谷歌近日披露了其利用大模型自动优化代码库的一次实践：在一次持续11小时的无人值守运行中，Gemini 4 Argon针对Google Agent Development Kit的Python代码库产出两项优化方案，并均已被采纳。该代码库规模约20万行。
据谷歌公布的数据，两项优化分别针对长会话场景下的内存会话准备开销与冷包导入时间。其中，长会话的会话准备内存开销降低约40％，冷包导入时间缩短21％。这两项指标直接关系到智能体应用在长时间运行和首次加载时的资源占用与响应效率。
Agent Development Kit是谷歌面向智能体开发推出的开发套件，帮助开发者在自有应用中构建、编排和部署基于大模型的智能体。随着智能体应用从演示走向生产环境，代码库的性能瓶颈、内存占用和启动延迟成为工程团队需要持续处理的问题。此次优化由AI自动完成并被合并入代码库，意味着大模型在软件性能调优环节的参与度进一步提升。
从行业角度看，让大模型直接读取并修改大规模生产代码库，仍是代码智能体落地过程中门槛较高的场景。此类任务要求模型在长上下文下理解跨文件的调用关系，并给出可通过测试与评审的改动。谷歌此次公布的案例显示，在限定目标和无人值守的运行模式下，模型可以在数小时内产出可被工程团队接受的优化结果，这为AI辅助软件维护提供了新的参考样本。
目前谷歌未披露该优化流程是否会推广至更多内部代码库，也未说明Gemini 4 Argon在类似任务中的成功率与稳定性表现。若此类自动优化能够在更多项目中复现，企业软件与开发者工具的性能维护方式可能随之改变。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
