KeyFrame內部研究專用

Day 5 - Google AI Agents Intensive Vibe Coding Course 2026 | Production Grade Development

RK Tech Edge·6月19日週五·16 min英文

三句話摘要

Google AI Agents 五日集訓第五天:將費用審核 AI Agent 部署至 Google Cloud,並實現端對端測試與可觀測性監控。 將 AI Agent 部署至生產環境只是第一步,真正讓系統可靠運作的關鍵在於可觀測性(Logs)與端對端測試,而非僅憑本地運行正常就算完成。 付費帳號是硬性門檻:Agent-to-Agent Runtime 部署需要 Google Cloud 訂閱帳號,一般免費帳號無法執行,講者借用朋友帳號完成示範。

重點整理

重點
  • 1

    付費帳號是硬性門檻:Agent-to-Agent Runtime 部署需要 Google Cloud 訂閱帳號,一般免費帳號無法執行,講者借用朋友帳號完成示範。

  • 2

    Spec-Driven 開發流程貫穿全程:AI Agent 根據規格(Spec)自動生成應用、實作、測試、發現問題後自動修正再重新發布,展示了規格驅動開發的完整閉環。

  • 3

    模型選擇影響資源消耗:Opus 能力優於 Sonnet,但消耗 credit 更快;在資源有限情況下,講者改用 Sonnet 以維持課程進行。

  • 4

    Observability 是生產環境的核心能力:透過 Logs 可追蹤每一筆請求的處理時間、JSON 輸入輸出與回應內容,是偵測效能問題與除錯的關鍵工具。

實用技巧與重點

乾貨
  • 平台:Kaggle、Google Cloud、Agent CLI、ADK(Agent Development Kit)
  • 模型:Claude Opus、Claude Sonnet(Sonnet 消耗 credit 較少)
  • 服務:Cloud Run、PubSub(訂閱主題)、Agent Runtime Engine
  • 費用審核邏輯:費用 ≤ $100 → AutoApprove;費用 > $100 → 等待主管審批
  • 三個測試情境:$50(自動批准)、$250(主管審批)、$1億(拒絕)
  • 工具:SessionService(管理會話狀態)、TerminalBasicService、Playground 介面
  • 前端生成物:首頁 HTML、Python 後端檔案、路由關係設定
  • 課程第一至五天參與人數趨勢:第一天 3542 → 第二天 1400 → 第三天 800 → 第四天 439(逐日遞減)
  • 清除資源步驟:刪除 Cloud Run 服務、Expense Manager Dashboard、PubSub 訂閱主題

結論

結論

將 AI Agent 部署至生產環境只是第一步,真正讓系統可靠運作的關鍵在於可觀測性(Logs)與端對端測試,而非僅憑本地運行正常就算完成。

完整解析

詳細

這是 Google AI Agents Intensive Web Coding 2026 課程的第五天,也是最終日。課程核心主題是將 AI Agent 從本地開發環境推進到真實的生產部署,並學習如何透過可觀測性工具監控與管理運作中的系統。講者說明,這套部署流程需要 Google Cloud 的付費訂閱帳號,由於自己沒有,特地借用朋友的帳號完成示範,整個認證過程甚至需要即時撥打電話確認,顯示帳號門檻是這門課程的實際挑戰之一。

課程延續第四天建立的「費用審核 Agent」場景:當費用低於 $100 時系統自動批准,超過 $100 則需要等待主管人工審核。在這個基礎上,第五天的任務是將該 Agent 部署至 Google Cloud 的 Agent Runtime,並在其上建立一個前端 Web 應用程式,讓使用者能透過介面提交費用請求、查看審核狀態,主管也能進行批准或拒絕操作。講者採用 Spec-Driven 開發方式——由 AI 根據規格自動生成頁面、Python 後端與路由設定,過程中發現錯誤後自動修正並重新部署,完整呈現了 AI 輔助開發的閉環流程。

在模型選擇上,講者原本嘗試使用 Claude Opus(能力更強),但因 credit 消耗過快,剩餘不足 1%,最終改用 Claude Sonnet 繼續執行,這個細節清楚說明了在資源受限的實際環境中,模型選型必須考量成本與效益的平衡。部署完成後,講者執行了三個端對端測試情境:$50 費用被自動批准、$250 費用進入主管審批流程(並實際在介面上點擊批准)、$1 億費用則被拒絕,三種情境均通過驗證。

最後,講者展示了 Observability 的核心價值:透過 Google Cloud 的 Logs 介面,可以查看每一筆 Agent 請求的處理時間、傳入的 JSON 字串、系統回應內容與請求圖形,這對於生產環境中偵測效能瓶頸與除錯至關重要。課程結束前,講者依照清潔活動步驟刪除所有建立的 Google Cloud 資源,包含 Cloud Run 服務、Expense Manager Dashboard 與 PubSub 訂閱主題,確保不產生額外費用。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。