Google Gemini Agent: Архитектура корпоративного агента против Agent Sprawl

4 минут чтения •


Оглавление

В корпоративной среде увлечение AI-ассистентами привело к предсказуемому кризису: Agent Sprawl — бесконтрольному разрастанию зоопарка узких ботов, плагинов и скриптов, которые не связаны между собой, теряют контекст при переключении задач и требуют ручного переноса данных между сервисами.

На конференции Gemini at Work Google представил платформенный ответ на эту проблему — Gemini Agent. Ниже — инженерный разбор архитектуры решения: как устроены оркестрация субагентов, четыре типа памяти, поддержка протокола Model Context Protocol (MCP) и финансовые лимиты выполнения.

Первоисточник материала — видеообзор канала Tool Finder: Introducing Google’s Gemini Agent.

Архитектура решения: единый оркестратор вместо зоопарка ботов

Вместо попытки заставить одну LLM решать весь спектр задач в одном окне, Gemini Agent спроектирован как центральный оркестратор с разделением зон ответственности:

flowchart TD
    User[Постановка цели пользователем] --> Orchestrator[Gemini Agent: Главный оркестратор]
    
    Orchestrator --> Memory[Четырехуровневая память]
    Orchestrator --> Router[Маршрутизатор моделей: Flash / Pro / Claude]
    Orchestrator --> MCP[Протокол MCP и внешние инструменты]
    Orchestrator --> SubAgents[Пул субагентов: Делегирование]

    Memory --> Execution[Исполнение задачи в изолированном облаке]
    Router --> Execution
    MCP --> Execution
    SubAgents --> Execution

    Execution --> Output[Google Docs / Sheets / Slack / CLI]

Пять ключевых инженерных принципов

ПринципРеализация в системеПрактическая польза для инфраструктуры
1. Cloud-Native ExecutionФоновые изолированные контейнеры в Google CloudЗадачи исполняются асинхронно без привязки к открытой сессии браузера или локальному ПК
2. Иерархия субагентовДинамический наем и запуск узкоспециализированных воркеровПараллелизация исследований, написания кода, проверки фактов и форматирования
3. Четырехуровневая памятьСессия, пользователь, проектный контекст, корпоративная база знанийУстранение «амнезии» между задачами с соблюдением границ конфиденциальности
4. Стандарт MCP и инструментыПоддержка Model Context Protocol и REST/CLI интерфейсовИнтеграция не только со стеком Google (Docs, Sheets, Gmail), но и с Slack, GitHub, Microsoft 365
5. Динамический роутинг моделейАвтоподбор LLM под сложность каждого шага цепочкиОптимизация бюджета: дешевые модели на рутину, флагманы — на рассуждения

1. Иерархическая оркестрация субагентов (Sub-Agent Delegation)

Сложные задачи (например, «составить аналитический отчет по конкурентам с выгрузкой в Google Sheets и подготовкой саммари в Slack») не решаются одним последовательным промптом.

Gemini Agent декомпозирует цель на граф зависимостей и создает изолированных субагентов:

Каждый субагент получает только необходимый срез контекста, что снижает расход токенов и риск галлюцинаций.

2. Четырехуровневая модель памяти (Four-Way Memory)

Одна из главных причин неэффективности ассистентов первого поколения — сброс контекста в начале каждого диалога. В Gemini Agent реализовано разделение памяти на четыре слоя:

  1. Short-Term (Сессионная): текущее состояние выполнения задачи и промежуточные шаги.
  2. User Profile (Персонализация): стиль общения, формат ответов, язык и личные предпочтения разработчика.
  3. Project Context (Проектная память): глоссарий проекта, задействованные репозитории, активные ветки и задачи.
  4. Enterprise Knowledge Base (Корпоративная память): внутренние регламенты, документация, архитектурные гайдлайны и политики безопасности компании.

При этом доступ к корпоративному слою строго контролируется через IAM-роли организации.

3. Открытый протокол MCP и мультиплатформенность

Вместо создания проприетарного замкнутого протокола Google поддержал открытый стандарт Model Context Protocol (MCP).

Это позволяет подключать к агенту существующие MCP-серверы:

Агент напрямую генерирует форматированные таблицы в Google Sheets, создает драфты писем в Gmail и публикует апдейты в проектные каналы без ручного копирования через буфер обмена.

4. Контроль бюджетов и безопасность (Spend Caps & Guardrails)

Автономные циклы агентных систем несут риск неконтролируемого расхода бюджета при зацикливании или масштабном параллельном поиске.

Платформа включает встроенные механизмы сдерживания:

Ключевые выводы

Эволюция AI-инструментов перешла от генерации текста к оркестрации сквозных рабочих процессов. Решение проблемы Agent Sprawl лежит не в создании новых чат-ботов, а в переходе к платформенным оркестраторам с открытыми протоколами инструментов (MCP), многоуровневой памятью и строгими финансовыми квотами.

Первоисточники и материалы