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 Google 最新的语音转文本模型 Gemini 3.5 Transcribe，重点讲解其实时流式端点 gemini-3.5-transcribe-live 如何通过 WebSocket 以亚秒级延迟实现低延迟语音交互。作者以实时辩论代理为例，展示如何结合 Agent Development Kit (ADK) 构建多智能体流水线：在用户仍在说话时流式获取中间转录结果，经 Gemini 3.7 Flash 做意图过滤，后台并行触发 Google Search grounding 检索证据，最后通过 Cloud Text-to-Speech 生成自然语音回复。该模式支持 85+ 语言，适用于会议实时查证、呼叫中心坐席辅助、交互式语音机器人、直播字幕等场景，消除了传统语音应用的等待延迟。
本文介绍如何通过上下文压缩代理 headroom 减少 Agent 调用 Gemini 模型时的 token 消耗。作者指出 agent 上下文中大部分 token 来自工具输出的冗余 JSON、日志和搜索结果，而非精心设计的提示词。通过在 Gemini 3.8 Flash 前部署 headroom 代理，在四种生产级 agent 工作负载测试中，prompt token 减少 76%，任务准确率保持 100%，首 token 时间有所改善，建模成本下降约 70%。文章同时诚实探讨了压缩的有损性：压缩器保留模式、分布和异常值，但会丢弃普通记录，模型在数据缺失时会拒绝编造。项目开源且可复现。
本文介绍了如何使用 Firebase 保护 AI Agent 的 harness 免受滥用。作者首先阐述了 harness 的概念：围绕 AI 模型的基础设施、资源与护栏。由于沙箱隔离和生产数据写保护等策略无法解决访问控制问题，保护人机边界成为防御外部威胁的第一道防线。文章详细讲解了 Firebase Authentication 通过联合身份提供商标识用户身份，Firebase App Check 通过设备与应用证明（依托 DeviceCheck、Play Integrity、reCAPTCHA Enterprise 等）验证请求来源的合法性。此外还介绍了基于 TTL 的会话令牌及通过 getLimitedUseToken() 和后端标记消费实现的防重放机制，为敏感端点提供额外保护。
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。
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。
