谷歌通过Gemini 4 Argon进行一次11小时无人值守的ADK代码库优化，成功产出两项被采纳的优化方案，显著降低内存会话准备开销并缩短冷启动包导入时间。针对跨800个文件、超20万行代码的复杂代码库，团队采用系统性正交分析路径，通过文件规则适配、专用提示词生成及Antigravity的/goal模式等精准策略，完成智能体运行全流程，最终实现性能优化。两项改进涵盖事件过滤与懒加载机制，分别使内存会话准备速度提升40%、包导入时间缩短21%，且针对多轮连续工具交互场景，整体耗时从65.6秒压缩至56.1秒，性能提升幅度超10秒。尽管验证了AI智能体修改代码库的能力，但该优化效果当前仍受后续编码工作制约，如PR评审、调试及测试等环节。谷歌的实践证明凸显AI具备代码库优化潜力，但实际落地效果仍需后续人工核验，反映出编码优化与后续处理工作间的复杂关联。
--91likeyou---
/goal Make ADK add no noticeable overhead to any agent: at startup, in long sessions, in multi-agent and workflow setups. Keep what the model receives and the public API unchanged, and back each change with a test that would catch a regression. Open one pull request against main that the ADK maintainers would approve, with before and after numbers in its description. Don't merge it.复制代码
任务完成后，Argon 的运行日志显示：该智能体读取了仓库规范、建立了性能基准、提出了优化方案、审查了自己的变更，并运行了全部 16892 个单元测试。
更重要的是，Argon 完成了性能分析工具无法替你完成的跨模块基础工作。性能分析工具会告诉你复制会话和导入包很耗时，但它不会追踪 40 个文件中的每一个调用者、mock 目标和共享引用，确保加速这些路径不会破坏现有应用。
最终被采纳进代码库的两项优化改进了 ADK 处理会话历史的方式——在复制事件前先进行过滤，并引入了懒加载机制，大型包只在需要时才导入。
这两处改动分别将内存会话准备和包导入速度提升了 40% 和 21%。谷歌提到，与智能体运行的整体时长相比，这些任务的开销并不算巨大，但 ADK 支持跨越数十甚至数百次迭代的多工具交互，这让这些微小的性能提升得以复利累积：
对于单次耗时数秒的大模型调用来说，28 毫秒或 78 毫秒的差异人类感知不到。但如果是连续 158 轮内部工具调用交互，这些操作的耗时就会叠加：消除这些开销后，整个 158 轮流程从 65.6 秒缩短至 56.1 秒，足足减少近 10 秒的纯框架开销。
虽然谷歌用 Gemini 4 Argon 优化 ADK 代码库的实践证明 AI 智能体有能力成功修改现有代码库，但其有效性目前仍受限于编码之后的后续工作量，包括 PR 评审、调试和测试。谷歌的发现证实了这一趋势：Argon 产出的 4 项修改在开发者评审时因可靠性、可维护性、兼容性或实际性能提升不达预期而被拒绝。
查看英文原文：
🔥 热词：#谷歌开放Gemini 4 Argon · #谷歌发布 Gemini 4 Argon · #Google Gemini 4 Argon · #谷歌大模型开发代号Argon · #谷歌大模型argon版本 · #谷歌gemini 4 c · #谷歌 Gemini 4 Argon · #谷歌上架Gemini 4 Argon