Gemini 4 Argon 值了一个夜班：给谷歌 ADK 提两个 PR，长会话开销降 40%

性能优化最难的部分，从来不是找到瓶颈，而是搞清楚”改了这里会不会弄坏别处”。分析工具能告诉你某个函数耗了 78 毫秒，但它不会告诉你，这个函数被 40 个文件以各种方式调用着。谷歌最近公布的一次实验，让 Gemini 4 Argon 独自在这个问题上干了一个通宵。

一分钟速览

• Gemini 4 Argon 无人值守运行 11 小时，为谷歌 ADK 代码库产出两项被采纳的优化
• 目标代码库约 800 个文件、超 20 万行代码、近 17000 个单元测试
• 长会话内存准备开销降低约 40%，冷启动包导入时间缩短 21%
• 158 轮工具调用的完整流程从 65.6 秒降到 56.1 秒
• 另有 4 项改动被开发者评审拒绝，原因是可靠性、可维护性、兼容性或收益不达预期

为什么要拿自己的代码库开刀

谷歌工程师给这次实验定的目标很明确：看模型怎么处理”已经存在的代码库”。他们特别强调，这比”从空文件夹开始构建一个全新应用”难得多。新应用没有历史包袱，模型想怎么写就怎么写；存量代码库里每一个看起来多余的分支，背后可能都有一份没人记得的兼容性承诺。

他们选的靶子是自家的 Agent Development Kit（ADK）：横跨约 800 个文件、超过 20 万行代码、近 17000 个单元测试。这个规模的代码库里，性能瓶颈不会躺在某个显眼的位置，你必须顺着症状蔓延的方向做正交分析，并在长时间运行中建立起整个仓库的关联全貌。

关键在提示词，不在模型

这次实验最值得抄的部分是他们的提示词工程。第一步是一轮简短试运行，确定提示词里必须包含什么，确保智能体遵守团队的单元测试与基准测试规范。第二步是用文件配置写清代码库专属规则，谷歌把它比作”新工程师的入职指南”。第三步是要求智能体只加载任务所需的技能，避免把上下文窗口塞满。

最关键的是 /goal 模式。他们在指令里写死了一段目标声明：让 ADK 在启动、长会话、多智能体和多工作流配置下都不引入明显开销；保持模型收到的内容和公共 API 不变；每项改动都要配一个能抓住回归的测试；对 main 提一个 ADK 维护者会批准、描述里带前后数据的 PR；不要合并。

这段话信息密度很高：明确了不变式（内容与 API 不变）、验收标准（能抓回归的测试）、交付形式（一个 PR）、以及边界（不许自己合并）。长时间运行最容易出的问题就是目标漂移，尤其是在上下文被压缩之后，模型会逐渐忘记最初要解决什么。/goal 的作用就是把目标钉在上下文之外。

它做对了什么，又做错了什么

运行日志显示，Argon 读完了仓库规范、建立了性能基准、提出了优化方案、审查了自己的改动，并跑完了全部 16892 个单元测试。它完成的是性能分析工具无法替代的那部分跨模块基础工作：追踪 40 个文件里每一个调用者、mock 目标和共享引用，确认加速这些路径不会破坏现有应用。

最终被采纳的两项改动都跟会话历史处理有关：在复制事件前先做过滤，以及引入懒加载，让大型包只在需要时才导入。前者让长会话的内存准备开销降了约 40%，后者让包导入时间缩短 21%。

不过这些数字单看并不惊人。谷歌自己也说，相对于智能体运行的总时长，这点开销不算大。真正的意义在于复利：ADK 支持跨越数十甚至数百次迭代的多工具交互，28 毫秒、78 毫秒这样的差异人感觉不到，但连续 158 轮内部工具调用叠加起来，整个流程从 65.6 秒缩短到 56.1 秒——近 10 秒的纯框架开销被消掉了。

另一面同样重要：Argon 一共提了若干项修改，其中 4 项在开发者评审时被拒，理由是可靠性、可维护性、兼容性不达标，或实际性能提升不如预期。这个比例说明，AI 改存量代码的能力是真实的，但它的产出必须经过人类评审才能落地。

瓶颈已经从”写”转移到”审”

这次实验最有价值的结论不是”AI 能优化代码”，而是它暴露了新的瓶颈位置。当模型能在 11 小时里读完 20 万行代码、跑完 1.7 万个测试、提出带前后数据的 PR，接下来限制产出速度的就是人类评审的带宽：要判断一项改动是否安全、是否值得维护、是否会在半年后变成新的技术债。

这个判断和行业里正在发生的事对得上。今年的编码智能体产品，几乎都在往”可审查”的方向做：更小的 diff、更强的测试生成、更明确的变更说明。因为当生成变得便宜，验证就成了稀缺资源。

一句话总结

Gemini 4 Argon 这个夜班证明了一件事：AI 已经能承担存量代码库里最枯燥的那部分分析工作，且产出质量足以进入正式评审。但从”提了 6 项改了 2 项”这个结果看，它也诚实地划出了当前的天花板——AI 能提出方案，人类仍然要为”这个改动会不会在两年后咬人”负责。