← Все новости

AI ·

Gemini 4 Argon за ночь оптимизировал 200-тысячную кодовую базу ADK PythonGemini 4 Argon optimized the 200K-line ADK Python codebase overnight

Google рассказала, как модель 11 часов без присмотра работала над репозиторием Agent Development Kit: 800 файлов, почти 17 тысяч тестов. Итог — подготовка сессий на 40% дешевле и холодный импорт на 21% быстрее; 4 изменения ревьюеры отклонили.Google described how the model worked unattended for 11 hours on the Agent Development Kit repo: 800 files, nearly 17k tests. The result: 40% cheaper session preparation and 21% faster cold imports; reviewers rejected 4 changes.

Google опубликовала кейс: Gemini 4 Argon 11 часов без участия человека оптимизировал репозиторий Agent Development Kit (ADK) для Python — более 200 тысяч строк, около 800 файлов и 16 892 юнит-теста. InfoQ разобрал его 24 октября.

Как это было устроено

  • Использовался режим /goal в Antigravity — агент получает цель и работает над ней автономно.
  • Знания о репозитории передавались через инструкции в .agents/skills: как собирать, тестировать и что нельзя ломать.
  • Обязательный критерий — все тесты проходят.

Результаты

  • Подготовка сессии в длинных диалогах — примерно на 40% дешевле.
  • Холодный импорт — на 21% быстрее.
  • Прогон с 158 вызовами инструментов — с 65.6 до 56.1 секунды.

Ревьюеры отклонили 4 изменения; открыт один pull request, и он пока не слит.

Чему стоит научиться

Кейс показательный не цифрами, а процессом: агенту дали измеримую цель, полный набор тестов как страховку и явные правила репозитория, а человек остался на этапе ревью. Ровно эти три вещи — метрика, тесты, инструкции — определяют, получится ли повторить такой результат на своём проекте. Без хорошего покрытия тестами автономная оптимизация превращается в лотерею.

Google published a case study: Gemini 4 Argon spent 11 unattended hours optimising the Agent Development Kit (ADK) for Python repo — over 200k lines, about 800 files and 16,892 unit tests. InfoQ covered it on Oct 24.

How it was set up

  • It used Antigravity’s /goal mode — the agent gets a goal and works on it autonomously.
  • Repo knowledge was passed through instructions in .agents/skills: how to build, how to test, and what must not break.
  • A hard requirement: all tests must pass.

Results

  • Session preparation in long conversations is about 40% cheaper.
  • Cold import time is 21% lower.
  • A 158-turn tool-calling run went from 65.6 to 56.1 seconds.

Reviewers rejected 4 changes; one pull request was opened and has not been merged yet.

What to learn from it

The case is telling not for its numbers but its process: the agent got a measurable goal, a full test suite as a safety net and explicit repo rules, while a human stayed at the review stage. Those three things — metric, tests, instructions — decide whether you can repeat this on your own project. Without good test coverage, autonomous optimisation becomes a lottery.

Источники