۱۳ دموی گوگل برای Agent Platform سازمانی

گوگل کلاد در ۱۸ ژوئیه ۲۰۲۶ یک بسته آموزشی و فنی مهم برای تیم‌های enterprise منتشر کرد که فقط مجموعه‌ای از نمونه‌کدهای پراکنده نیست. این بسته ۱۳ دموی رسمی برای Gemini Enterprise Agent Platform را کنار هم می‌گذارد تا چرخه کامل ساخت، استقرار، حاکمیت و بهینه‌سازی عامل‌های سازمانی را نشان دهد. اهمیت خبر در این است که گوگل عملاً به سازمان‌ها می‌گوید Agent Platform را نباید فقط یک محیط prototype برای agentها دید؛ این پلتفرم دارد به یک operating model برای AI سازمانی تبدیل می‌شود.

برای سایت ایران سرور نیوز، جذابیت این خبر در وجه زیرساختی آن است. بیشتر سازمان‌ها امروز یا در مرحله demo هستند یا درگیر این مسئله‌اند که چگونه agentها را از sandbox توسعه به محیط production منتقل کنند، بدون آنکه کنترل هویت، telemetry، governance و امنیت از دست برود. ۱۳ دموی گوگل دقیقاً به این گلوگاه پاسخ می‌دهند و به‌جای حرف کلی، patternهای اجرایی ارائه می‌کنند.

لید خبری

به‌زبان ساده، گوگل کلاد می‌خواهد نشان دهد که ساخت یک agent خوب فقط با prompt و model تمام نمی‌شود. یک stack سازمانی باید از build و memory تا runtime، front-end، identity، access control، evaluation و continuous optimization را پوشش دهد. این ۱۳ دمو در کنار هم نقش نقشه راه عملی برای همین بلوغ را بازی می‌کنند.

نکات مهم

گوگل این مجموعه را حول چهار فاز build، scale، govern و optimize سازمان داده است.
بخش build از ADK، workflowهای graph-based، agentهای human-in-the-loop و اتصال به داده از طریق MCP استفاده می‌کند.
بخش scale روی Agent Runtime، Memory Bank، agentهای long-running و frontend مبتنی بر Cloud Run تمرکز دارد.
در بخش governance، Agent Gateway، هویت یکتای agent، mTLS، IAP، IAM و Model Armor به‌صورت صریح وارد معماری می‌شوند.
در بخش optimize، AutoRaterها، traceهای OTel و تحلیل failure cluster برای بستن quality loop به کار می‌روند.

معرفی فنی

گوگل در فاز build کار را از مبنا شروع می‌کند. ADK Foundation codelab مسیر ساخت agent اولیه را می‌دهد، اما مهم‌تر از آن دموی expense agent است که از API گرافی ADK 2.0 برای workflow استفاده می‌کند و human-in-the-loop را از روز اول وارد طراحی می‌سازد. در همان الگو، ورودی‌های کم‌ریسک خودکار تأیید می‌شوند و موارد بالاتر از آستانه از screen امنیتی، تحلیل compliance و مرحله بازبینی انسانی عبور می‌کنند. این تصمیم طراحی مهم است، چون نشان می‌دهد گوگل agent را جانشین کامل انسان تعریف نمی‌کند، بلکه آن را درون فرایند controlled قرار می‌دهد.

دموی MCP هم برای تیم‌های زیرساخت حیاتی است. گوگل صریحاً نشان می‌دهد که agentها باید بتوانند BigQuery را query کنند، فایل‌ها را بخوانند و API فراخوانی کنند، اما از طریق ابزارهایی که reusable و استاندارد باشند. MCP اینجا فقط یک buzzword نیست؛ لایه‌ای است که اتصال agent به منابع داده و ابزارها را قابل‌انتقال و چندفروشنده‌ای می‌کند. همین موضوع برای سازمان‌هایی که از یک vendor قفل‌شده گریزانند، نکته مهمی است.

تغییرات یا مشخصات

در فاز scale، پیام گوگل بسیار روشن‌تر می‌شود. دموی stateful data science agent نشان می‌دهد Agent Runtime و Memory Bank چگونه حافظه و session را از دوش تیم مهندسی برمی‌دارند. سپس الگوی long-running agent وارد می‌شود: agentهایی که روزها یا هفته‌ها دوام می‌آورند، با durable state machine، idle handling رویدادمحور و checkpoint-and-resume. این دقیقاً همان بخش گمشده بسیاری از پروژه‌های AI سازمانی است؛ جایی که prototype خوب است اما با restart کانتینر یا قطع یک workflow همه چیز از بین می‌رود.

گوگل بعدتر این تصویر را با frontend کامل‌تر می‌کند: داشبورد مدیریتی روی Cloud Run، اتصال به Agent Runtime از طریق pipeline مبتنی بر Pub/Sub و احراز هویت OIDC. این فقط UI نیست؛ یک الگوی end-to-end برای agent production است که human resume، observability و orchestration را کنار هم می‌گذارد. افزوده شدن Cloud Trace، Cloud Logging و BigQuery Agent Analytics هم نشان می‌دهد platform از روز اول به telemetry فکر کرده است، نه اینکه observability را بعداً به سیستم بچسباند.

کاربرد سازمانی

بخش governance احتمالاً مهم‌ترین قسمت این معرفی برای مدیران پلتفرم است. گوگل نشان می‌دهد که agent سازمانی باید lifecycle امن داشته باشد؛ از pre-commit hook و تهدیدمدل STRIDE تا PreToolUse gate که اقدام پرریسک را قبل از اجرا می‌بندد. سپس Agent Gateway، هویت مجزای agent، mTLS سرتاسری، IAP، IAM و Model Armor را به زنجیره فراخوانی ابزارها اضافه می‌کند. برای سازمانی که می‌خواهد agent را به MCP serverها، APIهای داخلی یا Cloud Run وصل کند، این همان قسمت غیرقابل‌حذف معماری است.

در بخش optimize هم گوگل به نکته مهمی اشاره می‌کند: انتشار agent پایان کار نیست. بدون quality flywheel، هر تغییر prompt یا ابزار می‌تواند در سه مثال بهتر و در ده سناریو بدتر شود. AutoRaterها، traceهای OTel و analysis شکست‌ها، agent engineering را از حس و تجربه فردی به فرایند قابل‌سنجش نزدیک می‌کنند. این دقیقاً چیزی است که تیم‌های enterprise برای کنترل drift، regression و هزینه نیاز دارند.

محدودیت‌ها و زمان عرضه

البته این بسته هنوز معادل «کلید در دست» نیست. سازمان‌ها باید تیمی داشته باشند که بتواند ADK، Runtime، Cloud Run، Pub/Sub، IAM و سیاست‌های امنیتی را در یک معماری منسجم جا بدهد. همچنین استفاده درست از Agent Gateway و Model Armor به تعریف دقیق boundaryها و policyها وابسته است. اگر governance به‌درستی تنظیم نشود، agent هرچقدر هم قدرتمند باشد می‌تواند به منبع پیچیدگی تازه تبدیل شود.

با این حال، ارزش راهبردی خبر در این است که گوگل مجموعه‌ای از patternهای production-ready را از حالت پراکنده بیرون آورده و در قالبی واحد عرضه کرده است. این کار فاصله بین demo و production را برای تیم‌های enterprise کوتاه‌تر می‌کند.

جمع‌بندی تحلیلی

خلاصه اینکه ۱۳ دموی تازه گوگل، Agent Platform را از سطح «جایی برای ساخت agent» به سطح «پلتفرم عملیاتی AI سازمانی» هل می‌دهند. وقتی ADK، Agent Runtime، Cloud Run، MCP، mTLS، IAP، Model Armor و AutoRater در یک داستان منسجم کنار هم قرار می‌گیرند، تیم فنی بالاخره می‌تواند درباره agentها مثل هر سرویس production دیگر فکر کند: با هویت، telemetry، guardrail و quality loop. برای مطالعه بیشتر، دسته نرم‌افزار زیرساخت و گزارش قبلی ما درباره ورود عامل‌های AI به عملیات روزمره زمینه مرتبط را کامل‌تر می‌کنند.

گوگل کلاد ۱۳ الگوی عملی برای ساخت، استقرار و حاکمیت عامل‌های سازمانی در Agent Platform منتشر کرد