НОВОСТЬ · CODING · #2523
Google использовала Gemini 4 Argon для оптимизации Agent Development Kit: подготовка сессий −40%, «холодный» импорт −21%
В ходе 11‑часового автономного прогона Gemini 4 Argon проанализировал 200‑тысячную Python‑базу ADK, предложил и внедрил два принятых улучшения (уменьшение накладных расходов подготовки сессии примерно на 40% и сокращение «холодного» импорта пакетов на ~21%) и запустил все 16 892 модульных теста; четыре предложенных изменения были отклонены при ревью. Инженеры настроили агента через .agents/skills и режим /goal Antigravity для сохранения цели при сжатии контекста.
КЛЮЧЕВЫЕ ТЕЗИСЫ
- В ходе 11‑часового автономного прогона Gemini 4 Argon проанализировал 200‑тысячную Python‑базу ADK, предложил и внедрил два принятых улучшения (уменьшение накладных расходов подготовки сессии примерно на 40% и сокращение «холодного» импорта пакетов на ~21%) и запустил все 16 892 модульных теста; четыре предложенных изменения были отклонены при ревью.
- Инженеры настроили агента через .agents/skills и режим /goal Antigravity для сохранения цели при сжатии контекста.
- Показывает, что LLM‑агенты способны анализировать крупные многомодульные кодовые базы и находить межмодульные оптимизации, которые не видны профайлерам, дающие заметный выигрыш во времени при сохранении необходимости человеческого ревью.
ПОЧЕМУ ЭТО ВАЖНО
Показывает, что LLM‑агенты способны анализировать крупные многомодульные кодовые базы и находить межмодульные оптимизации, которые не видны профайлерам, дающие заметный выигрыш во времени при сохранении необходимости человеческого ревью.