7 月 9 日，Google Cloud 宣布 AlphaEvolve 在 Gemini 企业代理平台上已进入可用阶段。这个由 Gemini 驱动的算法发现与代码优化 Agent，此前主要服务于 Google 内部研究和早期测试客户，现在已经可以通过 Gemini Enterprise Agent Platform 向 Google Cloud 客户提供。
7 月 7 日，Google Cloud 还发布了一项覆盖 1,400 多名高级 IT 负责人的调研：83% 的受访企业认为，现有基础设施需要升级，才能支撑生产级 Agent。报告同时指出，Agentic workloads 会带来推理成本、运行复杂度、数据分散、安全治理和能耗等新压力。
把 Google 近期的更新放在一起看，AI 发展的重点已经出现明显变化。模型生成能力仍在进步，但企业真正关心的问题正在从“AI 能生成什么”，转向“AI 能否持续执行、自动验证、连接数据，并在真实业务系统中稳定运行”。
7 月 23 日，Google Cloud 与触脉咨询将在深圳举办线下分享，围绕这些 Google AI 新动向和企业 Agent 落地展开讨论。现场席位有限，可直接扫描二维码或点击文末“阅读原文”报名。
动向一：AlphaEvolve 正式开放，AI 开始主动寻找更优方案
普通生成式 AI 更擅长根据已有知识给出一个答案。AlphaEvolve 解决的问题更进一步：面对搜索空间巨大、人工难以穷尽的算法问题，它可以持续生成候选代码、运行评估、保留表现更好的方案，再进入下一轮迭代。
Google Cloud 将 AlphaEvolve 的应用过程分为四步：先提供一份可运行的初始程序和问题背景；再定义明确的评分函数，用正确性、运行速度、预测误差或业务约束衡量结果；随后由 AlphaEvolve 按照这些指标持续生成和优化代码；最后将验证通过的算法应用到生产环境。
这意味着 AlphaEvolve 的价值并不只是“帮工程师写代码”。它把大模型的探索能力放进一个可测量的闭环中，让工程师从逐个试错，转向定义目标、设计评估标准和审核最终结果。
案例1： Coolblue 将预测误差继续降低 5% 以上
荷兰电商企业 Coolblue 使用 AlphaEvolve 优化 28 天商品需求预测流程。这个预测既要覆盖短期需求，也要兼顾完整采购周期，预测偏低可能造成缺货，预测偏高则会带来库存积压。
经过约 200 轮迭代，AlphaEvolve 通过自动调整特征工程、目标数据预处理和模型组合，使已经投入生产的预测方案进一步降低了超过 5% 的加权平均绝对百分比误差（WMAPE）。
对零售和跨境电商企业来说，这类能力可以延伸到需求预测、库存分配、动态定价、配送路线和促销策略优化。但前提始终相同：企业必须先把“什么结果更好”转化为可以计算的评价标准。
案例2：WPP 将效果预测准确率提升 5% 至 10%
WPP 原有的广告活动表现预测模型，在经过大量人工优化后，每轮调整通常只能带来约 1% 的提升。引入 AlphaEvolve 后，系统自动提出、测试和优化候选模型结构，在不同应用场景中将预测准确率和后续推荐得分提高了 5% 至 10%。
这类能力未来可以应用于素材效果预测、用户响应模型、商品推荐、预算配置和客户价值预测。它与“让 AI 随机生成更多营销创意”并不是一回事，核心在于企业需要先拥有历史表现数据，再确定评估指标。
案例3：Kuro Games，AI 从内容生成进入服务器和算法优化
在 Google Cloud 公布的客户名单中，Kuro Games 也参与了 AlphaEvolve 的早期应用。其应用重点不是生成游戏内容，而是复杂的服务端优化问题，并在特定服务器工作负载中获得明显性能提升。
这为游戏企业提供了一个更深入的 AI 应用方向。服务器资源调度、匹配算法、路径规划、数值配置和推理性能优化，都可能被转化为可计算的优化问题。只要问题可以由代码表达，并拥有稳定的评估器，AI 就有机会探索人工难以覆盖的方案空间。
动向二：企业 Agent 的瓶颈，开始从模型转向基础设施
AlphaEvolve 展示了 AI 如何持续寻找更优方案。但当类似 Agent 真正进入企业环境，模型能力很快会触碰到数据、算力、成本和治理的边界。
Google Cloud 在《 AI 基础设施现状报告》中指出，83% 的企业认为现有基础设施需要升级，才能支持生产级 Agent。这一判断来自 Google Cloud 对 1,400 多名高级 IT 负责人的调研。
1、Agent 推理成本和运行复杂度正在上升
一次 Agent 任务可能同时包含检索文件、读取数据库、调用外部搜索、运行代码和生成图表，用户只看到一次提问，后台却在持续执行多轮推理与工具调用。
Google Cloud 指出，一个 prompt 可能触发数百个后续动作，并需要在内存中保留大规模上下文。调研中，62% 的技术负责人已经感受到明显“推理税”，81% 将运行复杂度视为 AI 扩展时容易被低估的隐性成本。
2、统一数据层是 Agent 进入生产环境的基础
Google Cloud 在报告中强调，Agent 会持续跨组织运行大量查询；如果数据分散在不同孤岛中，AI 实际上是在“盲飞”。企业需要建立统一数据层，让结构化数据和非结构化内容能够被发现、理解和调用。
Agent 可以降低业务人员使用数据的门槛，但无法替代数据口径、权限和质量管理。
3、Agent 越多，企业越需要统一身份和治理
随着 Agent 数量增加，企业会面临 agent sprawl（智能体蔓延）问题。79% 的技术负责人将安全、治理和 MLOps 列为扩大 AI 推理应用时的主要挑战。Google Cloud 给出的方向，是建立集中式控制平面，统一管理 Agent 权限、身份、工作流和审计记录，并在关键操作中保留人工审批。
这意味着Agent 一旦开始读取客户数据、修改系统记录、执行代码或调用其他 Agent，企业就需要明确它的身份、权限和操作边界。
5、Agent 的能耗也开始影响基础设施选择
Google Cloud 报告显示，90% 的企业认为边缘部署对 AI 项目重要，其中 72% 认为“非常重要”或“极其重要”。对于工厂、门店、医院、仓库和实时交互场景，所有任务都发送到远程云端处理，可能面临延迟、网络稳定性和持续推理成本问题。
报告还显示，91% 的技术负责人已经将能耗纳入 AI 硬件和平台选型，其中 61% 将其视为主要或重要因素。随着推理任务持续运行，能源效率不再只是可持续发展指标，也会影响 AI 项目的总拥有成本。
这一动向的核心并不是制造基础设施焦虑，而是在提醒企业：Agent 一旦进入生产环境，数据连接、运行成本、权限治理和部署方式必须同步考虑。企业下一阶段的重点不再只是选择更强的模型，而是建立一套能够让 Agent 持续运行、看见完整数据、控制执行边界并追踪结果的生产环境。
动向三：企业开始从“做一个 Agent”走向管理完整生命周期
过去，企业搭建 Agent 多从知识库问答、客服机器人、数据分析或代码生成等单点场景开始。随着 Agent 数量增加，企业需要管理的不再只是模型和 Prompt，还包括开发、部署、权限、评估、监控和持续优化。
Gemini Enterprise Agent Platform 的定位，正是把这些能力纳入统一平台，让企业可以构建、编排和交付 Agent，并统一连接模型、数据和业务系统。Google Cloud 将其描述为用于 build、scale、govern 和 optimize agents 的综合平台，也是 Vertex AI 的演进方向。
业务与技术共用同一平台
简单场景可以由业务团队通过低代码方式搭建，复杂应用则由开发团队使用 Agent Development Kit（ADK）继续开发。这样可以让业务先定义目标和流程，技术再负责数据连接、工具调用和安全控制。
长周期任务需要记忆和安全环境
企业流程往往跨越数小时甚至数天，Agent 需要保存上下文和任务状态，并在等待审批或工具返回后继续执行。平台通过长期记忆、任务状态管理和隔离运行环境，降低 Agent 直接影响核心系统的风险。
每个 Agent 都需要身份和权限
当 Agent 可以读取客户信息、操作 CRM 或访问代码库时，企业需要知道每个动作由谁发起、是否授权、结果由谁确认。Agent Identity、Agent Registry 和 Agent Gateway 等能力，决定了 Agent 能否被安全管理。
Agent 上线后也需要评估和监控
Demo 成功不代表适合生产环境。Google Cloud 将模拟、评估与可观测性纳入 Agent Platform，让团队在上线前测试任务场景，并在上线后追踪调用链路、失败位置和运行成本。
这一变化说明，企业级 Agent 的落地正在从“搭一个能演示的应用”，进入“管理一套可持续运行的系统”。
动向四：Prompt 仍然重要，但企业更需要 Harness Engineering
企业 AI 的竞争，正在从“谁能调用更强的模型”，转向“谁能建立更稳定的生产系统”。
AlphaEvolve 的官方说明中使用了agentic harness这一表达。本文用 Harness Engineering 来概括这种工程化思路：企业需要在模型之外，建立完整的任务控制体系。
Prompt Engineering 解决的是“如何把任务说清楚”，Harness Engineering 更关注“任务如何真正跑起来”。它涉及任务拆解、上下文控制、工具调用、结果检查、失败重试，以及哪些动作必须经过人工审批。
以批量生成小游戏为例，一句“生成一个小游戏”也许能得到一份代码，但离生产流程还很远。企业还需要定义玩法规则、素材格式、运行环境和完成标准，并在生成后自动检查页面是否可运行、交互是否有效、数值是否符合约束；如果测试失败，还要判断应该局部修改、重新生成，还是转交人工处理。
只有把这些规则、工具和评估机制放在模型外围，一次成功的 Demo 才能逐步变成可重复运行的系统。类似的方法也适用于营销内容生成、数据分析和软件研发：前者需要品牌词库、敏感信息检查和人工审核，后者需要统一指标口径、SQL 校验、代码测试和发布审批。
这也是近期 Google AI 更新共同反映的变化：AlphaEvolve 将模型生成与确定性评估结合，基础设施报告把数据、成本、权限和运行能力放到核心位置，Gemini Enterprise Agent Platform 则把构建、治理、评估和可观测性纳入完整生命周期。
企业现在可以先回答三个问题
如果目标只是“生成更多内容”或“提高效率”，后续很难判断应用是否真正有效。企业需要把目标转换为可观察指标，例如预测误差、任务完成率、处理时间、转化率、资源消耗或人工审核通过率。
数据是否分散、指标口径是否一致、权限是否明确，会直接决定 Agent 输出质量。企业在搭建 Agent 前，通常需要先明确数据来源、业务语义和调用边界。
生产级 Agent 需要自动评估、异常重试、日志追踪和人工介入。缺少这些机制，AI 应用仍然停留在依赖个人经验的工具阶段。
企业不必立即建设一个庞大的多 Agent 平台，但可以先选择一个结果清晰、数据可得、能够验证的垂直场景，跑通“数据连接、任务执行、结果评估、人工审核”的完整闭环。
7 月 23 日，在深圳继续讨论 Google AI 如何进入真实业务
Google AI 的近期变化，正在把企业关注点从“能不能生成内容”，推向“能不能稳定进入业务流程”。无论是内容生产、数据分析、代码开发，还是运营自动化，企业都需要进一步解决任务拆解、数据连接、结果评估、权限控制和多 Agent 协作等问题。
7 月 23 日，Google Cloud 与触脉咨询（TRUEMETRICS）将在 Google 深圳办公室举办 Gemini Enterprise 主题 线下活动。本次活动将以游戏研发与运营作为实践案例，但讨论的核心并不局限于游戏行业，而是围绕企业如何把 Google AI 能力真正落到可执行、可评估、可治理的业务系统中。
现场将结合小游戏自动生成等案例，展示大模型在复杂任务中的拆解、生成、测试与反馈闭环。想进一步了解 Google AI 最新能力和企业 Agent 落地路径，可点击文末海报或“阅读原文”报名。
「版权提示」：信息来自于互联网，不代表官方立场，内容仅供网友参考学习。如发现本站内容存在版权问题，烦请提供版权疑问、身份证明、版权证明、联系方式等发邮件至 contact@glosellers.com，我们将及时沟通与处理。如若转载请联系原出处。 「注意事项」：锦品出海(含网站、客户端等)所展示的商品/服务的标题、价格、详情等信息内容由实际供应商/服务商提供。如用户对商品/服务的标题、价格、详情等任何信息有任何疑问的，可直接同供应商/服务商沟通确认，其他问题，请向锦品出海客服咨询。因第三方供应商/服务商与用户因服务行为所发生的纠纷由第三方供应商/服务商与该用户自行处理或通过法律途径解决并自行承担法律后果。锦品出海根据用户申请可参与相关协调调解工作，但不对纠纷事项及调解工作承担任何责任。
