超越Chatbot：可信AI的蓝图

Source: Google Developers Blog

2026年1月29日
Ajeet Mirwani – 美洲项目负责人，Google Developer Experts

在 100 英里/小时的速度下，AI的“幻觉”没有立足之地。
当赛车在加利福尼亚州威洛斯的Thunderhill赛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。传统的性能遥测依赖于静态代码，事后告诉你发生了什么。一小组Google Developer Experts（GDE）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赖的瞬间指导。

统一旅程下的代理驱动开发

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，采用自然语言驱动的编排方式，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“氛围编码”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。
• 与其编写成千上万行的模板化物理代码，GDE 只需用自然语言描述期望的代理行为，系统便通过 Firebase 为大规模处理和实时状态管理提供架构支撑。

“Split‑Brain” 架构

该框架的基础是 “Split‑Brain” 架构，它将 “反射” 与 “策略” 分离。为管理这一复杂部署，GDE 们组成了专门的突击小组。

情报组

• Jigyasa Grover – LinkedIn
• Vikram Tiwari – LinkedIn

实现了多层系统：

• Gemini Nano 在边缘运行，负责毫秒级的反射。
• Gemini 3.0 处理更高层次的推理和战略圈速分析。

Margaret Maynard‑Reid 主持每日站会。

边缘组

• Sebastian Gomez – LinkedIn
  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 – LinkedIn
• Vikram Tiwari（同时在情报组）

实现了应用层：

• 使用 Maps MCP 帮助系统 “看见” 赛道布局。
• 以 60 FPS 渲染实时 3D 遥测，实现对比驾驶员线路与 AI 基于物理的推荐的 “幽灵分析”。

Antigravity 充当 Gemini Nano 的边缘反射（约 15 ms）与 Gemini 3.0 的战略推理之间的编排层，自动化交接并在超过 100 mph 的速度下保持实时状态管理。

可数学验证的教练

信任建立在验证之上。Rabimba Karanjai – LinkedIn – 实施了一种 Neuro‑Symbolic Training 方法，以确保 AI 的建议基于物理学。

• 使用 QLoRA 在 “Golden Lap” 基准上对模型进行微调。
• 系统可以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流：

1. Draft – AGY Agent Manager 在坑道出现数据摩擦时提出代码修复。
2. Verify – 自动化浏览器测试将逻辑与遥测基准进行验证。
3. Refine – 验证后的更新在圈间被推送到车辆的 “Data Crucible”。

这种自我纠正的工作流保证了教练建议（例如 “晚刹车 20 ft”）始终基于物理并预先验证安全。

“双子小队”：以教学法为基础

为了弥合数据与人类理解之间的鸿沟，Lynn Langit – LinkedIn – 引入了以“人类教学法”为基础的基于角色的路由。

该框架使用由双子小队组成的代理——例如车队领队 AJ和遥测工程师 Ross——提供上下文感知的指导。通过注入教学角色，系统将原始遥测数据转化为可操作、对驾驶员友好的指令，确保 AI 的建议既技术上可靠，又直观易懂。

基础事实：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。在审查系统输出后，Thunderhill首席执行官Matt Busby评论道：

“你们一天所做的，比整个行业40年来的成就还要多。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的任何产品。”

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是复杂的，但可以实现。如果你已经准备好超越随意编码，开始在 Vertex AI 的专业层 上构建，请通过我们的 ADK 快速入门课程 开始，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。

深入探讨我们的 GDE

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

照片由 @gotbluemilk 拍摄