InfoQ

Google Optimizes Agent Development Kit's 200K-line Python Codebase Overnight with Gemini 4 Argon

6.9内容质量
Google Optimizes Agent Development Kit's 200K-line Python Codebase Overnight with Gemini 4 Argon

TL;DR · AI 摘要

Google Optimizes Agent Development Kit's 200K-line Python Codebase Overnight with Gemini 4 Argon - InfoQ InfoQ Homepage...

核心要点

  • 主题聚焦：Google Optimizes Agent Development Kit's 200K-li
  • 来源：InfoQ，建议结合原文判断细节。
  • AI 分析暂不可用，本条为保底评分与摘要。
#AI#编程#后端#安全#产品
打开原文

Google 使用 Gemini 4 Argon 在一夜之间优化了 Agent Development Kit 的 200,000 行 Python 代码库 - InfoQ

InfoQ 首页 News Google 使用 Gemini 4 Argon 在一夜之间优化了 Agent Development Kit 的 200,000 行 Python 代码库

开发

QCon San Francisco（11 月 16-20 日）：深入的技术会议。改变你思维方式的同行对话。

Google 使用 Gemini 4 Argon 在一夜之间优化了 Agent Development Kit 的 200,000 行 Python 代码库

2026 年 10 月 24 日 3 分钟阅读

作者：

  • Sergio De Simone

#### 关注我们

YouTube

232,000 粉丝

LinkedIn

26,000 粉丝

Instagram

新

RSS

19,000 读者

X

57,100 粉丝

Facebook

21,000 喜欢

Bluesky

收听本文 -

0:00

音频准备播放

您的浏览器不支持音频元素。

正常

1.25x

1.5x

喜欢

新下拉阅读列表

  • 阅读列表

Google 解释了 Gemini 4 Argon 在无人值守运行 11 小时后，为 Google Agent Development Kit 的代码库产生了两个被接受的优化方案，使长会话中的内存会话准备开销减少了约 40%，冷包导入时间减少了 21%。

Google 工程师的目标之一是了解“模型如何处理现有代码库”，他们表示，这比“从空文件夹构建全新应用”要困难得多。为测试这一点，他们专注于优化自己的 Agent Development Kit（ADK）性能，这是一个跨越约 800 个文件、包含近 17,000 个单元测试的代码库，总代码行数超过 200,000 行。

性能优化是对模型的严峻考验，因为你不能只打开一个文件就能发现性能瓶颈。你必须从症状出现的地方横向分析，并在长时间运行中建立整个代码库如何衔接的地图。

在初始短时间运行帮助他们确定提示需要包含的内容以确保代理遵循团队的单元测试和基准测试规范后，Google 工程师通过 .agents/skills 文件指定了特定于仓库的指南，"就像新工程师的入职指南"。代理被指示仅加载任务所需的技能，以避免上下文窗口被淹没。最后他们制定了以下提示，使用 Antigravity 的 /goal 模式确保目标在上下文压缩过程中保持不变：

code
/goal 使 ADK 对任何代理都不产生明显开销：启动时、长会话中、多代理和工作流设置中。保持模型接收的内容和公共 API 不变，并为每个更改提供一个能检测回归的测试。向 main 分支提交一个拉取请求，ADK 维护者会批准该请求，并在描述中包含更改前后的数据。不要合并它。

任务完成后，Google 解释说，Argon 的日志显示代理已阅读仓库指南，建立了性能基准，提出了优化方案，审查了自己的更改，并在完成前运行了所有 16,892 个开源单元测试。

更重要的是，Argon 完成了分析工具无法做到的跨模块工作。分析工具会告诉你复制会话和导入包需要时间，但它不会追踪 40 个文件中每个调用者、模拟目标和共享引用，以确保加速这些路径不会破坏现有应用。

最终被接受的两个优化改进了 ADK 处理会话历史的方式，通过在复制前过滤事件，并引入延迟加载以防止重型包在需要前被导入。

这些改进使内存会话准备和包导入速度分别提高了40%和21%。与代理运行的整体持续时间相比，这些任务并不特别昂贵。Google指出，ADK支持跨越数十甚至数百次迭代的多工具交互，使这些小幅性能提升能够产生复利效应：

在一个耗时数秒的单次LLM调用中，人类不会感受到28毫秒或78毫秒的差异。然而，在158次内部工具调用交互中，这些时间累积起来会产生显著影响：移除这些开销可将完整的158次迭代运行时间从65.6秒减少到56.1秒（几乎减少了10秒的纯框架开销）。

尽管Google在Gemini 4 Argon优化ADK代码库方面的经验证明了AI代理成功修改现有代码库的能力，但其效果目前仍受限于编码后任务所需的时间和精力，包括PR审查、调试和测试。Google的研究证实了这一趋势，Argon生成的4次修改中有因可靠性、可维护性、兼容性或可衡量性能收益方面的担忧而被开发人员拒绝。

作者信息部分的主要容器

关于作者

章节标题

每位作者的主要容器

#### Sergio De Simone

显示更多

显示更少

#### 此内容属于Python主题

##### 相关主题：

  • 开发
  • AI、机器学习与数据工程
  • 开源
  • AI编码代理
  • 大型语言模型
  • Python
  • Google
  • 相关编辑
  • 相关赞助商 AI的物理限制：AI如何重塑数据中心
  • 相关赞助商 PostgreSQL面向时间序列规模构建 处理海量时间序列数据时，使用PostgreSQL无需牺牲性能。了解Tiger Data如何实现高速数据摄入、快速查询和可扩展存储。了解更多。

InfoQ新闻通讯

每周五发送InfoQ上周内容摘要。加入超过25万名高级开发者的社区。查看示例

我们保护您的隐私。 /think