编程范式的根本性转变
Coding Agent在过去一年全面普及,多数开发者已不再手写代码,过去一个月的工作现在几天即可完成
AI降低编程门槛,催生”Builder”群体,他们直面各行业真实问题,与专业开发者各有优势
交互形态从Chatbot对话框演进为Agent闭环工作流,Agent负责规划、调用工具并直接交付结果
开发者角色从编写代码转变为Agent指挥者,需明确业务目标、安全护栏、验收标准,并协调多个Agent
商业模式从提供工具跃迁为直接交付最终结果
Google全栈式Agent解决方案
底层提供Gemini闭源模型与Gemma开源模型
编排层提供ADK框架与Agent运行时
协议层提供A2A协议与MCP标准
顶层提供Google Cloud完全托管式Agent App,企业无需处理底层细节
二、A2A协议设计与多智能体系统演进
智能体系统三阶段演进
单智能体阶段:一个Agent配合Controller操作系统,适用于简单任务
协同子智能体系统:中心化调度模式,上层管理者创建并调度多个Agent并行执行写代码、验证、审核等任务,典型代表为Any Gravity的Slash Swap功能
A2A多智能体系统:去中心化对等架构,解决中心化系统在跨组织、跨公司场景下的瓶颈
从单智能体迁移到协同系统的三个触发条件
工具过载:安装过多工具导致Context Window被大量占用,相似功能工具使Agent选择混淆易出错
上下文污染:单Agent承担规划、编码、检查等多重角色导致注意力稀释
工作流失控:过长提示词中的指令遵循困难,拆分为不同Agent可有效解决
协同系统面临的三堵墙
信任边界失效:组织内部部门间、不同厂商系统间、跨公司场景下不可能完全开放数据权限,中心化管控无法解决
共享状态泄露:中心管理者可获取所有下属Agent的全部资料,在企业安全合规中不被允许
自主博弈缺失:买卖议价等场景中双方不可能暴露底牌,必须通过部分信息披露进行磋商,集中管控无法实现
A2A协议核心机制
Agent Card:每个Agent在指定位置存储自我宣告的JSON文档,说明能做什么、需要什么输入、返回什么输出,作为握手协议的基础
Task:Client Agent向Server Agent发起的任务请求,Server Agent可自主选择接受或拒绝,区别于中心化系统中必须执行的指令
Message与Part:Agent间通信载体,Part为封装的数据单元(JSON、文件切片等),可多个打包传递
Artifact:任务完成后交付的结果载体,包含一个或多个Part,交付内容由Agent自身决定
A2A与MCP的关系
MCP解决Agent存取自身被授权数据的问题,发展较早,企业内部首先遇到
A2A解决Agent间跨信任边界的沟通与协作问题,出现在智能体大规模普及之后
两者共存互补:Agent通过MCP获取自身数据,通过A2A协议控制向对方披露的信息范围与结构
A2A解决三堵墙的方式
信任边界由Agent创建者在定义Agent Card时控制,揭露范围在构建阶段确定
共享状态通过Artifact封装交付,输出内容完全由Agent自身决定
自主博弈通过各自屏蔽对方不可见信息实现,双方仅交换愿意披露的部分,支持谈判议价场景
动态工作流与预定义工作流
Predefined Workflow:SOP明确的流程,适合中心化智能体按步骤执行,产出可预期结果
Dynamic Workflow:无人预先知道正确流程,通过A2A协议让多个Agent基于Agent Card自动发现能力、组合流程解决问题,依赖Agent数量与能力覆盖面
三、生产级Agent的工程化四大支柱
手工Agent上生产的四类挑战
安全审计:Agent继承的权限是否正确、是否可追踪、任务由人还是Agent完成需可区分
知识资产沉淀:个人Prompt、上下文、数据分散在本地电脑,难以转化为组织级中央资产
Token消耗治理:个人效率提升但组织层面Token消耗激增,回报评估与使用管控成为难题
共享复用障碍:开发者担心Agent携带个人权限或敏感数据,不愿分享给团队或公司
谷歌内部Agent使用现状
Dongna:统一知识入口,接入Office Suite、代码仓库、Salesforce等内部数据源,各团队定制专属上下文与数据资产,日常问答与内容创作主要依赖此系统
Any Gravity:任务执行工具,2.0版本面向全角色开放,内部Skill数量已达25万个,支持复杂任务的迭代执行;默认部署在Server端,客户端仅发送指令,避免笔记本关机导致任务中断
两类工具并存:Dongna处理知识问答,Any Gravity处理任务执行,均作为每日工作入口
四大支柱详解
构建:提供ADK、gcheck、Network等独立工具,目标是人人可建Agent,各工具不强制绑定
扩展:提供Runtime、Agent Session、Memory Fact等服务,将本地Agent托管为团队或公司可用的生产级服务
治理:通过Agent Register注册Hub,为每个Agent分配Identity,所有调用通过API网关实现,确保线上任务与数据可追踪、可审计、在可控范围内运行
优化:提供Aggregation与定期评估服务,支持Agent上线后的持续迭代与效果验证
AI原生组织的阶段演进
当前多数组织处于第二阶段:全员使用AI但关注点仍在个人效率
下一阶段关注Agent间协作与组织级治理,通过A2A等协议打造AI原生组织
创造力与治理能力相乘,才能让组织整体拥有更大创造力
四、安卓折叠屏与窗口适配实践
折叠屏适配的本质澄清
历史上DP单位的设计目的是让组件在不同像素密度设备上物理尺寸一致,而非在大屏上等比放大
平板时代因用户价值低,行业普遍采用”放大版手机”方案以降低成本,这并非DP的本意
折叠屏展开即平板,高价值用户每日使用,等比放大方案已不可接受,需在保持DP基准的同时利用空余空间
窗口尺寸分级取代设备尺寸
新版系统支持分屏、Free Form Window等模式,软件窗口形态不再等于屏幕尺寸
使用currentWindowAdaptiveInfo获取WindowSizeClass分级结果(小/中/大窗口),据此决定布局策略
老做法DisplayMetrics基于屏幕尺寸,新做法WindowSizeClass基于窗口尺寸,后者为官方推荐
五个具体适配要点
导航栏自适应:窄窗口底部横排,宽窗口左侧竖排;可使用Material官方Navigation Bar组件或Breakpoint分割点实现
列表详情并排布局:使用Navigation3库的rememberListDetailSceneReadiness,自动管理展开时左右并排、合上时前后跳转,位置状态不会错乱
超宽页面限宽:登录页等不适合分栏的界面,先设maxWidth再设fillMaxWidth,顺序不可颠倒;颠倒会导致窗口宽度被强制填满上限
网格列表自适应:使用LazyVerticalGrid/LazyHorizontalGrid配合adaptive函数设置最小单元格尺寸,系统根据窗口宽度自动决定列数
标题栏透明与安全区:标题栏设为透明后系统会将内容上移,可能与关闭按钮重叠;需手动测量Action Bar Padding或使用Margin避开系统按钮区域
AI辅助适配的边界
AI可帮助生成完整窗口适配代码,包括Golden Case截图验证、导航栏适配、分栏布局等六步流程
前提是开发者理解适配原理与官方方案,否则无法判断AI输出是否符合预期,也无法有效描述修改需求
AI不能替代对WindowSizeClass、Navigation3、Padding顺序等核心概念的理解
五、Web AI端侧部署与文档问答实践
Web AI技术定位与增长
Web AI是将模型跑在浏览器客户端本地的技术,直接调用CPU/GPU/NPU,基于JavaScript、WebGL、WebAssembly、WebNN等加速标准
2019年全球年下载量100万次,2026年初已达43亿次,六年增长4300倍,年均增长400%,仅统计主流运行时与框架,实际调用次数更高
核心优势为数据隐私、毫秒级低延迟、离线可用、摆脱Token计费
云端与端侧的渐进增强策略
离线时调用本地轻量模型处理高频、低延迟、高隐私任务
联网时将复杂任务、超大上下文、海量实时数据集交由云端Agent处理
老旧设备无法运行端侧模型时由云端能力兜底
优雅降级场景:飞机等有网转无网环境下,端侧模型应能处理约70%日常任务,剩余任务落地后同步
小模型的战略价值
云端模型持续后训练可能导致Prompt失效或安全过滤误伤垂直场景,本地模型权重完全受控
资源受限倒逼架构创新:Grouped Query Attention、Sliding Window Attention、词表压缩等技术均源于小模型需求
用户70%-80%的日常任务为请求加工具调用加自然语言整理,无需调用超大模型
微调小模型使其成为垂直领域专家,并部署到自有服务器/Web/Android环境,是开发者建立不可替代性的关键
Jamba模型与MediaPipe LLM框架
Jamba系列参数从10亿到310亿不等,专为端侧工具调用场景设计,31B版本实测占用约22GB内存
MediaPipe LLM在C++运行时之上封装语义化API,支持文本与图片多模态输入,输出格式兼容OpenAI SDK
底层C++运行时跨平台一致,浏览器、Windows、iOS、Android上的推理行为完全可预测
支持128K上下文,已在Hugging Face社区上传多个模型变体
纯端侧文档问答Demo实现
基于LangChain官方Chatbot Codebase构建,百分百端侧运行,数据不离开本地
界面左半为文档阅读器,右半为问答区,点击证据可跳转至文档对应段落
不使用RAG,直接将整篇文档塞入上下文:18页论文加索引约30K Token,预留7K Prompt历史、16K模型回答、8K安全冗余,剩余56K可处理中小型文档
为每段每页生成ID并在System Prompt中严格约束模型输出时必须提供对应ID,无ID则不编造,实现回答溯源
内置5篇论文供即时测试,支持用户上传自有文档
AI辅助开发的实操经验
使用Any Gravity的Auto Mode时,简单问题直接处理,复杂或有疑义问题会反问确认
Artifact功能在执行前生成Implementation Plan,Review Plan即可了解执行思路,无需展开思维链
Slash Browser命令可让AI接管浏览器自行测试功能,Console与Network错误可直接反馈修复,一轮迭代后App完整度可达80%-90%
编辑:芦笛 (公共互联网反网络钓鱼工作组)
来源:迪妙网络空间安全学院