# 策展 · X (Twitter) 🔥🔥🔥

> 作者：Google Cloud Tech (@GoogleCloudTech) · 平台：X (Twitter) · 日期：2026-04-25

> 原始來源：https://x.com/GoogleCloudTech/status/2048066787233943773

## 中文摘要

# Google Cloud Agent Garden 中的 Atomic Agent 藍圖

從零開始構建多 Agent 系統會面臨複雜的設計挑戰，包括：為你的使用場景找到最佳設計模式、編排失敗以及評估循環。你可能會花上數週時間重複造輪子，試圖讓你的 Agent 準備好進入生產環境——或者，你可以直接使用我們在 Agent Garden 中推出的全新 Atomic Agent，從已經驗證過的架構開始。

作者：Anant Nawalgaria 與 Naz Bayrak

---

在 Google Cloud Next '26 大會上，我們在 Agent Garden 發布了十二個核心 Agent 藍圖，旨在減少企業團隊的開發阻力。這些 Agent 包括：品牌一致性研究與簡報 (Brand-Aligned Research & Presentations)、品牌化 GenMedia、網路守護者 (Cyber Guardian)、YouBuddy、高容量文件分析器 (High-Volume Document Analyzer)、發票處理 (Invoice Processing)、小型企業貸款 (Small Business Loans)、護理交接 (Nurse Handover)、經濟研究 (Economic Research)、任務規劃 Agent (Task Planner Agent)、SDLC 技術 Agent 以及使用者故事優化器 (User Story Refiner)。

這些 Atomic Agent 是已準備好投入生產的模板與藍圖，提供了針對標準設計與實作挑戰的驗證過的方法。它們正是我們客戶目前用於完成特定任務的生產級模式。透過 Agent Garden，你無需從零開始，而是遵循一條通往生產環境的驗證路徑：

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1777146947469-diaHGwu9zMaEAAtl7jpg.jpg)

## 藍圖 1：SDLC 套件

產品待辦事項清單 (Product backlogs) 經常因為模糊且非結構化的功能需求而停滯不前。將龐大的技術設計拆解為可管理的 Jira 工單或 Git 合併請求，是一項會消耗工程進度的行政瑣事。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1777146947448-iaHGwvRFtbwAE8Pusjpg.jpg)

Agent Garden 中的 SDLC 套件是一種鏈式架構模式，由三個 Atomic Agent 組成，能將功能需求從模糊的想法轉變為結構化的執行計畫：

1. 使用者故事優化器 (User Story Refiner)：一個互動式的產品助理。它會訪談利害關係人以釐清原始需求，並自動生成標準化的 Markdown 使用者故事，其中包含嚴格的行為驅動開發 (BDD) 驗收標準。

2. 技術設計師 (Technical Designer)：一個規劃協作夥伴，能將優化後的故事轉換為徵求意見書 (RFC) 文件與架構決策記錄 (ADR)。透過 `spanner_query_tools` 調用 Google Cloud Spanner，它能主動查詢專案的程式碼知識圖譜 (Code Knowledge Graph)，以生成精確且不會與現有基礎架構衝突的 Mermaid 架構圖。

3. 任務規劃器 (Task Planner)：一個嵌入式的技術負責人，能深入解析生成的文檔，規劃出完全序列化的執行計畫。在開始程式撰寫之前，它會將廣泛的功能拆解為 Atomic 任務，並智慧地規劃出最佳的 Git 分支策略（例如：平行與序列依賴關係）。

## 藍圖 2：品牌化 GenMedia

行銷團隊經常在難以擴展 asset 生產規模與維持企業視覺識別之間掙扎。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1777146947434-diaHGwviE3awAAoRhjpg.jpg)

品牌化 GenMedia Agent 透過部署一個序列化、具備自我修正能力的創意引擎來解決此矛盾。它不僅僅是生成圖片，還會使用「LLM 作為評審」(LLM-as-a-judge) 的框架主動評估並優化圖片，以確保嚴格的品牌一致性。

- 用於品牌治理的 RAG：在呼叫生成模型之前，它會動態搜尋並注入現有的品牌 asset 元資料與政策規則 (`get_policy`, `search_asset_bank`)。

- 自我修正循環：它管理著分佈在各個子 Agent 之間的一套獨特工具。關鍵在於，它實作了一個由 `check_condition_and_escalate_tool` 控制的自動化循環。一個專屬的檢查 Agent 會根據嚴格的合規準則對生成的產出物進行迭代評分，並重新生成任何未達量化視覺標準的媒體內容。

## 藍圖 3：發票處理

文件提取技術通常非常脆弱。當發票格式變更時，解析規則就會失效，導致開發人員必須手動更新程式庫。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1777146947804-iaHGwv1qca0AAcNf8jpg.jpg)

發票處理 Agent 透過將 Agent 開發與 Agent 優化分離，建立了一個持續改進的循環。在 Gemini 2.5 (Flash + Pro) 的驅動下，它透過一個 9 階段的管線處理發票，讓領域專家能夠以對話方式更新提取規則，而無需更動核心程式庫。

- 自適應學習框架 (ALF)：配備了 24 個確定性條件運算子與基於範圍的互斥機制，讓財務分析師能透過自然語言教導 Agent 新規則。

- 無風險規則更新：它在單一 LlmAgent 上註冊了 18 個專用功能工具（分為推論工具與學習工具）。當人類專家提出新規則時，影響評估協定會根據現有基準案例的隨機樣本來評估該規則，以防止在將變更提交至生產環境前造成附帶損害。

## 查詢你已部署的 Agent

一旦你選擇並配置好藍圖，將其部署到 Agent Engine 即可讓你將其無縫整合到現有的程式化工作流程中。

## 開始使用

你不需要從零開始構建。前往 Gemini Enterprise Agent Platform 中的 Agent Garden，探索這些模板、查看它們的架構圖，並直接將其部署到你的環境中。

## 標籤

Agent, 新產品, 產業趨勢, Google, Google Cloud