Google 如何测试 Gemini 4，并用智能体维护代码

Google Cloud Show 介绍 Gemini 4 Argon 和 Carbon。主持人说，Argon 面向深度推理和多步骤工作；内部团队曾看到 Carbon 连续数天处理复杂代码问题。

主持人还提到，在特定的作弊和间接提示词注入评测中，没有攻击成功。这是所列测试的结果，不代表可以防御所有攻击。

Smitha 采访 Google DeepMind Gemini 模型家族产品负责人 Tulsee Doshi，讨论模型开发、发布和使用。Doshi 此前领导 Google 的负责任 AI 产品工作。

Doshi 说，Google 在 Gemini 4 开发期间扩大了内部实时测试。有天早晨，她看到早期员工测试者发来的热烈反馈；当时她自己还没有充分测试那个模型检查点。

她说，频繁发布和收集用户反馈一直是团队的做法，但 Gemini 4 的内部迭代速度更快。团队在更大范围发布前，利用员工反馈改进模型检查点。

从发布公告到全面开放之间的间隔，让网络防御人员能提前使用模型，压力测试模型及其保护措施。Doshi 说，这种分阶段流程有助于在广泛开放前收集反馈。

与 Gemini 3 相比，Doshi 预计长时间运行的任务最能体现区别。她把持续性描述为遇到障碍或边缘情况时寻找解决办法，而不是放弃、反复询问用户或谎称问题已经解决。

Doshi 说，Carbon 进一步改善了易用性，包括减少编造、改进网页应用的视觉设计、编码和安全代码生成。她也认为 Argon 仍适合日常使用，并建议开发者自己尝试 Carbon。

网页开发展示了这种迭代：用户喜欢 Argon 的 3D 可视化，但反馈其网页视觉设计较弱。Doshi 说，Carbon 已加入部分改进，团队会继续吸收反馈。

Google 与现已成为 Google 一部分的 Wiz 合作进行网络安全评测和早期测试。Doshi 说，Wiz 的 Scan for Good 项目使用这些模型协助一家医院系统识别并修补漏洞，避免数十万份患者记录可能被暴露。

她认为，优先向防御人员开放既能发挥模型的安全能力，也能让较小的群体先测试保护措施，帮助团队在扩大访问范围前学习和改进。

Doshi 自己写作时，会在 Antigravity 中用语音转文字模型记录想法，再让 Argon 整理成可编辑的文档。她认为这是通过写作理清思路并邀请他人反馈的一种方式。

采访者提到一次 Fortran 到 Rust 的迁移以及 Chrome 补丁对比。Doshi 说，Argon 在 Google 内部可用后，智能体参与的代码提交增加了 30%；她认为更有持续性的工具可以给开发者更多创造空间。

为了比较模型检查点，Doshi 会反复测试一个用于管理育儿事务的个人应用，涉及付款、健康预约和可视化。她还让模型汇总数据生成文档或幻灯片，再附加具体要求进行编辑。

她给非工程师的建议是，把模型当作思考伙伴，而不是事实的最终来源。先提出自己的想法，询问遗漏了什么或可能产生什么后果，再亲自迭代草稿。

Argon 和 Carbon 这两个元素名称旨在区分不同模型，同时保持共同主题。Doshi 还谈到为舞蹈保留时间，以及作为家长如何保护孩子的批判性思考、创造力和人与人之间的关系。

节目随后切换到 AI Studio 演示。Luke、Mollie 和 Billy 查看一个缺少常见坐标标记的 3D 棋盘应用。一人让 Argon 把符号替换成字母和数字，另一人要求将棋子改成明亮的霓虹色。

随后他们给赛车游戏加入共享排行榜和登录功能。演示接受了 Firebase 与 Firestore 的设置，参与者比赛并查看共享成绩。他们说，以前添加身份验证需要更多开发工作。

Rody Davis 演示一个 Antigravity 工作流程，用于维护 Web、Android 和 iOS 代码。当受支持的平台版本升级后，它会查找过时 API、兼容代码和不再需要的 polyfill。

工作流程用 Markdown 定义平台版本策略和自定义子智能体。不同工作者分别处理 Node、Jetpack Compose 和 SwiftUI；共享配置规定需要支持多少个版本。

Davis 使用中等工作强度的 Argon，针对示例问题和代码库调用工作流程。主智能体先检查策略，再分派平台工作者。真实团队可以接入自己的工单来源。

Davis 将人的角色比作现场主管：检查工作、在质量下降时停止流程，并改进操作程序。子智能体使用各自的上下文，可以并行工作，同时向主会话报告进度。

审查子智能体被配置为只读，因此它们只能检查变更，不能写代码。Antigravity 允许用户查看各个会话，并向子智能体发消息以引导或停止它。

最终报告记录各工作者完成的事项，包括删除的旧 API 和基于 Git 历史的代码新鲜度评估。Davis 建议使用自动化面板按计划或围绕平台发布周期重复审查。

对于更长时间的工作，Davis 提到 Teamwork Preview 和 /boost 命令。他说前者使用多组子智能体，后者则采用更线性的流程，按需创建子智能体。