Baue dein eigenes Team aus verwalteten Agenten auf - Jack Wotherspoon, Google DeepMind

하이라이트

• Verwaltete Agenten ermöglichen die Ausführung von Coding-Agenten in Cloud-Sandboxes anstelle des eigenen Computers.

• Die Steuerung erfolgt über einen einzigen API-Aufruf in der Interactions-API der Gemini-API von Google DeepMind.

• Ein integrierter Proxy platziert Dummy-Token in der Sandbox, sodass Geheimnisse wie GitHub-Token das System niemals gefährden.

• Das Modell Gemini 4 bietet eine erweiterte Long-Decode-Funktion, die ein gemeinsames Token-Limit von 1 Million für Eingabe, Denken und Ausgabe unterstützt.

타임라인

1. 00:00 - 03:26

   Einführung in verwaltete Agenten

   Die Einleitung beleuchtet die Grundkonzepte und Vorteile von Cloud-Agenten. Lokale Testumgebungen verursachen Ressourcenkonflikte und lassen sich schwer skalieren. Verwaltete Agenten lösen dieses Problem durch standardisierte Cloud-Sandboxes, die über die API gestartet werden.

   • Cloud-Agenten laufen in einer Sandbox statt auf dem lokalen Computer.
   • Das Ausführen von Verifizierungen auf dem eigenen Laptop blockiert Ressourcen wie den Browser.
   • Die Skalierung auf Kundenanwendungen erfordert eine Cloud-Infrastruktur.
   • Ein einzelner API-Aufruf stellt die Sandbox und das Anti-Gravity-Testgerüst bereit.
2. 03:26 - 08:51

   Die Interactions-API und die Architektur

   Die Architektur basiert auf der Interactions-API, die mehrstufige Abläufe und Tool-Aufrufe unterstützt. Serverseitige Tools und integrierte Umgebungen auf der Google Cloud-Infrastruktur ermöglichen automatisierte Recherchen und Code-Ausführungen. Das Modell Gemini 4 Argon unterstützt zudem Long-Decode mit bis zu 1 Million Token.

   • Die agentenorientierte Interactions-API ersetzt klassische Ein- und Ausgabemodelle.
   • Die Google Cloud-Infrastruktur betreibt die Sandbox für Dateisystemoperationen und Recherchen.
   • Das Anti-Gravity-Framework verarbeitet integrierte Tools wie Websuche und Dateisystemzugriffe.
   • Gemini 4 Argon bietet optimierte Funktionen für Finanzaufgaben und Datenanalysen.
3. 08:51 - 14:32

   Kernprimitive und Multi-Agenten-Workflows

   Zustandsbehaftete Primitive wie Interactions und Environments trennen die Konversation von den Dateisystemdaten. Dadurch können Agenten in Multi-Agenten-Workflows nacheinander auf dieselbe Sandbox zugreifen. Ein Sicherheits-Proxy verhindert zudem, dass echte Tokens direkt in die Sandbox gelangen.

   • Interactions verwalten den Konversationsverlauf über mehrere Schritte hinweg.
   • Environments bilden das persistente Dateisystem in der Sandbox ab.
   • Mehrere Agenten teilen sich dieselbe Umgebung für aufeinanderfolgende Aufgaben.
   • Ein Proxy schützt sensible Anmeldeinformationen vor dem Zugriff durch den Agenten.
4. 14:32 - 19:36

   Demos und Anwendungsszenarien

   Praktische Demos veranschaulichen das Zusammenspiel mehrerer spezialisierter Agenten. Ein Recherche-Agent liest Finanzdaten ein, während ein quantitativer Agent darauf aufbauend Bewertungen erstellt. Abschließend zeigt ein Anwendungsbeispiel die Generierung eines vollständigen PDF-Berichts mit externen Quellen.

   • Ein SEC-Filing-Recherchierer analysiert Unternehmensdaten von NVIDIA in der Sandbox.
   • Ein Quant-Agent verarbeitet die erzeugten Kennzahlen zu einer Aktienprognose.
   • Trigger ermöglichen zeitlich gesteuerte Abläufe wie tägliche Briefings.
   • Die Galerie in AI Studio bietet kostenlose Vorlagen und Dokumentationen für eigene Anwendungen.