超越Chatbot：可信AI的蓝图

Source: Google Developers Blog

Date: Jan 29, 2026
Author: Ajeet Mirwani – 美洲项目负责人，Google 开发者专家

在 100 英里/小时的速度下，AI 的“幻觉”没有容身之地。

当赛车在加利福尼亚州威洛斯的 Thunderhill 赛车道上冲向高速弯道时，完美线路与危险打滑之间的差距只有毫秒级。传统上，性能遥测依赖于静态代码，事后告诉你发生了什么。一支由 Google 开发者专家（GDE）组成的小团队想看看 AI 能否实时进入驾驶员的耳中，将原始数据转化为可信、瞬间的指导。

Source:

统一旅程中的代理驱动开发

这次测试最令人惊叹的并非结果本身，而是开发速度。团队利用 Antigravity (AGY)——Google 用于编排有状态代理系统的新框架，通过自然语言驱动的编排，将原本需要三个月的开发周期压缩至仅两周。AGY Agent Manager 通过处理大规模冷路径数据和模板化的物理逻辑，加速了工作流，使 GDE 能够通过“vibe coding”专注于高级系统行为的设计。

该项目是对 Google Unified Developer Journey 的一次压力测试。GDE 先在 Google AI Studio 中快速原型化，然后使用该蓝图转向 Vertex AI——面向生产级系统的“专业版”路径。他们没有编写成千上万行的模板化物理代码，而是用自然语言描述所需的代理行为，并通过 Firebase 为大规模处理和实时状态管理奠定架构基础。

“Split‑Brain” 架构

该框架的基础是一个将 反射 与 策略 分离的 “Split‑Brain” 架构。为管理这一复杂部署，GDE 们在专门的突击小组中协作：

情报组

• Jigyasa Grover
• Vikram Tiwari
• 实现了多层系统：Gemini Nano 在边缘运行以完成毫秒级的反射动作，而更高层次的推理和战略圈速分析则交由 Gemini 3.0 处理。
• Margaret Maynard‑Reid 主持每日站会。

边缘组

• Sebastian Gomez 率先在 Chrome 中通过 Web API 使用 Nano，实现约 15 ms 的响应时间。
• Austin Bennett 负责保持 “Data Crucible” 节点高速运行所需的复杂硬件配置。

感知组

• Hemanth HM
• Vikram Tiwari（再次出现）帮助在应用层面实现赛道的可视化。
• 使用 Maps MCP 让系统“看到”赛道布局，并以 60 FPS 渲染实时 3D 遥测，实现对比司机线路与 AI 基于物理的推荐线路的 “幽灵分析”。

整个代理路由完全通过 Antigravity 管理，它充当 Gemini Nano 边缘反射（约 15 ms）与 Gemini 3.0 战略推理之间的编排层。通过自动化模型之间的交接，框架在超过 100 mph 的速度下仍能保持实时状态管理。

可数学验证的教练

信任建立在验证之上。Rabimba Karanjai 实施了一种 神经符号训练 方法，以确保 AI 的建议基于物理学。通过使用 QLoRA 在“Golden Lap”基准上微调模型，系统能够对自己的教练进行数学验证。如果 AI 告诉司机“稍后刹车”，那是因为框架已经根据物理定律验证了该建议。

团队采用 Draft → Verify → Refine 的代理循环进行实时分诊。当坑道出现数据摩擦时，AGY 代理管理器：

1. 提出代码修复方案。
2. 对照遥测基准运行自动化浏览器验证。
3. 在圈速之间将已验证的更新推送到车辆的 “Data Crucible”。

这种自我纠正的工作流确保教练建议——例如 “刹车延后 20 英尺”——始终以物理为依据，并在安全性上预先验证。

“Gemini Squad”：以教学法为基础

为弥合数据与人类理解之间的鸿沟，Lynn Langit 引入了基于 Human Pedagogy 的角色路由。该框架使用一支“Gemini Squad”代理团队——例如 AJ the Crew Chief 和 Ross the Telemetry Engineer——来提供上下文感知的指导。通过注入教学角色，系统能够根据驾驶员的专业水平定制解释，使 AI 的建议既可操作又易于理解。

本文作者为 Ajeet Mirwani，Google Developer Experts 美洲项目负责人，内容体现了上述 GDE 团队的协作成果。

基准事实：下一次现场测试

Thunderhill现场测试证明，使用分脑架构和Google的统一开发者旅程可以弥合 “AI Trust Gap”。在审阅系统输出后，Thunderhill首席执行官Matt Busby评论道：

“你们在一天内完成的工作，超过了整个行业40年来的总和。该系统通过将直觉与客观逻辑相结合，使赛车数据可重复且精准——它远远领先于当今市场上已有的产品。”

准备好构建了吗？

正如这群 GDE 所展示的，从实验原型到生产系统的跨越既复杂但可驾驭。如果你准备好摆脱随意编码，开始在 ‘pro‑tier’ 的 Vertex AI 上构建，请 开始使用我们的 ADK Crash Course 并构建能够推理、规划并使用工具完成复杂任务的高级自主系统。

我们的 GDE 深度解析

• Trust at Top Speed by Jigyasa Grover – 编排分脑架构。
• A Split‑Brain Neuro‑Symbolic Training Method by Rabimba Karanjai – 为安全性和可验证性进行微调。
• Racing at the Edge by Lynn Langit – 管理认知负荷和角色路由。
• Taking AI Agents to the Track by Hemanth HM – 基于浏览器的模型与地图集成。
• The Race for Real‑Time by Vikram Tiwari – 60 FPS 渲染和四层层级结构。

照片由 @gotbluemilk 拍摄