大型語言模型

Gemini 4 Hydrogen 實戰:多 Agent 協作關鍵不在數量

Gemini 4 Hydrogen 與 Antigravity Orchestrator 如何拆分任務、合併結果並落實驗收責任。多 Agent 架構的可靠性,取決於任務邊界、衝突處理與可執行驗收,而非 Agent 數量。

字級

發布內容:模型只是入口

Google 最近在 Antigravity 官方部落格發布 Gemini 4 Hydrogen,將其定位為智慧體程式設計環境的核心模型。

這次發布不只涉及模型更新。Antigravity 同時加入產品級編排工具 Orchestrator。模型負責執行,Orchestrator 負責拆分、分派與整合複雜軟體工程任務。

官方原文:

Gemini 4 Hydrogen in Google Antigravity

Antigravity 並非在 IDE 裡多加一個聊天視窗。它把撰寫程式碼、執行程式碼與修正程式碼放進同一條開發閉環。Gemini 4 Hydrogen 則是這條閉環中的執行模型。

這裡有兩項變化。

第一,模型能力不再單獨販售。程式碼生成是否實用,取決於工具能否安裝相依套件、執行測試、讀取錯誤訊息並持續修正。

第二,互動單位不再是單一 Prompt,而是一項工程任務。需求可能橫跨多個檔案與模組,還得先調查程式碼庫,再實作修改,最後執行驗證。

因此,這次發布真正值得關注之處,是模型互動已延伸至多 Agent 軟體工程流程。

Orchestrator:把需求拆成多個角色

Antigravity 引入名為 Orchestrator 的多智慧體協作機制,用來拆分、分派與整合複雜開發任務。

合理的拆分方式可能是:

  • 一個 Agent 閱讀程式碼庫,找出相關模組與呼叫關係;
  • 一個 Agent 修改實作;
  • 一個 Agent 補充或調整測試;
  • 另一個 Agent 執行測試並整理失敗資訊。

Orchestrator 並非同時開啟四個聊天視窗。它必須回答四個工程問題:

  1. 哪些工作可以並行?
  2. 哪些工作具有前後相依關係?
  3. 每個 Agent 的輸入、輸出與修改範圍為何?
  4. 多份結果互相衝突時,由誰負責合併?

最容易出問題的是第四個問題。

假設 Agent A 修改了驗證模組,Agent B 依據舊介面修改呼叫端。兩者各自看似合理,合併後卻無法編譯。如果 Orchestrator 只負責分派,卻沒有清楚的所有權與合併規則,多 Agent 只會擴大衝突範圍。

任務邊界應盡量落在可驗證的介面上:

  • 指定可修改的目錄;
  • 明確列出不得變更的公開 API;
  • 要求每項修改附帶測試;
  • 讓結果透過指定命令完成驗收。

這比「大家自由發揮,最後再統整」可靠得多。

反直覺觀點:多 Agent 不等於高可靠度

多 Agent 系統最容易被包裝成一種線性收益:

Agent 越多,能力越強。

實際工程中並不存在這種關係。

Agent 數量增加後,至少會出現三類耗損。

上下文遺失

主 Agent 將任務切給子 Agent 時,通常無法完整且無損地傳遞整個程式碼庫的上下文。子 Agent 看到的可能只有摘要、檔案清單與幾項限制。

資訊一旦被壓縮,隱含條件就會消失。例如專案約定使用特定例外類型、某項測試依賴本機服務,或某個共用函式不能破壞舊有簽名。這些資訊可能存在於較早的對話中,卻未納入子任務。

重複修改

如果兩個 Agent 都認為某個檔案屬於本次任務,就可能同時修改同一處程式碼。一個從函式層級理解需求,另一個依文字搜尋理解需求,最後留下兩份互相覆蓋的修補內容。

錯誤放大

單一 Agent 的錯誤不一定只影響自身輸出。

如果審查 Agent 接受了錯誤實作,測試 Agent 又依據錯誤實作補上測試,下游 Agent 便會將錯誤視為事實。最終看似經過許多流程步驟,驗證的卻只是系統內部的一致性,而非需求本身。

因此,多 Agent 的關鍵指標不應是「並行處理了幾項任務」,而應包括:

  • 合併衝突率;
  • 首次驗收通過率;
  • 失敗後的定位成本;
  • 重複修改次數;
  • 最終可執行結果是否滿足需求。

若未記錄這些指標,Agent 數量就只是架構圖上的裝飾。

工程驗收:必須產出可執行結果

軟體工程任務不能停在「程式碼看起來不錯」。合格交付至少應形成以下流程:

需求 -> 修改 -> 依賴安裝 -> 測試執行 -> 失敗診斷 -> 修復 -> 最終驗收

這些環節可以由不同 Agent 負責,但不能全交由模型自我評量。

例如,以下是一組實際可執行的最小驗收命令:

npm ci
npm test

命令必須來自專案本身的 README 或 CI 設定。模型不應臨時捏造測試命令,更不能把「已產生測試檔案」等同於「測試已通過」。

我會把責任分為三層。

第一層是實作責任。負責修改的 Agent 只能說明改了什麼,不能宣告任務完成。

第二層是執行責任。測試 Agent 執行程式碼庫定義的命令,保存結束碼、失敗紀錄與重現方式。這一層只看機器結果,不採信自然語言摘要。

第三層是需求驗收。人工或獨立審查者依據原始需求檢查行為,而不是根據實作 Agent 的自述判斷。

模型自我評估適合找出明顯遺漏,不適合作為最終裁判。程式碼生成、測試執行、依賴安裝與最終驗收可以分工,但最終裁判必須依賴外部訊號,例如結束碼、測試報告、建置產物或實際執行結果。

實戰建議:從單一任務開始

若要在 Antigravity 驗證多 Agent 工作流,我不會先搭建一個五角色的「軟體團隊」。我會從邊界清楚的小任務開始,例如修正已有測試涵蓋的缺陷:

  1. 一個 Agent 閱讀失敗測試與相關實作;
  2. 一個 Agent 修改程式碼;
  3. 一個 Agent 執行專案既有的測試命令;
  4. 若測試失敗,只回傳紀錄,不新增推測;
  5. 測試通過後,再由人工核對需求與修改範圍。

這個流程規模雖小,卻包含完整閉環。若沒有測試,就先補上一個能重現問題的測試。若沒有明確的驗收命令,就先從 README 與 CI 設定中尋找。

第二階段再引入並行任務,例如:

  • 前端元件與後端介面分開處理;
  • 單元測試與文件更新同時進行;
  • 由不同 Agent 修改兩個互不重疊的模組。

每增加一個 Agent,我都會記錄額外成本:準備上下文花了多少時間、輸出是否需要二次整理,以及是否與其他任務發生檔案衝突。

人工檢查點也應逐步調整。初期每次合併都須檢查;系統穩定後,只在共用介面變更、依賴升級與最終驗收時介入。

這比預先斷言「三個 Agent 一定比兩個 Agent 快」更可靠。

編輯觀察

這次發布的價值,不在於 Gemini 4 Hydrogen 又刷新了哪項模型指標。Google 將模型放進產品級任務編排,顯示廠商正把競爭從「回答一段程式碼」推向「接手一段工程流程」。但多 Agent 數量不該成為能力宣傳的單位。任務拆得越細,溝通耗損與合併衝突就越多。真正該公開的是失敗率、衝突率、修復輪數與可執行驗收通過率。官方文章目前尚未提供足夠完整的評測方式,這些數據仍待觀察。Hacker News 的 305 分與 72 則留言能顯示關注度高,卻無法證明可靠度。在第三方重現結果出現前,很難判斷 Antigravity 是穩定的工程系統,還是一次包裝完整的互動實驗。

來源: https://antigravity.google/blog/gemini-4-hydrogen-in-google-antigravity/