文章以杰文斯悖论类比：降低 AI 编码代理的使用摩擦反而会大幅提升其使用规模。Google Cloud Developer Plugin（基于开放的 Agent Plugins 规范）通过四层架构消除上下文瓶颈：多层级渐进式披露（约1680 token 的发现路由器）、通过 Developer Knowledge MCP 服务器获取实时有据可查的官方文档、严格的 gcloud CLI 执行护栏（leaf help 验证、非交互标志、输出投影压缩）以及凭据安全引导（ADC 与短期 IAM 模拟）。文章最后演示了端到端场景，引导 AI 代理一次性构建并部署跨 Cloud Run、Firestore 和 BigQuery 的实时事件分类管道，支持 Antigravity、Claude Code 和 Codex。
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。
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。
