本文主要探讨构建可扩展、可互操作智能体系统的方法，重点是探索将智能体与数据、工具以及彼此连接的标准模式。文中强调 ADK、MCP 和 A2A 作为智能体开发基础协议的重要性。文章介绍了三个实操实验：第一个实验通过构建一个货币智能体，帮助用户理解 ADK、MCP 和 A2A 的基本交互；第二个实验演示了如何使用 MCP 工具箱将智能体连接到 BigQuery 数据库；第三个实验展示了如何将智能体与 Cloud SQL 集成，以搜索操作记录，例如构建一个旅行智能体。文章强调，采纳这些标准能简化维护并提高可扩展性，从而将智能体从原型阶段推进到生产级应用。
本文详细介绍了 VMO2 与 Google Cloud 合作，采纳数据合约以解决联邦数据架构中的数据质量、信任和治理挑战。数据合约被描述为定义数据特征（模式、语义、质量指标、SLOs）的机器可读协议，它能在数据管道中实现持续执行和实时验证。实际实施涉及在 Google Cloud 上采用中心辐射模型，其中一个中心团队提供自助式合约功能，而各部门团队则对各自的数据产品及其数据质量负责。Dataplex 统一目录被用作通过自动数据质量（用于执行）和数据画像（用于洞察）来落地应用这些合约的引擎。工作流通过 GitOps 实现自动化，由 Cloud Composer 编排执行，BigQuery 存储结果以提高透明度。这种方法不仅增强了数据质量和合规性，还促进了数据的“产品思维”，为可伸缩的 AI 产品奠定了可信赖的基础。
文章强调，尽管 AI 的采用已近乎普及，但其在不同组织间的影响差异巨大。它强调了如何使用 AI 对成功至关重要，从而促成了 DORA AI 能力模型的开发。该模型识别了七项经证实能放大 AI 积极影响的基础能力：明确的 AI 立场、健康的数据生态系统、AI 可访问的内部数据、强大的版本控制、小批量工作、以用户为中心的关注以及高质量的内部平台。文章还介绍了七种团队原型，以帮助组织评估其起点，并建议使用价值流映射来识别和解决系统性瓶颈，确保 AI 带来的效率提升能够有效发挥作用。最终，它强调 AI 的最大回报来自于投资于基础系统，而非仅仅是工具本身。
本文重点介绍了韦恩州立大学、Syntasa 和 Google Public Sector 之间成功合作，以革新社区健康需求评估（CHNA）流程。传统上，CHNA 是一项手动且耗时的联邦强制报告。新的解决方案 CHNA 2.0 利用 PHOENIX 项目的集成数据仓库（包含 EHR、人口统计、社会和环境数据）结合 Syntasa 情感分析。该平台从 Google 搜索和社交媒体中提取实时社区情绪，有效解决了传统调查数据时效性差的难题。CHNA 2.0 建立在 Syntasa 数据+人工智能平台之上，采用 Google Kubernetes Engine、Cloud SQL、云存储和 BigQuery，并利用 Vertex AI 和 Gemini 帮助分析师在数周而非数月内生成复杂的报告。这种人机混合智能方法不仅加速了报告创建，还实现了动态、不断更新的健康评估，使公共卫生官员能够获得及时见解以做出更具影响力的决策。迪尔伯恩市已成功实施 CHNA 2.0，展示了其在全国范围内更广泛应用的潜力。
本文宣布 Google Cloud 的 Apigee 正式支持模型上下文协议 (MCP)，通过远程 MCP 服务器为 Google 和 Google Cloud 服务提供企业级访问。Apigee 使开发者无需更改代码或管理 MCP 服务器，即可将其现有安全且受治理的 API 转换为 MCP 工具。这通过在 Apigee API hub 中创建“MCP 代理”实现，只需指定一个基路径和目标 URL，并包含一个 OpenAPI 规范，即可将该 API 注册为 MCP API。Apigee 提供 30 多个内置策略，用于授权、身份验证、安全和治理，确保受保护的 API 交互，并通过调试 UI 和分析功能，为智能体与 API 的交互提供端到端可见性。Apigee 的 MCP 支持消除了操作负担，提供工具的可观测性和治理，通过与 Cloud DLP、Model Armor 和 Apigee 高级 API 安全的集成，增强了全面的工具安全性，并能自动维护一个集中化的工具目录。该功能与 ADK 和 LangGraph 等各种智能体框架兼容，其中 ADK 专为 Apigee 和应用集成提供了集成工具集。Apigee 的 MCP 支持目前处于预览阶段。
Google Cloud 正通过与 Palo Alto Networks 等领先安全厂商建立更深层次的战略合作伙伴关系，扩大其“Google 统一安全推荐计划”，旨在构建一个开放、可互操作且由 AI 驱动的安全生态系统。Palo Alto Networks 的零信任防火墙网络架构及其 Cortex XDR 终端检测与响应平台现已与 Google 安全运营深度集成，共同提升了威胁检测、调查和响应能力。此次集成融合了终端（Cortex XDR）、网络（VM 系列下一代防火墙， Prisma Access）以及访问安全（SASE）功能与 Google 安全运营，从而实现 AI 驱动的分析和威胁搜寻。客户可通过 Google 安全运营的自动化响应流程（Playbooks）执行自动化响应操作。文章强调，此举旨在为客户提供更多选择与信心，最大限度地降低运营复杂性，加速风险缓解，并支持企业自信地推进其云计算和 AI 转型。这些推荐解决方案已在 Google Cloud Marketplace 上线，便于企业简化采购和部署。
本文概述了将商业智能平台 Looker 连接到 Gemini Enterprise 的分步过程，旨在通过 AI 增强数据可访问性。它利用 Looker 的模型上下文协议（MCP）数据库工具箱和代理开发套件（ADK）来创建一个能够与 Looker 数据模型交互的代理。该过程包括在 MCP 工具箱中设置 Looker 集成、将该工具箱部署到 Cloud Run、配置并将 ADK 代理部署到 Vertex AI Agent Engine，最后将此代理连接到 Gemini Enterprise。这种集成允许最终用户使用自然语言查询复杂的业务数据，通过为 AI 模型提供一致的语义层，将静态报告转化为活跃的、对话式的、辅助决策的数据资产。
AI 行业正将重点从训练生成式 AI 模型转向推理，目前推理占所有 AI 操作的 47%。自主和半自主 AI 智能体的崛起进一步巩固了这种主导地位，它们生成复杂的、多步骤的“智能体工作流”，触发连锁推理请求并显著增加需求，从而导致了“AI 效率差距”。这种差距被定义为 AI 理论性能与实际性能之间的差异，给许多组织带来了总拥有成本（TCO）危机。碎片化的 AI 基础设施，表现为超过 54% 的组织使用多种框架和硬件平台，导致计算成本增加（41.6%）、工程复杂性增加（40.4%）和延迟增加（40%）。此外，29% 的 AI 预算浪费归因于推理方面的不足，主要原因是 GPU 空闲时间过长和资源利用效率低下，这往往是数据管道缓慢造成的。推理工作负载分布在混合环境中，其中 63% 在云端，37% 在本地部署。为了弥合这一差距并有效管理 TCO，组织必须采用系统级设计方法，将通用计算和专用加速器，以及优化的软件、网络和存储，整合到一个内聚的系统中，以最大限度地提高资源利用率并改善性价比。
