从基础模型到可治理智能体:Google 企业 AI 一体化栈的关键价值

2026-07-15 29 预计阅读时间: 1 分钟
来源: cloud.google.com AI 摘要 Original link

Disclaimer: This article is an AI-assisted summary. Read it together with the original source when precision matters. The summary may omit context, version differences, or edge cases and is not official documentation.

预计阅读时间:9 分钟

Google 在 IDC MarketScape 2026 全球基础模型软件厂商评估中被列为领导者。比排名本身更值得开发团队关注的,是其背后的产品路线:将 Google DeepMind 的前沿模型、专用 AI 基础设施、智能体平台、企业入口和治理能力组合为一套生产系统。竞争焦点已经不只是“哪个模型回答得更好”,而是谁能让模型可靠、安全地执行真实业务流程。

一体化栈解决的不是模型调用,而是生产落地

一个基础模型进入企业环境后,很快会遇到模型能力之外的问题:

  • 如何读取内部数据,同时继承用户原有权限?
  • 如何调用 CRM、工单、支付或审批系统?
  • 如何保存任务状态和长期记忆?
  • 如何限制高风险工具,并为每次操作留下审计记录?
  • 如何管理延迟、成本、失败重试和模型版本变化?

来源材料强调,Google 的差异化能力来自第一方集成栈:底层基础设施负责模型训练和推理,Gemini 模型负责理解、推理与多步任务编排,Gemini Enterprise Agent Platform 面向开发者提供构建、扩展、治理和优化能力,Gemini Enterprise 应用则成为业务人员使用智能体的统一入口。

这种架构减少了开发者自行拼装身份系统、模型网关、工具运行时和用户界面的工作,但“一体化”并不意味着企业可以跳过架构设计。数据分级、权限边界、人工审批、审计保留期和故障降级仍然需要由业务与技术团队共同定义。

Gemini Enterprise 的核心是智能体运行闭环

传统生成式 AI 应用通常停留在提示词与回答之间。企业智能体则需要形成一个可控闭环:接收目标、拆解步骤、选择工具、执行操作、检查结果,然后决定继续、重试或转交人工。

来源材料将 Gemini Enterprise 描述为面向智能体时代的端到端系统。其中,Agent Platform 隐藏了一部分构建与运行复杂度;开发完成的智能体可以出现在 Gemini Enterprise 应用中,供员工直接使用。这让平台团队和业务团队共享同一套交付路径,而不是分别维护开发控制台、内部机器人和零散网页应用。

材料还介绍了 Gemini 3.5 Flash,并将其定位为适合长周期、多步骤智能体任务的模型。相关性能与适用性仍应通过企业自己的数据验证,尤其要观察:

  • 工具选择准确率,而不只是文本回答质量;
  • 长任务中的状态保持和错误恢复;
  • P95/P99 延迟与单任务总成本;
  • 权限不足、数据缺失和工具超时时的行为;
  • 模型升级后关键工作流是否发生漂移。

可以这样实践:先实现带审批与审计的最小工作流

来源没有给出具体 SDK 接口,下面是一个可直接运行的本地示例,用来演示接入 Gemini Enterprise Agent Platform 前应明确的控制点。示例假设模型已经把用户请求转换成结构化工具调用;生产环境中可将 plan_action 替换为实际模型或平台调用。

将以下内容保存为 governed_agent.py,使用 Python 3.10 或更高版本运行:

from __future__ import annotations

import json
from dataclasses import asdict, dataclass
from datetime import datetime, timezone
from pathlib import Path

AUDIT_FILE = Path("agent-audit.jsonl")
ALLOWED_TOOLS = {"lookup_order", "refund_order"}
REFUND_LIMIT_WITHOUT_APPROVAL = 100.0


@dataclass
class Identity:
    user_id: str
    roles: list[str]


@dataclass
class ToolCall:
    name: str
    arguments: dict


def plan_action(request: str) -> ToolCall:
    """Local stand-in for a model-generated structured tool call."""
    if "refund" in request.lower():
        return ToolCall(
            name="refund_order",
            arguments={"order_id": "ORD-1042", "amount": 149.0},
        )
    return ToolCall(name="lookup_order", arguments={"order_id": "ORD-1042"})


def authorize(identity: Identity, call: ToolCall) -> tuple[bool, str]:
    if call.name not in ALLOWED_TOOLS:
        return False, "tool is not allowlisted"
    if call.name == "refund_order" and "support-agent" not in identity.roles:
        return False, "role cannot issue refunds"
    if (
        call.name == "refund_order"
        and float(call.arguments["amount"]) > REFUND_LIMIT_WITHOUT_APPROVAL
    ):
        return False, "human approval required"
    return True, "authorized"


def execute(call: ToolCall) -> dict:
    if call.name == "lookup_order":
        return {"order_id": call.arguments["order_id"], "status": "shipped"}
    if call.name == "refund_order":
        return {
            "order_id": call.arguments["order_id"],
            "refunded": call.arguments["amount"],
        }
    raise ValueError(f"Unsupported tool: {call.name}")


def audit(identity: Identity, call: ToolCall, decision: str, result: dict) -> None:
    event = {
        "timestamp": datetime.now(timezone.utc).isoformat(),
        "identity": asdict(identity),
        "tool_call": asdict(call),
        "decision": decision,
        "result": result,
    }
    with AUDIT_FILE.open("a", encoding="utf-8") as file:
        file.write(json.dumps(event, ensure_ascii=False) + "\n")


def main() -> None:
    identity = Identity(user_id="user-42", roles=["support-agent"])
    call = plan_action("Refund order ORD-1042 because the item arrived damaged")
    allowed, reason = authorize(identity, call)

    result = execute(call) if allowed else {"status": "blocked", "reason": reason}
    audit(identity, call, reason, result)
    print(json.dumps(result, indent=2))


if __name__ == "__main__":
    main()

运行命令:

python governed_agent.py
cat agent-audit.jsonl

由于退款金额为 149,超过示例设置的 100 元自动审批上限,程序会阻止操作并写入审计日志。将 amount 改为 49.0 后再次运行,即可观察获准执行的路径。

接入真实模型时,不应让模型直接拼接并执行任意函数名。更稳妥的做法是要求模型输出符合 JSON Schema 的工具调用,再依次经过参数校验、身份授权、策略检查和人工审批。模型负责提出动作,确定性代码负责决定动作能否发生。

采用前需要验证的边界

Google 的一体化方案适合希望缩短平台搭建周期、统一模型与智能体治理的组织,但采购结论不能只依赖厂商排名或模型基准。建议从一条高频、可回滚、结果可衡量的工作流开始,例如工单分类、知识检索或需要人工确认的退款建议。

试点验收至少应覆盖以下项目:

  • 使用真实业务数据建立离线评测集,并保留模型与提示词版本;
  • 验证身份是否能贯穿用户入口、智能体和下游工具;
  • 对写入、付款、删除等副作用操作设置审批与幂等控制;
  • 测试提示注入、越权访问、敏感信息泄露和工具参数污染;
  • 记录单任务成本、端到端延迟、失败率和人工接管率;
  • 设计模型不可用、工具超时或区域故障时的降级路径;
  • 评估平台集成收益与供应商锁定、数据驻留及迁移成本之间的取舍。

IDC 的领导者定位反映了 Google 在模型、基础设施和企业软件组合上的市场竞争力。对工程团队而言,真正的判断标准仍然是:这套组合能否在既定权限、成本和可靠性目标内,把一个具体业务流程稳定地跑起来。


相关推荐