Google 首席科学家 Jeff Dean 宣布离职，结束 27 年职业生涯。他将与 Sanjay Ghemawat 等人创办 Discovery Loop，致力于自动化科学与工程发现。文章回顾了 Dean 从构建分布式系统、MapReduce、Bigtable 到引领 Google Brain 和 TensorFlow 的历程，阐述了他如何将底层复杂性封装成基础设施，并试图将这种规模思维带入自动化发现领域。
文章讲述了谷歌人工智能负责人 Jeff Dean 的传奇生平。从高中编写流行病软件，到与桑杰在 DEC 结缘，再到加入谷歌挽救索引危机。他们通过 MapReduce、Bigtable 和 Spanner 等创新，奠定了现代分布式系统与大数据的基石，展现了应对大规模硬件故障的非凡工程能力。
文章讲述了Google传奇工程师Jeff Dean的生平与贡献，包括他与Sanjay Ghemawat的深厚友谊及共同开发Google File System、MapReduce等关键技术的故事。两人被誉为“二进制双星”，对云计算和大数据产业影响深远。Jeff Dean离开Google后致力于用AI解决科学和工程问题，Sanjay依然陪伴左右。
作者以自媒体真实工作场景实测Google新发布的Gemini 4 Argon模型。通过鹈鹕骑自行车SVG动画、爆款视频拆解与提示词还原、公众号文章风格分析与选题生成、五道前端实战题（数据看板、3D宫殿、品牌官网、浏览器合成器等）进行评测。结论是该模型跑分第一，长视频理解和前端能力出色，写作能力介于Claude Opus和GPT之间，并提醒读者注意订阅档位和API优惠价截止时间。
Google 发布新一代旗舰模型 Gemini 4 Argon，主打复杂长流程任务的深度推理，输出 token 上限达 100 万，行业第一。官方跑分 19 项中拿下 14 项第一，第三方测试显示其幻觉率全场最低（15%），且成本仅为 GPT-6 Astra 的六成。作者通过两个实测案例进行对比：俄罗斯方块游戏中 Argon 5 分钟一次写完 4.7 万字符代码，速度是 Astra 的两倍多，验证了长输出能力；但番茄钟前端设计对比中，Argon 功能完整却设计粗糙并有 UI bug，验证了其前端偏弱的爆料。结论：Argon 硬实力强、长代码能力实锤，但前端精细活不是主场。
本文是针对 Google 最新旗舰推理模型 Gemini 4 Argon 的保姆级使用教程。文章介绍了使用该模型的两种方式：一是通过 Antigravity 桌面版订阅会员直接使用；二是安装 Gemini CLI 并配合开源工具 CC-Switch 一键导入第三方中转站配置。教程覆盖 Mac 和 Windows 平台，从 Node.js 环境准备、CLI 安装、配置导入到最终提示词发送，全程无需编程基础。作者用一个完整的 3D 鹈鹕骑自行车网页游戏任务作为实战案例，展示 Argon 在空间想象力、几何结构推理和前端代码生成上的能力，并提供了在线试玩地址。
文章分享 Google Gemini 4 Argon 的使用心得：它不看措辞技巧，关键是把目标、标准和材料交代清楚。作者整理了 7 段可直接套用的中文提示词模板，涵盖：先挑思考档位；开工前让 AI 主动提问对齐目标；给出可逐条打勾的完成标准让其自查；提供参考样例或先拆解风格说明；一次交代完整任务后放手后台运行；干完复盘并将经验存成技能；大任务让 Argon 当总指挥、分派给 Flash 子代理并行执行。文末给出三件今天就能见效的建议。
Google 旗舰模型 Gemini 4 Argon 于 10 月 14 日全面开放。文章详细解析了其 7 大核心升级：百万级 token 输出上限（长解码模式）、Arena 文字榜断层第一的写作能力、强于竞品的空间几何代码生成（3D 古建筑群）、深度推理与仅 15% 的超低幻觉率、原生多模态与 4K 音画同步视频生成、直接交付成品文件（PDF/Excel）而非代码，以及面向备考的苏格拉底式学习模式。作者附上 API 定价对比与 10 段实测提示词，认为其写作能力已超越 Claude Opus 5.5 和 GPT-6 Astra，性价比突出。
Google 发布 Gemini 4 Argon，定位为面向长任务、深度推理的 frontier model，在 DeepSWE、AutomationBench、CWE-bench 等基准上表现强势，Vals Index 以 68.90% 位列第一，略超 Claude 与 GPT 系列。核心亮点是最大输出 token 上限提升至 100 万，使 agent 能在长链路任务中保持目标、纠错并完成交付。发布优先面向网络安全防御方，通过 Fairwind Program 受控开放。首发定价每百万 token 输入/输出 2/10 美元。文章认为下一代 AI 产品的差异化在于上下文、工具、权限与验收闭环，而非仅模型本身。
文章介绍了 Google 将 NotebookLM 更名为 Gemini Notebook 后的全面功能。作者通过创建包含 40 多万字、4 份来源的测试笔记本，详细演示了其三大模块：Sources 管理多类型资料来源、Chat 提供带引用可溯源的问答、Studio 将同一批资料转化为播客、视频、PPT、信息图、闪卡等多种输出形式。文中还讲解了 Deep Research 联网研究的正确用法、手机端新功能、以及自媒体选题研究的进阶工作流，强调其核心价值在于把可信资料变成可持续追问和复用的第二大脑，而非简单的一键生成。
作者基于几个月的实际使用体验，为Google Gemini正名，介绍了三个好用的工具：网页版Gemini速度极快、多模态能力强，适合处理长PDF、长视频等海量内容，回答风格自然有人味；Antigravity改版为Agent终端后掌控感下降，但前端交互和多模态理解依然出色；NotebookLM被作者誉为封神的第二大脑，可聚合各类资料建立个人知识库，无幻觉输出，还能生成PPT报告、知识导览图，以及将专业文档转为双人访谈播客，极大提升学习和工作效率。作者最后给出了三工具的日常使用搭配建议。
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。
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。
