构建一个 Agent 只要三分钟，但为什么大多数企业的 Agent 还停留在 Demo 阶段？

作者 | Echo Tang

出品 | CSDN

在上海 Google I/O Connect China 开发者大会 Cloud 的会场，我看到了这样的一个演示：Google Cloud 开发者关系经理 Ankur Kotwal 用 Antigravity CLI 输入一段自然语言提示词，几分钟之内完成了一个实时语音翻译 Agent 的构建和部署——ADK 构建智能体，部署到 Gemini Enterprise Agent Platform，Web 前端挂到 Cloud Run。没有手写一行代码。

然后他自己说了一句话，定义了这一整天的基调：

“我们已经构建并部署了智能体。接下来呢？这就到了 Agent Platform 真正展现其独特能力的时候了。我们需要能够在大规模下对这些智能体进行治理。”

是的，接下来呢？几分钟可以造一个 Agent，但为什么上生产就很难？

这可以说是 2026 年企业 AI 最真实的焦虑。构建一个 Agent 已经快到不值得讨论了。但为什么大多数企业的 Agent 还停留在 Demo 阶段？为什么从“跑起来”到“跑得好”之间，还隔着一道看不见的深渊？

三个月前，我们在拉斯维加斯参加 Google Cloud Next 26 时写过一个判断——。那篇文章关注的是 Google Cloud 在建什么。而这一次，在上海眼观、耳听之后，我想回答的是另一个问题：

从 Demo 到生产之间，到底埋着什么？

它不是一个单点问题，而是一连串工程挑战的叠加：治理、运行时、安全、可观测性、数据。每一个都不性感，每一个都致命。而对于正在加速出海的中国开发者而言，这些挑战在全球化的场景下会被进一步放大。

构建（Build）已经不是问题

先承认一个事实：到今天，构建一个 Agent 确实已经不再是难题。

Google Cloud 提供了三层工具覆盖组织内所有角色：Agent Designer 面向无代码的业务人员，Agent Studio 面向低代码的技术与业务混合角色，ADK 2.0 面向全代码开发者，支持基于 Graph 的工作流编排。再加上 Agent CLI——一个“用 Agent 开发 Agent”的工具——开发者甚至可以通过自然语言完成智能体的构建、评估、部署和监控全流程。

Google Cloud 解决方案架构师、AI 专家史洁在下午的演讲中把这个阶段定义为大家所熟知的“Vibe Coding”——一个人加一个 AI，效率飙升，什么都能做。

但她紧接着说了一句更重要的话：

“Vibe Coding 是起点，不是终点。”

当一百个超级个体各自用各自的 Agent、各自的提示词、各自的数据源工作时，组织层面会发生什么？“你得到的不是一百倍的效率，而是一百种互不兼容的工作方式。组织知识碎片化，安全策略无法统一执行，产出无法复用。”

她用五个维度对比了 Vibe Coding 和 AI 原生组织的区别：个人加 AI vs. 团队加 AI 的协作网络；知识散落在个人提示词里 vs. 结构化、可检索、可推理的组织知识图谱；完全不可控的裸奔 vs. 可观测、可审计、可回滚的管控体系；一次性代码 vs. 可复用、跨部门共享的智能体资产；靠个人经验 vs. 数据驱动的持续进化。

“这不是一个渐进式的改变，而是一个质的飞跃。”

所以，真正的问题从来不是“能不能构建一个 Agent”，而是“一百个、一千个 Agent 在出海企业里同时运行时，怎么办”。

难点一：治理——谁在控制这些数字员工？

Ankur Kotwal 在演示完构建之后，立刻切换到了 Gemini Enterprise Agent Platform 的管理界面，展示了四个核心治理能力：

• Agent Identity——每一个部署的智能体都拥有独立身份凭证，自动配置，可追踪、可审计。他把它比喻为“智能体舰队的通用护照”。

• Agent Registry——一个集中的注册中心，可以看到项目中所有 Agent、MCP Server 和模型端点。“没有影子 Agent 的存在。”

• Agent Gateway——分为 Ingress 和 Egress 两个方向，在 Agent 进出企业边界时执行安全策略。他现场演示了如何限制特定 Agent 对高成本模型的访问权限，如何对财务数据的 MCP Server 设置只读策略。

• Agent Observability——可视化 Agent 协同的有向无环图，包括 Agent 与 Agent 之间的拓扑、Agent 与 MCP Server 之间的拓扑，每一步大模型耗时、Token 消耗、工具调用和错误都可以 trace back。

史洁把这套治理体系总结为一句话：“企业 AI 的瓶颈从来不是模型的能力，而是信任、控制，和像管理关键基础设施一样去管理这些 Agent 的能力。”

她还说了一句在现场引起共鸣的话：“创造力乘以零治理，结果还是零；治理乘以零创造力，结果也是零。”

Google Cloud 解决方案架构师董仕超随后做了一个完整的 Demo 来验证这套治理体系：客服 Agent 从 CRM 拉取用户数据时，Sensitive Data Protection 自动将手机号和身份证号做掩码处理；用户要求退款，Agent 按企业 SOP 执行审批流程；有人试图通过提示词注入绕过权限——Model Armor 直接拦截。

这些不是花哨的功能展示。这是出海企业把 Agent 从 Demo 推向生产时，第一天就会遇到的问题。

难点二：运行时——Agent 不是一个 API 调用

Google Cloud 解决方案架构师郑晓曦则直接抛出了一个公式：智能体 = 模型 + Harness（白天刚听到，晚上 DeepSeek Harness 就带着这句话席卷全球）。

“我们究竟是把基模训练得非常厉害，还是把约束做到极致？”他的答案很明确：Harness 的分量和模型同等重要。

他总结了一个合格的 Agent Harness 需要的五个维度：解决遗忘的持久记忆；防止越狱的确定性护栏；限制破坏力的工具控制；应对报错的重试逻辑；以及业务上需要仔细梳理的多步 SOP 编排。“缺一不可。有些是框架的设计，有些是工程化的实现，有些是产品的能力，有些则是业务的理解。”

他介绍了 Memory Bank——把智能体的记忆分成两层：绿色的短期会话管理，负责把当前这轮聊天的上下文记清楚；蓝色的长期记忆沉淀，系统在后台自动提炼对话里的关键信息，Agent 还可以主动把重要事实写进记忆库。“相当于我原本只是一只老虎的 Agent，现在可以把这一套记忆产品给它插上翅膀。”

还有一项颇值得注意的是 Google Cloud 解决方案架构师潘文明介绍的 Agent Substrate。

他开场就问：“现在的 AI 智能体面临的一个很大的困难是什么？90% 以上的时间它可能都是在等待。有可能是在等待模型的生成，也有可能是在等待工具调用，或者说是在等待用户的输入。用户可能输入一句话之后就跑去吃饭了，一个小时之后才回来。那在这段时间之内，资源是该回收还是不回收？不回收，CPU 和内存就白白浪费了。如果回收，状态又应该怎么保留？”

Agent Substrate 的核心思路是：将逻辑会话与物理计算节点解耦。它采用“零空闲架构”，在几十毫秒内把 Agent 的运行状态无缝传送到集群内的任何角落。

他现场做了三个 Demo：

第一个——一个 Agent 被挂起后，底层 Pod 被其他任务占用。传统系统要么卡死，要么冷启动丢失状态。但 Substrate 检测到冲突后，瞬间把内存状态传送到另一个全新的物理节点上。计数器从 2 变成 3，状态完美保留，但 Pod IP 已经变了。

第二个——8 个物理 Pod 上同时部署 24 个 Agent，并发发请求。每个 Agent 被唤醒、处理请求、自动挂起，行云流水。“只用了三分之一的硬件资源，就完美承载了三倍的负载。”

第三个——模拟生产环境，一个首席架构师 Agent 拉起一群子 Agent 协同工作，完成后把快照保存到 GCS 并释放所有计算资源。当审核 Agent 需要架构师 Agent 签字时，它在不到一秒内瞬间复活，但物理位置已经从 Pod IP 117 变成了 121，内存状态完美保留。

这不是渐进式优化。这是把“Agent 运行时”这个问题从根本上重新定义了。

对出海企业而言，这意味着什么？当你的 Agent 需要处理大量长时任务，而每个任务可能持续几分钟到几个小时。Agent Substrate 让你不再需要为等待中的空闲资源付费。把长时任务抽象为 Managed Session，把逻辑状态与物理计算资源解耦，配合 Agent Debug 和离线评测系统，出海开发者可以用三分之一的硬件成本承载三倍的负载。

一句话总结：“Agent 不是一个 API 调用，它是一个有状态的、长时间运行的、需要人机协同的计算过程。”

难点三：安全——攻击者也有 Agent

Google Cloud 安全销售专家马巍和 Google Cloud 安全解决方案架构师韩旭明的安全演讲带来了一个冷峻的事实：

“攻击者从首次入侵到第二阶段攻击的时间，从平均 8 小时缩短到了 22 秒。漏洞从公开到 AI 自动扫描，可能只需数小时。”

人类安全团队的响应速度已经跟不上 AI 驱动的攻击节奏。防守也必须进入机器速度。

Google Cloud 的安全架构把漏洞管理拆成四个阶段——准备、扫描、修复、监控——每个阶段都有专门的 Agent。WSS 提供安全态势蓝图和 Security Graph；Red Agent 模拟攻击，Blue Agent 执行防御，Green Agent 负责修复。

CodeMender 是其中最具工程价值的工具——扫描代码漏洞，验证可利用性，自动生成修复补丁并提交 PR。

但韩旭明强调了一个关键数字：“在没有完整上下文的情况下，AI 生成的补丁通过率低于 3%。但当我们提供了完整的代码上下文、依赖关系和业务逻辑后，通过率提升到了 80% 以上。”

3% 到 80%——这个跃迁背后的含义是：防守者拥有攻击者永远无法获得的东西——完整的业务上下文。这是防守方的结构性优势，也是 AI 安全能够奏效的根本原因。

安全不是 Agent 生产化的附加项，而是前提条件。Model Armor 拦截提示词注入和越狱，Sensitive Data Protection 在大模型回复吐给用户之前自动脱敏 PII 信息，Agent Gateway 在通信层执行策略——这些能力必须在 Agent 上线的第一天就到位，而不是出了事之后再补。

难点四：可观测性——如果你不能衡量价值，你就无法优化

Google Cloud 零售行业首席架构师王舟童把 Agent 优化拉回到一个务实的问题：Agent 部署之后，怎么知道它在创造价值？

“可观测性的第一性原理是 ROI。如果你不能衡量 Agent 创造了多少价值，你就无法优化它。”

Agent 可观测性不同于传统 IT 可观测性——不仅要看可用性、吞吐量和延迟，还要看推理链路、工具调用和业务结果。出海圆桌上 Google Cloud 开发者市场高级总监 Ricky Robinett 也从出海开发者营销的角度强调了同一个观点：“搞定你的可观测性，搞定你的遥测技术。这些 AI 应用程序是非确定性的，它们处理的工作流会在多个组件之间进行交接。”

Agent Simulation 是一个有意思的能力——可以模拟数千、数万不同性格和行为的虚拟用户，包括刁钻用户、砍价用户和各种 Edge Case，让企业在上线前发现 Agent 的弱点。

Agent 优化有两条路径：专家持续调优，或 Agent 根据指标和结果自主迭代。最终目标是形成闭环——部署、观测、模拟、优化、再部署。

难点五：数据——Agent 的记忆底座和进化燃料

Google Cloud 数据管理解决方案架构师周坚介绍的 Google Data Cloud 补上了最后一块拼图。

AlloyDB 可以在数据库内直接调用 AI 函数，减少数据搬运和 Token 消耗；Spanner 融合了关系、图、向量和全球一致性，成为 Agent 的“记忆底座”。

以出海场景中常见的跨境合规任务为例，比如海关商品归类、多国法规匹配、跨数据源的受控推理，传统 RAG 做不到，因为它无法处理多层逻辑推理。而 Spanner 统一承载图、向量和事实关系，配合 ADK 实现受控推理和 Workflow，可以形成可解释、可追踪的推理网络。更重要的是，使用越多、沉淀越多数据、再反馈给 Agent——数据飞轮就转起来了。

这类问题的价值在于：它不是一个“用 AI 替代人工”的故事，而是一个“只有 Agent + 结构化数据 + 受控推理才能解决”的问题。传统方法解决不了，纯大模型也解决不了，必须是系统级的方案。

Agent 走向物理世界

如果说前面的难点都在数字世界里，Google Cloud 具身智能行业首席架构师黄颖的演讲则把 Agent 的边界推向了物理世界。

Google Cloud 为机器人公司提供的是一条完整管线：VLA 模型和世界模型用于理解和决策；Gemini 自动标注和合成数据用于降低数据采集成本；MuJoCo 和 Isaac Sim 用于仿真训练；TPU、GPU、GKE 和 ML Ops 提供基础设施支撑。整条链路形成数据飞轮。

对于出海的具身智能企业而言，典型的架构是“云端大脑 + 端侧小脑 + 物理执行”三层分离：云端负责复杂推理和知识，端侧负责实时决策和隐私保护，IoT 平台负责连接和控制物理设备。这套架构让出海开发者可以在不同市场快速适配本地化需求，同时保持核心智能的统一迭代。

Google Cloud 高级对外产品经理 Derek Baker-Breda 介绍的 Developer Device Platform（DDP）则从测试角度切入——让 Agent 通过提示词访问远程真实设备，提供超过 220 种设备类型，支持智能分片和数百台设备并行测试。

Agent 正在获得触摸物理世界的能力。而物理世界对安全、延迟和可靠性的要求，比数字世界更加苛刻——对出海企业来说，还要叠加跨地域网络延迟和本地化适配的挑战。

出海：基础设施决定速度

Agentic AI 时代，我们看到越来越多的开发者投身 AI 原生出海，而 Cloud 组织的“智能体时代的出海破局与增长”圆桌讨论的话题，我觉得和现在着力出海的开发者可以说是切身相关。几个值得记录的判断：

Google Cloud AI 平台副总裁 Ting Liu 提出了“合规即服务”——把数据驻留、GDPR 等合规能力做成基础设施内置能力，而不是让每个出海企业自己去踩坑。“Google Cloud 的理念是，我们希望将其作为一种服务提供。你不需要从零开始构建。”对于出海开发者而言，这意味着合规不再是拖慢创新速度的绊脚石。

她还说了一句很冷静的话：“不要着急。有时需要花点时间，从更长远的角度思考如何维持业务的发展。即使在基础设施方面也是如此——当你重复做了两次之后，就应该考虑构建一个智能体来为你做优化。”

Google Cloud 产品市场副总裁 Peder Ulander 的判断很直接。他坦言，此次来到中国，与中国出海开发者和合作伙伴的交流让他“感到无比震撼”——震撼于中国出海企业在 AI 应用上的发展速度和创新深度。“你们自己，实际上就是全球其他企业所需的那个‘力量倍增器’。在美国，我们只是在试图将 AI 添加到现有的工作流中。在欧洲，我们正在努力弄清楚如何维护数据主权。而在这里，你们正在重塑世界。”

他随即给出了明确的定位：“请将 Google Cloud 视为一个可以帮助你消除扩展摩擦的合作伙伴。我们来处理治理、数据主权和全球触达的问题，你们只需要继续把极其擅长的事情做好，在体验上进行创新，并将其带给全世界。”——Google Cloud 就是出海开发者在 Agentic AI 进阶路上的伙伴，大家携手前行。

Ricky Robinett 从开发者营销角度提出了“Minimum Viable Personality”——出海开发者公司需要有真实的人格，而不只是一堆 API 文档。他讲了一个故事：他作为开发者用了一家公司的 API 并在社交媒体上发帖，那家公司瞬间给予了极大热情回应，CEO 甚至在全体会议上提到了他。“我因此变得极其忠诚，最后直接去那里工作了。”他的建议是：“不要去想规模，去想我在社区里看到了哪些具体的人。”

Peter 最后的总结：“怀揣伟大的梦想，但从小处着手。”

一天之后的判断

聆听完 Cloud 一天的分享之后，有一个判断越来越清晰：

从 Demo 到生产之间埋着的，不是一个问题，而是五个：治理、运行时、安全、可观测性、数据。每一个都需要系统级的解决方案，而不是一个 API 或一个模型能搞定的。

Google Cloud 试图提供的答案是一整套基础设施——Agent Identity、Agent Registry、Agent Gateway、Agent Observability、Agent Substrate、Agent Sandbox、Memory Bank、Model Armor、CodeMender、Spanner、AlloyDB、Agent Simulation、A2A、ADK、Agent CLI。这不是一个平台，这是一个操作系统。

史洁把它总结为四大支柱：Build、Scale、Govern、Optimize。构建解决“怎么造”，规模化解决“怎么部署到生产”，治理解决“敢不敢上生产”，优化解决“怎么让 Agent 越用越好”。

三个月前在拉斯维加斯，我看到的是 Google Cloud 用 1850 亿美金焊死五层生态的决心。今天在上海，我看到的是这个生态开始落地时的具体形态。它回答的不是“AI 能做什么”，而是“AI 在出海企业里真正跑起来需要什么”。

构建一个 Agent 只要一段提示词。但让它在全球化的生产环境中可靠运行，需要身份、权限、审计、网关、沙箱、记忆、可观测性、模拟评测和数据飞轮。

这才是从 Demo 到生产之间，那道看不见的深渊里，真正埋着的东西。对于每一个正在出海路上的开发者和企业来说，这些基础设施不是锦上添花，而是生死线。

最后，说一件事：

2026 奇点智能大会 ，终于要和大家见面了。

11 月 20-21 日·北京，奇点智能研究院联合 CSDN，把两场技术大会放在了同一个时空里：

• 奇点智能技术大会（始于 2016）——聊大模型、AI Native、企业级 AI 落地、多模态与世界模型；

• C++ 及系统软件技术大会（始于 2005）——聊现代 C++ 演进、AI 算力与推理优化、高性能低时延系统。

为什么要放在一起？因为我们越来越相信——上层 AI 应用的爆发，离不开底层系统软件的支撑；而底层技术的演进方向，也正在被 AI 重新定义。

这次大会汇聚 70+ 位技术专家、18 个主题、1000+ 同行到场。

如果你也在这些方向上做研究、做产品、做工程，别错过。