# How Google DeepMind Runs Agents at Scale — KP Sawhney & Ian Ballantyne, Google DeepMind

- Channel: [AI Engineer](https://www.youtube.com/channel/UCLKPca3kwwd-B59HNr-_lvA)
- Published: 2026-05-24
- Source video: [Watch on YouTube](https://youtube.com/watch?v=7gujZrJ9L5I)
- Read on ReadTube: https://www.read.tube/p/videos/7gujZrJ9L5I
- Language: Simplified Chinese

## Summary

**谷歌深度思维如何规模化运行代理**

谷歌深度思维介绍了他们如何在内部和产品中规模化运行代理系统，并展示了带有代理管理能力的开发界面抗重力。发言重点集中在代理的配额控制、评估、可观测性，以及如何把深度研究、代码生成等任务拆成可协作的组件。

谷歌深度思维的两位工程师围绕“代理如何在大规模环境中运行”展开讨论，并先用抗重力做了一个演示。这个界面不仅是类似集成开发环境的工具，还内置代理管理框架，能同时启动多个代理、读取规范、分析页面结构、控制浏览器、生成计划、记录执行轨迹，并在人工介入后继续推进任务，体现出“人类在环”的代理工作流。

他们强调，内部正在把这套执行框架从代码场景扩展到更多用途，尤其是深度研究。一个重要方向是把原本依赖大量文本传递的流程改造成共享工作区式协作，让不同环节像研究团队成员一样分工，而不是不断搬运上下文；这被认为有助于降低成本、提升速度，并生成更多附加产物，例如信息图、文档和支持材料。

在规模化层面，讨论集中在几个现实问题上：
- 代理极其耗费令牌与算力，因此配额管理、成本控制和分层模型调用非常关键。
- 评估复杂代理流程很难，尤其是多步骤、会循环、会偏航的任务，需要更低成本的测试环境和模拟算力。
- 内部已经有自建的可观测性系统，可以按层级下钻到模型请求、轨迹和代码执行过程，方便定位问题。
- 未来更看好多代理协作与代理间通信，但目前这类系统的细节仍较模糊，更像不同任务轨道的并行协作，而不是完全透明的多智能体群。

他们还谈到内部工程实践：技能系统很受欢迎，能够把专家知识沉淀成可复用能力；相较之下，模型上下文协议被认为更有价值的地方主要在认证和接入上。自动代码审查也已成为代理工作流的一部分，审查模型会结合风格指南、历史优质样本以及项目特定规则来给出反馈。整体结论是，谷歌正在把代理视作一种可被监控、分层调度、受配额约束的生产系统，而不是单个聊天机器人。