超越 Chatbot：可信 AI 的蓝图
Source: Google Developers Blog
请提供您希望翻译成简体中文的具体文本内容，我将为您进行翻译。
Ajeet Mirwani
美洲项目负责人，Google 开发者专家
“在 100 mph 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 Raceway 接近高速弯道时，完美线路与危险打滑之间的差距以毫秒计。传统的性能遥测依赖于静态代码，只能在事后告诉你发生了什么。一支由 Google 开发者专家（GDE）组成的小团队想要看看 AI 能否实时进入驾驶员的耳中，将原始数据转化为可靠的瞬间指导。
Source: …
使用统一旅程的代理驱动开发
本次测试最令人惊讶的并非结果本身，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物理逻辑，加速了工作流，使 GDE 能够通过“氛围编码”专注于高层系统行为的设计。
- 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，然后使用该蓝图迁移到 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，系统即可通过 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，将 反射（reflexes）与 策略（strategy）分离。为管理这一复杂部署，GDE 们组成了专门的突击小组：
| 团队 | 成员 | 角色 |
|---|---|---|
| 情报团队 | Jigyasa Grover – LinkedIn Vikram Tiwari – LinkedIn | 实现了多层系统。Gemini Nano 在边缘运行以处理反射；Gemini 3.0 负责更高层次的推理和战略圈速分析。 |
| Margaret Maynard‑Reid – LinkedIn | 主持每日站会。 | |
| 边缘团队 | Sebastian Gomez – LinkedIn | 将 Gemini Nano 通过 Web API 集成到 Chrome，实现约 15 ms 的响应时间。 |
| Austin Bennett | 管理硬件配置，确保 “Data Crucible” 节点以高速运行。 | |
| 感知团队 | Hemanth HM – LinkedIn Vikram Tiwari（同上） | 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，实现对比驾驶员线路与 AI 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。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 – LinkedIn 实施了 Neuro‑Symbolic Training 方法，以确保 AI 的建议基于物理学。
- 这些模型在使用 QLoRA 的 “Golden Lap” 基准上进行微调，使系统能够对自己的教练进行数学验证。
- 当 AI 建议 “稍后刹车” 时，这一建议背后有物理学验证步骤作为支撑。
团队采用 Draft → Verify → Refine 的代理循环进行实时分流：
- Draft – AGY Agent Manager 在出现数据摩擦（例如在维修区）时提出代码修复方案。
- Verify – 自动化浏览器测试将新逻辑与遥测基准进行比对。
- Refine – 通过验证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 “刹车延后 20 英尺”——始终基于物理学并预先验证，以确保安全。
“Gemini Squad”：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 引入了基于 Human Pedagogy 的 persona‑based routing。该框架使用一支“Gemini Squad”代理团队——例如 AJ the Crew Chief 和 Ross the Telemetry Engineer——来提供情境感知的指导。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，确保 AI 推荐既可操作又易于理解。
基础事实：下一次现场测试
Thunderhill 现场测试证明，使用 AI Trust Gap 可以通过分脑架构和 Google 的统一开发者旅程来弥合。审阅系统输出后，Thunderhill CEO Matt Busby 评价道：
“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已有的任何产品。”
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，但可驾驭。如果你准备好超越 “vibe coding”，并开始在 Vertex AI 的 pro‑tier 上构建，请使用我们的 ADK Crash Course 开始，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。
Deep Dives from Our GDEs
- Trust at Top Speed – Jigyasa Grover: 编排分脑架构。
- A Split‑Brain Neuro‑Symbolic Training Method – Rabimba Karanjai: 针对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: 基于浏览器的模型与地图集成。
- The Race for Real‑Time – Vikram Tiwari.