Как Google DeepMind масштабирует agents
How Google DeepMind Runs Agents at Scale — KP Sawhney & Ian Ballantyne, Google DeepMind
Главное ограничение агентов в масштабе — расход токенов и квот, и DeepMind снижает его, смешивая Gemma 4 с более сильными моделями.
- Смешивание моделей — Gemma 4 на собственных GPU или TPU не тратит квоту, а дорогие модели ставятся только на отдельные компоненты агентной системы.
- Оценка сложных процессов — тестировать harness предлагается на mock TPU, чтобы проверять агентный поток без расхода TPU-часов. Самое сложное — придумать новые датасеты, и их часто пишут авторы самих Skills.
- Skills и CLI вместо MCP — спикер предпочитает skills и CLI с guardrails, а MCP оставляет ради аутентификации. По его оценке, MCP может оказаться временным трендом.
- Ревью PR — для каждого языка есть модель автоматического ревью, дообученная на гайдах по стилю и хороших примерах кода. Команды добавляют свои промпты.
Кому полезно: тем, кто делит квоты токенов между командами агентов и решает, какие шаги пускать на дорогую модель.
Статья по теме
Главы
Ещё доклады: Ian Ballantyne
Страница спикера →Суверенный рывок: контроль над моделями с открытыми весами
AI Engineer Europe 2026
Создание и запуск приложений на базе ИИ
Paige Bailey, Ian Ballantyne, Guillaume Vernade
AI Engineer Europe 2026
Похожие доклады
Создайте собственную команду managed agents
Близко по содержанию
Всё, что нужно знать о наблюдаемости AI-агентов
Ben Hylak, Danny Gollapalli, Zubin Koticha
AI Engineer Europe 2026
Близко по содержанию
Зачем AI-агентам нужна собственная песочница
AI Engineer World's Fair 2026
Близко по содержанию
Создание интерфейсов для агентов: уроки Chrome DevTools (MCP)
AI Engineer Europe 2026
Близко по содержанию


