Google tối ưu hóa mã nguồn Python 200.000 dòng của Agent Development Kit chỉ sau một đêm bằng Gemini 4 Argon

Trang chủ InfoQ Tin tức Google tối ưu hóa cơ sở mã Python 200.000 dòng của Agent Development Kit chỉ sau một đêm bằng Gemini 4 Argon Phát triển Google tối ưu hóa cơ sở mã Python 200.000 dòng của Agent Development Kit chỉ sau một đêm bằng Gemini 4 Argon Ngày 24/10/2026 3 phút đọc Tác giả Sergio De Simone Theo dõi chúng tôi trên Youtube 232.000 người theo dõi Linkedin 26.000 người theo dõi Instagram Mới RSS 19.000 người đọc X 57.100 người theo dõi Facebook 21.000 lượt thích Bluesky Mới Nghe bài viết này - 0:00 Âm thanh đã sẵn sàng phát Trình duyệt của bạn không hỗ trợ thành phần âm thanh. 0:00 0:00 Bình thường 1,25x 1,5x Thích Danh sách đọc Google vừa công bố thông tin về quá trình vận hành tự động liên tục trong 11 giờ của mô hình Gemini 4 Argon, qua đó tạo ra hai giải pháp tối ưu hóa được phê duyệt áp dụng cho mã nguồn của Bộ công cụ phát triển tác tử (Agent Development Kit - ADK). Các cải tiến này giúp giảm khoảng 40% chi phí xử lý chuẩn bị phiên làm việc trong bộ nhớ đối với các phiên kéo dài và rút ngắn 21% thời gian nhập gói khởi động nguội (cold package import). Theo các kỹ sư của Google, một trong những mục tiêu thử nghiệm là tìm hiểu “cách thức mô hình xử lý một cơ sở mã hiện có” – nhiệm vụ phức tạp hơn đáng kể so với việc xây dựng “các ứng dụng hoàn toàn mới từ một thư mục trống”. Để kiểm chứng điều này, nhóm nghiên cứu đã tập trung tối ưu hóa hiệu năng cho ADK, một cơ sở mã có quy mô hơn 200.000 dòng lệnh trải rộng trên khoảng 800 tệp tin và bao gồm gần 17.000 bài kiểm thử đơn vị (unit test). Việc tối ưu hóa hiệu năng là một bài toán phức tạp đối với mô hình trí tuệ nhân tạo, bởi không thể phát hiện nguyên nhân làm chậm hệ thống chỉ bằng việc mở một tệp tin đơn lẻ. Quá trình này đòi hỏi mô hình phải phân tích đa chiều bên ngoài phạm vi xuất hiện triệu chứng và nắm bắt được sơ đồ liên kết của toàn bộ hệ thống mã nguồn trong suốt chu trình vận hành dài hạn. Sau lượt chạy thử nghiệm ngắn ban đầu nhằm xác định các yếu tố cần thiết trong câu lệnh (prompt) để bảo đảm tác tử tuân thủ quy ước về kiểm thử đơn vị và đánh giá hiệu năng (benchmarking), các kỹ sư Google đã thiết lập hướng dẫn đặc thù cho kho lưu trữ qua các tệp .agents/skills, tương tự “tài liệu hướng dẫn hội nhập cho một kỹ sư mới”. Tác tử được chỉ định chỉ tải các kỹ năng cần thiết cho tác vụ để tránh gây quá tải cửa sổ ngữ cảnh (context window). Cuối cùng, nhóm nghiên cứu đã áp dụng câu lệnh hoàn chỉnh với chế độ /goal của Antigravity nhằm duy trì tính nhất quán của mục tiêu qua các giai đoạn nén ngữ cảnh: /goal Bảo đảm ADK không tạo ra chi phí phụ trội đáng kể cho bất kỳ tác tử nào: khi khởi động, trong các phiên làm việc kéo dài, cũng như trong các cấu hình đa tác tử và quy trình làm việc (workflow). Giữ nguyên dữ liệu đầu vào của mô hình và giao diện lập trình ứng dụng công khai (API), đồng thời đi kèm mỗi thay đổi bằng một bài kiểm thử có khả năng phát hiện lỗi hồi quy (regression). Tạo một yêu cầu hợp nhất mã nguồn (pull request) vào nhánh chính mà các quản trị viên của ADK có thể phê duyệt, đính kèm số liệu đối chiếu trước và sau thay đổi trong phần mô tả. Không tiến hành hợp nhất. Google cho biết, sau khi hoàn thành nhiệm vụ, nhật ký ghi nhận của Argon cho thấy tác tử này đã đọc các hướng dẫn trong kho lưu trữ, thiết lập mốc hiệu năng cơ sở, đề xuất các phương án tối ưu, tự rà soát các sửa đổi và thực thi toàn bộ 16.892 bài kiểm thử đơn vị mã nguồn mở trước khi kết thúc. Đáng chú ý, Argon đã thực hiện công việc phân tích xuyên mô-đun phức tạp mà các công cụ đo hiệu năng (profiler) thông thường không thể đáp ứng. Một công cụ đo lường có thể chỉ ra việc sao chép phiên làm việc và nhập gói thư viện tiêu tốn nhiều thời gian, nhưng không thể truy vết từng hàm gọi, đối tượng giả lập và tham chiếu chia sẻ trên khắp 40 tệp tin để bảo đảm việc tăng tốc không làm ảnh hưởng đến các ứng dụng hiện có. Hai giải pháp tối ưu hóa được tiếp nhận vào cơ sở mã gồm có: cải thiện cách ADK xử lý lịch sử phiên làm việc bằng cách lọc các sự kiện trước khi sao chép, và áp dụng cơ chế nạp chậm (lazy loading) để ngăn chặn việc nhập các gói dữ liệu lớn khi chưa có nhu cầu sử dụng. Các cải tiến này đã giúp quá trình chuẩn bị phiên làm việc trong bộ nhớ và nhập gói thư viện diễn ra nhanh hơn lần lượt là 40% và 21%. Mặc dù các tác vụ này không tiêu tốn quá nhiều tài nguyên so với toàn bộ thời gian vận hành của một tác tử, Google lưu ý rằng ADK hỗ trợ các tương tác đa công cụ kéo dài qua hàng chục hoặc hàng trăm vòng lặp, từ đó giúp các mức cải thiện nhỏ tích lũy thành hiệu quả đáng kể: Đối với một lệnh gọi LLM đơn lẻ kéo dài vài giây, con người khó có thể nhận thấy mức chênh lệch 28 ms hay 78 ms. Tuy nhiên, qua 158 lượt tương tác gọi công cụ nội bộ, các thao tác sao chép này sẽ tích lũy lại: việc loại bỏ chúng giúp giảm thời gian chạy chuỗi 158 lượt từ 65,6 giây xuống 56,1 giây (tiết kiệm gần 10 giây chi phí phụ trội của nền tảng). Thực nghiệm của Google với Gemini 4 Argon trong việc tối ưu hóa cơ sở mã ADK đã chứng minh năng lực của các tác tử AI trong việc can thiệp và chỉnh sửa thành công các hệ thống mã nguồn sẵn có. Hiệu quả của các công cụ này hiện vẫn bị hạn chế bởi thời gian và công sức dành cho các tác vụ sau lập trình, bao gồm đánh giá PR, gỡ lỗi và kiểm thử. Các phát hiện của Google cũng khẳng định xu hướng này, khi công cụ Argon đưa ra 4 sửa đổi nhưng đều bị từ chối sau quá trình rà soát của các nhà phát triển do những lo ngại về độ tin cậy, khả năng bảo trì, tính tương thích hoặc lợi ích hiệu năng có thể đo lường được. Về tác giả Sergio De Simone Xem thêmThu gọn Đánh giá bài viết Mức độ ứng dụng Văn phong Đã liên hệ tác giả Nội dung này thuộc chủ đề Python Các chủ đề liên quan: Phát triển phần mềm AI, ML và Kỹ thuật dữ liệu Mã nguồn mở Mô hình ngôn ngữ lớn Google Python AI coding agents Nội dung biên tập liên quan Nhà tài trợ liên quan Phổ biến trên InfoQ AWS ra mắt bản xem trước của Well-Architected Agent Nhà phát triển bản sao Adobe tạo bằng AI cho biết sản phẩm "còn lâu mới hoàn thiện" Tương lai của ứng dụng web: Liệu các tác tử AI có trực tiếp tạo giao diện người dùng theo thời gian thực? Google áp dụng Pyref