Google AI 联合 Earth Fire Alliance 和 Muon Space 推出 FireSat 卫星星座，利用 AI 从太空探测早期野火。系统通过专为火灾检测优化的定制相机，并在受控燃烧上空训练 AI 模型，建立真实火灾的可靠基线。该星座可发现小至 5x5 米（约一辆车大小）的火灾，弥补传统卫星图像易混淆（云层、烟囱、烧烤架）且时效滞后（最长11小时）的缺陷。首批卫星已在轨运行，预计到2030年将有约50颗卫星，每20分钟对地球表面完成一次完整拍摄，帮助消防人员更早发现并控制火情，保障社区安全。
本文介绍了三种提升编码代理（Agentic）生产力的 Markdown 架构模式：AGENTS.md、DESIGN.md 和 SKILL.md。AGENTS.md 为代理提供项目全局指导，基准研究显示可减少 26% diff 大小、27% 耗时和 25% token 消耗，建议保持约 12 行简洁内容。DESIGN.md 由 Google 于 2026 年推出，通过描述性文字和 YAML 设计 token 固化设计系统，保证 UI 一致性。SKILL.md 提供可复用的任务流程指令，按需渐进加载以节省 token，且可复用于非编码业务场景。作者建议将规范纳入版本控制，像对待源码一样严格管理 Markdown，并警惕第三方 skill 的安全风险，从而规模化提升团队的智能体工作流效率。
Google 宣布进一步推进 Coral NPU 边缘 AI 硬件方案，发布完整的开放硬件蓝图、编译器工具以及由 Synaptics 等合作伙伴推出的商用芯片。传统芯片因数据在存储与计算间来回搬运而消耗大量电能，Coral NPU 通过在数据所在位置完成计算，大幅降低功耗，让智能手表、可穿戴设备、传感器和家庭机器人等小型设备具备强大 AI 能力。统一开放的硬件标准与软件工具链解决了边缘 AI 开发中各设备规范不一的难题，为下一代低功耗智能设备奠定基础。
科学家希望培育出抗旱、高产等具备"超能力"的作物以应对气候变化，但传统软件难以区分真正改变性状的 DNA 序列与无害的相似序列，物理育种试验耗时数年甚至数十年。AI 研究实验室 Living Models 将 Google Gemma 4 与专门训练于植物 DNA 的 BOTANIC-1 结合：Gemma 4 充当项目经理，负责编写代码、整理数据和过滤无关信息；BOTANIC-1 基于 320 个植物物种训练，能精准定位关键突变。在甜瓜产量基因测试中，该组合在不到四分钟内从 2494 个候选突变中正确排名第一。这一 AI 流水线有望加速气候韧性作物的培育，保障全球粮食供应。
本文是 Google 官方发布的 Gemini Omni Flash 创意提示指南，介绍了在 Google Flow 中使用该视频生成模型的十大提示技巧：提供高层级创意约束、使用首尾帧作为视觉锚点、利用标签化素材（角色、场景、风格参考）、中途调整节奏、风格迁移与混合、渲染动态文字排版、强制连续镜头规则、设计转场与剪辑、精准对话式编辑等。每个技巧均配有可直接套用的提示模板，适用于影视制作、营销内容、视觉设计等创意场景，帮助用户提升视频生成质量与控制力。
谷歌宣布其长期研究项目Project Suncatcher即将进行首次轨道测试，通过SpaceX的Transporter-18任务发射一颗原型卫星，验证TPU芯片在太空环境中的表现。文章介绍了三大工程挑战：一是硬件生存能力，卫星需承受发射时的剧烈震动和高达10倍重力加速度的载荷，TPU还须抵御太空辐射，测试显示Trillium TPU可承受超过五年太空任务的辐射总电离剂量；二是散热问题，太空真空环境无空气对流，团队开发了热管加辐射器的冷却方案；三是卫星互联，未来卫星集群需通过高带宽激光通信保持连接。2027年计划发射两颗卫星进一步测试。
本文介绍使用 Gemini 3.8 Live 和 Google Agent Development Kit (ADK) 构建实时保险理赔语音代理的四种核心模式：1）工具标记为 NON_BLOCKING，让代理在执行代码时保持对话流畅，重要信息可打断；2）通过独立记录所见、来电者所述及验证结果，并用第二个模型复核照片证据，避免盲从口头描述；3）一个模型负责通话，后台由七个步骤的 SequentialAgent 团队异步整理理赔文书；4）模型负责理解对话，Python 负责执行金额、日期、安全等硬性规则。文章包含完整开源代码和本地运行指南。
本文介绍如何使用 Gemini Live API 构建具备自然对话体验的实时语音 AI Agent。与传统的单向 TTS 不同，Gemini Live 采用音频到音频的双向通信，能感知语气、停顿并支持随时打断。文章详细讲解了系统架构：浏览器客户端通过 WebSocket 连接 Python 后端，再与 Gemini 建立持久双向会话，并实现发送、接收、播放的并发核心循环。针对打断延迟问题，作者提出本地立即静音的 barge-in 技巧，并结合内置 VAD 实现即时响应。最后通过工具调用（function calling）与异步确认模式，让语音 Agent 能够播放音乐等实际操作且不产生尴尬停顿。完整示例代码已在 GitHub 开源。
本文探讨如何通过循环工程降低自主编码 Agent 的 Token 成本。以一个 5 轮 PR 修复任务为例，未优化的 Harness 消耗 81,000 tokens（$1.53），而优化后仅需 12,050 tokens（$0.042）。核心机制包括：稳定的系统前缀以最大化 KV 缓存命中；基于 AST 的工具输出压缩，仅提取代码骨架；沙箱确定性工具预检与自动修复，避免浪费 LLM 推理；MCP 工具 Schema 的按需懒加载与 Code-Mode 执行；以及双层级模型路由（Workhorse 处理机械性任务，Frontier 处理复杂规划），并定义了四种确定性升级触发条件，实现亚角级（sub-dime）任务成本。
本文介绍如何在 Google Cloud 的 Gemini Enterprise Agent Platform 上同时配置 Anthropic Claude Fable 5.1 与 Google Gemini 3.8 Flash 两款模型，并通过任务路由优化 token 成本（tokenomics）。作者指出单一模型路由全部任务是错误的：深度规划模型处理日常事务会浪费成本，而快速模型处理不可逆的复杂任务风险很大。文章详细演示了启用 Claude Fable 5.1 所需的数据共享配置（setPublisherModelConfig API）、Gemini 3.8 Flash 的调用方式，并建议先对常规任务做基准测试，以快速模型作为一线协调者、深度规划模型按需升级处理，从而大幅提升任务 ROI。
Google DeepMind 推出 AlphaGenome Atlas，一个交互式基因组学发现平台。该平台将 2025 年发布的 AlphaGenome 模型的预测大规模扩展，涵盖人类基因组中全部 90 亿个单碱基变化对生物学的影响，形成 1PB 的数据集。科学家无需编程，通过网页浏览器即可点选和搜索这一全球最全面的基因变异数据库。平台提供 AlphaGenome Variant Impact（AVI）评分，用一个直观数字揭示变异的影响程度及受干扰的生物过程，帮助科学家即时确定研究优先级、识别罕见遗传病关键变异及与常见性状相关的变异，大幅加速生物医学研究。
文章指出传统确定性单元测试无法覆盖 AI Agent 的多轮、非确定性行为，提出将评估视为可自动化、可度量的 CI/CD 测试套件。作者给出 6 种生产级 Eval 实践：1）先做确定性 schema 检查（JSON 有效性、工具调用参数）；2）用 Check Grounding API 等数学化度量事实依据，低于阈值即拒绝输出；3）检查多轮工具调用轨迹的依赖顺序并惩罚循环调用；4）构建带严格评分标准、输出推理过程的 AutoRater 评审模型；5）用 AutoSxS 成对对决和胜率数据安全替换模型；6）在 CI 中建立黄金回归数据集作为硬门禁。文中提到 Firebase 团队借此将复杂多步任务通过率从 31.7% 提升至 78.0%。
Google 在 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 模型上推出 agentic video understanding（智能体式视频理解）功能。该功能让模型主动决定观看内容、速度和模态（画面、音频或字幕），动态检索和检查视频片段，而非按固定帧率静态处理。基准测试显示，成本最高降低 66%，token 消耗最高降低 88%，准确率提升最高 7%，在长视频分析中优势尤为明显。新能力包括亚秒级片段检索、长视频大海捞针式搜索、异常检测和精确计数等。该功能已通过 Gemini API、Google AI Studio 和 Gemini Enterprise Agent Platform 开放，未来将集成到 Gemini 应用和 YouTube 的 Ask YouTube 功能中。
文章指出 Agent 可靠性的关键在于模型之外的确定性软件基础设施，即 Harness Engineering。作者提出构建弹性生产 harness 的 5 层方法：1）从模型优先转向系统优先架构，结构化工作流可将任务完成率从 31.7% 提升至 78.0%；2）实现持久化状态与检查点，避免长时间运行中丢失进度；3）通过角色分离（规划者、生成者、评估者）构建验证闭环；4）利用 hooks 和隔离运行时（如沙箱、网关）确保安全边界，防御提示注入；5）记录结构化追踪便于调试与自动化修复。文中结合 Google Antigravity、ADK 2.0、Gemini Enterprise 等工具给出实践建议。
本文是 Google 关于智能体质量飞轮的实操续篇，介绍如何用 agents-cli 手动运行评估内循环。作者构建了一个汇率转换智能体 fx-agent，并故意在指令中植入缺陷（未要求在回复末尾列出所使用的工具），通过六个测试用例的评估集验证：内置 AutoRaters 指标会遗漏此类缺陷，因此需要将关键行为提升为自定义指标（LLM 评审与正则代码检查双重视角）来单独度量。随后修复一行指令，并用分数变化证明修复有效。文章强调评估的意义在于检查智能体是否遵守规则，而非答案表面质量。
文章介绍了 Harness Engineering（脚手架工程）这一编码智能体领域的重要趋势。作者以 OpenAI 团队用 Codex 零手写代码交付产品的实验为例，说明开发者的角色从编写逻辑转变为设计智能体运行环境：包括设置严格的沙箱边界、构建自动修复循环、以结构化仓库代替冗长指令。文章用 Google ADK 2.0 和 Antigravity SDK 的代码示例演示了如何实现沙箱限制、测试验证节点、无限循环的 kill switch，以及用图工作流将代理与测试节点连接成自主修复系统。
本文介绍了在大规模AI应用中优化token成本的四大实用支柱：一是上下文缓存与Agent循环修剪，通过裁剪中间工具输出和总结历史步骤保持提示精简，利用缓存可获最高75%的输入折扣；二是实时与批量推理，将非紧急任务如工单汇总、报告生成等打包为异步批处理，可享50%折扣；三是设置思考预算，避免推理模型在简单任务上消耗数千隐藏思考token；四是模型合理选型与持续评估，90%的任务应使用最小最便宜的模型，并通过自动化评估及时更换高效模型，配合Apigee AI Gateway等企业网关实现智能路由与安全防护。
本文介绍了构建长周期（long-horizon）AI Agent 的五个设计模式，旨在解决 Agent 在长时间运行中出现的静默故障问题。作者基于自身开发并开源的长周期 Agent 框架（Long Horizon）的经验，总结了五个关键模式：稳定前缀（Stable prefix）以优化缓存命中率、后台学习（Background learning）以提升响应速度、持久化工作区（Persistent workspace）以保留跨会话状态、显式失败（Explicit failure）以避免错误报告，以及第五个模式（原文未完整给出）。这些模式帮助开发者避免 Agent 在长时间运行中悄悄偏离轨道，确保其稳定可靠。
Google 推出 Gemini 3.7 Flash，这是其 Flash 系列中最智能的模型，专为编码和智能体设计。相比 3.6 Flash，它在软件工程、知识工作和网页开发方面有显著提升，例如在 FrontierCode 和 DeepSWE 基准上得分更高，并在 WebDev Arena 中 Elo 分数更高。该模型还改进了对复杂文档的处理和真实业务流程的完成能力。开发者体验得到改善，且以半价推出（每百万输入 token 0.75 美元，输出 3.75 美元）。Gemini Spark 也将采用此模型。安全方面，更新了 CBRN 和网络攻击的防护措施。
本文介绍了Agent Plugins作为打包Agent Skills及其依赖的MCP服务器的开放、厂商中立标准。Google已加入技术指导委员会作为核心维护者。文章详细说明了如何将现有技能迁移为插件，包括添加清单文件、配置mcp.json、处理路径占位符以及扩展命名空间，强调了插件的可移植性和组件独立失败的优势。作者通过实际经验展示了从技能到插件的转变过程，并指出了迁移中的常见陷阱，如发现规则仅深入一层。
本文介绍了自改进智能体循环的七条规则，强调在智能体编写代码时，定义“好”的标准才是真正的工程工作。文章指出，循环可以自动化一切，但无法告诉你“更好”意味着什么，因此指标成为你编写的工件。通过自定义指标（如 retention_offered）和分级（grading）打破循环的盲目性，并利用 agents-cli 工具实现测量与改进的自动化。七条规则包括：从单一案例开始、让评判者解释原因、对确定性答案使用代码、评分行为而非路径、将不稳定案例视为发现、防止提议者移动标准、最后进行一次性自动优化。这些规则确保人类保持对自动循环的控制，并使评估与可观测性统一为同一循环的两种采样方式。
文章介绍了连接组学的发展历程及其在脑科学研究中的重要性。Google Research利用AI技术加速该领域研究，从1986年首次绘制线虫连接组，到2021年发布首个人类样本连接组图谱，未来还将完成果蝇和斑马鱼的全脑图谱。
本文介绍了 Gemini API 中的 File Search 工具，该工具现已通过 Gemini Embedding 2 支持多模态检索。文章详细讲解了如何创建存储、上传图文文档、执行具备依据生成的查询以及检索引用和图像。File Search 提供了全托管的 RAG 解决方案，具备原生图像搜索、内置引用和成本效益高等优势。
文章介绍了 Google Cloud 在 Next '26 大会上发布的 Agent Garden 及其包含的 12 个核心 Agent 蓝图。这些生产就绪的模板旨在解决多 Agent 系统的设计、编排和评估难题。文章详细剖析了 SDLC Suite（软件生命周期管理）、On-Brand GenMedia（品牌媒体生成）和 Invoice Processing（发票处理）三个核心架构，展示了如何利用链式架构、自适应学习框架和 LLM 评估机制来解决企业实际痛点，帮助开发人员快速落地 AI 应用。
文章介绍了 Google Cloud Agent Development Kit (ADK) 2.0 中的五种多智能体编排模式，旨在解决生产环境中智能体协作的难题。核心模式包括：混合图模式，结合确定性与 AI 驱动节点；协调者-专家模式，拆分单一“上帝智能体”为专注的专家系统；技能组合模式，通过 SkillToolset 实现跨域复用；跨语言流水线，支持多语言协作；以及协议标准化，确保上下文在不同智能体间无损传递。
文章探讨了如何利用 A2A（Agent-to-Agent）和 MCP（Model Context Protocol）协议构建企业级多智能体系统。作者详细介绍了五种集成模式：Agent Card 发现机制、委派专业化模式、工具桥接模式（通过 MCP 连接数据源）、跨组织联邦模式以及环境事件网格。这些模式旨在实现智能体之间的互操作性、独立演化以及安全的数据访问，从而打破语言、团队和组织的界限。
文章探讨了在构建需要持续运行数天甚至数周的 AI Agent 时所面临的挑战，并介绍了 Google Cloud Agent Runtime 支持的五种核心设计模式。这些模式包括：检查点与恢复以确保容错性、委托审批以实现人机协同、分层记忆架构以管理长期上下文、环境处理以应对无监督任务，以及针对多 Agent 协同的舰队编排。文章强调了状态管理、治理策略和基础设施在将 Agent 从演示转化为生产级系统中的重要性。
Google 发布了 Deep Research 和 Deep Research Max 两种新的自主研究 Agent，旨在通过 Interactions API 为开发者提供企业级的研究能力。这些 Agent 集成了 Gemini 3.1 Pro，支持混合网络与专有数据，具备原生图表生成、MCP 协议支持及多模态研究功能，致力于为金融和生命科学等领域提供高性价比的专业级分析报告。
文章介绍了如何简单快速地在本地运行 Gemma 4 模型。主要步骤包括安装 Ollama、下载 Gemma 4 26B A4B 模型，以及通过 Ollama 启动 OpenClaw 并使用 Gemma 4 作为后端。该过程被描述为简单快捷，适合在几分钟内完成本地代理的部署。
文章探讨了如何设计能够同时服务人类用户和 AI 代理的命令行界面（CLI）。核心理念是将数据与呈现解耦，通过提供 JSON 输出、支持环境变量配置、统一的错误处理和确定性退出代码，确保 CLI 对机器可预测且对人类友好。
