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。
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。
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%。
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。
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 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。
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。
本文重点介绍了 ADK 开发中的 5 种代理技能设计模式，旨在帮助开发者超越单纯的格式规范，深入内容逻辑设计。文章详细解析了工具包装器、生成器、审核员、反转和流水线五种模式，涵盖了从知识封装、一致性生成、代码审查到交互流程控制等关键环节，并提供了决策树以指导开发者选择合适的模式构建更可靠的智能体。
