Agent 搭起来了，成本怎么控制？

Agent 开发、产品出海、海外投放、成本控制，这是最近的 AI 创业者都在关注的热点。

针对这些热点问题，Founder Park 与 Google 联合组织了一系列的线上 Workshops，共三期，每一期我们邀请到一位资深专家深入聊一个主题：

• 企业如何从 0 到 1 完成海外增长；

• AI Agent 开发的实操技巧；

• 如何将 AI Agent 的运行成本控制做到极致？

前两场分享，干货满满。我们选取了其中的部分精彩内容进行了整理。同时，我们的第三期 Workshop 活动将在下周二（9 月 16 日）举行，我们邀请到了 Google Cloud 应用现代化专家刘凡，来分享使用 Cloud Run 开发的技巧，以及如何做到极致的成本控制。

• 如何根据实时请求量，将实例迅速扩展到上千个？

• 如何通过「无请求即零成本」的模型，让 Al Agent的运行成本降至为零？

以及更多真实运维案例演示。扫下方二维码免费报名参与。

01 

海外增长，项目第一天起就要高度关注盈利

8 月 28 日，第一场 Workshop 分享，我们邀请到了 Google 大中华区新客户部移动业务负责人严欣怡，围绕「企业如何从 0 到 1 完成海外增长」的主题进行了分享。

在服务了大量经历从 0 到 1 增长阶段的中国 AI 出海企业后，欣怡总结了 AI 时代下企业与以往截然不同的三个显著特征：一是爆发性的产品驱动增长，绝大多数 AI 公司采用了 B2C 或 B2P 模式，依靠产品本身的功能和价值来吸引和转化用户；二是「零日即盈利」的清醒思维，许多 AI 创业者从项目第一天起就高度关注收入，将盈利引入考虑范畴；三是更愿意尝试 AI 工具进行投放，希望用 AI 的方式来解决增长问题，从「被动接受」转向了「主动探索」。

如何更好利用 AI 技术进行宣传推广、提高广告投放效果？欣怡从全新的广告位、传统营销产品的革新，以及创意素材的制作革命三个层面进行了拆解。

• AI 时代新的广告位：由 AI 来驱动的搜索体验。以谷歌为例，随着 Gemini 模型融入搜索，出现了 AI Overview 和 AI Mode 等新形态。广告已经不再是简单的链接，而是能被智能地植入到 AI 生成的答案摘要和深度对话中，发生了从「关键词匹配」到「用户需求预判」的转变。

• 对于传统营销产品的革新：从「关键词」到「用户意图」的转变。以谷歌为例，谷歌最经典的搜索广告通过 AI MAX 进行了重塑。它能超越广告主设置的关键词列表，通过 AI 理解用户模糊搜索背后的真实意图，并将广告精准匹配，发掘了过去无法触及的增量市场，带来了 更高效率的增量转化。

• 创意素材的制作革命：AI 提效生产。创意素材一直是广告投放中成本最高、最耗费人力的环节之一。无论是将一张产品图自动生成不同尺寸的模特穿戴图与动态视频素材，还是将竖版视频智能转换为更适配YouTube平台的的横版视频格式（ROI 提升 2-3 倍），AI 技术都极大地降低了创意生产的门槛，让高质量广告素材的规模化制作成为了可能。

下周二，第三期线上分享，Google Cloud 应用现代化专家刘凡，分享使用 Cloud Run 开发的技巧，以及如何做到极致的成本控制。扫文末海报二维码免费报名。

02 

AI Agent 开发技巧：

从告诉机器「如何做」到让 Agent 理解「做什么」

9 月 4 日，在第二场 Workshop 分享，有幸请到 Google Cloud AI 专家史洁围绕「开发 AI Agent 实操技巧」的主题进行了分享。

从传统的确定性编程到面向大模型的概率性编排的思路转变，是分享中最核心的一点。在当下的 Agent 构建中，开发者要从编写精确指令告诉机器「如何做」，转变为通过定义角色和目标来让 Agent 理解「做什么」。同时，从一次性的开发测试，转向建立自动化的、持续评估与迭代的闭环。

那如何将一个 Agent 从有趣的 Demo 推向稳定可靠的生产应用？史洁提到了必须要系统性解决的三大核心难题：可预测性、稳定性与 Day-2 运维（AgentOps）。

• LLM 天然存在的「幻觉」和非确定性，开发者需要通过选用最先进的模型、利用 RAG 或联网对其进行「接地」（Grounding）、引入思维链等结构化提示等方式，最大限度地约束其不确定性。

• 如何确保 Agent 能正确选择工具、处理调用失败、保障数据安全，是稳定性的核心。解决方案在于采用 MCP 等标准化协议、设计重试与容错机制、并建立「人类介入」回路 （Human-in-the-Loop） 作为最后的保险，确保系统在智能体出错或无解时依然稳健。

• Agent 的决策过程像一个「黑盒」，使得调试、追踪和性能优化变得异常困难。AgentOps 要求开发者从一开始就建立详尽的日志与轨迹记录、搭建自动化的评测体系（如同软件开发的 CI/CD）、并利用追踪工具点亮黑盒，从而实现对 Agent 行为的有效监控和管理。

同时，史洁还详细地介绍了 Google 从开发、部署到运维的各种工具的使用技巧，包括核心开发框架ADK、A2A 协议、Vertex AI Agent Engine 等。

此外，在最后的观众答疑环节，观众们结合自身在开发中的实践与困惑，提出了许多高质量的问题。我们列举其中的两个精彩问答：

Q：在多智能体协同 （A2A） 中，如何确保「总管」Agent 能精准选择到正确的「专家」Agent？

A：在 A2A 协议中，确保「总管」Agent 能精准选择到正确的「专家」Agent，核心在于精心编写 Agent Card，你可以把它想象成每个「专家」Agent 的个人简历或名片。这张名片上必须极其清晰、准确、无歧义地描述这个 Agent 的能力 （Capability） 和技能 （Skill）。

这个问题的背后，本质上是一个 Prompt Engineering 的最佳实践，无论是定义工具，还是编写 Agent Card，你都必须站在 LLM 的视角，用它最容易理解的方式去描述功能和边界。

同时，还需要建立一个持续的评估闭环。通过评测集，量化「总管」Agent 将不同类型的任务正确分发给目标 Agent 的准确率。根据评测结果，分析分发错误的案例，回头去优化那些写得不够清晰的 Agent Card，直到准确率达到生产要求。

Q：如何平衡 Agent 的响应速度、Token 成本和结果质量的「不可能三角」？

A：这是一个典型的资源优化问题。两步走的策略：首先，在战略上，不要盲目追求最强的模型，而是通过严格评估，找到能满足你业务需求的、性价比最高的「甜蜜点」（Sweet Spot） 模型。

其次是，在战术上，大力投入精细化的「上下文工程」，在 Agent 执行的每一步都为 LLM 精心构建最简短、最相关的上下文，绝对不要粗暴地将所有历史对话记录都丢给模型，避免因喂入冗余信息而导致不必要的 Token 消耗和延迟增加。

工作的重心应该放在为每一步 LLM 调用动态地、智能地构建上下文。

• 在对话开始时，从 Memory Bank 中精准检索出与当前任务最相关的几条长期记忆。

• 在任务执行中，只提取上一步工具调用的最关键的输出结果，而不是完整的 API 响应。

• 对冗长的历史对话进行智能摘要，只保留核心信息。

03 

如何将 AI Agent 的运行成本控制做到极致？

下周二（9 月 16 日），我们将推出第三期线上分享，邀请到了 Google Cloud 应用现代化专家刘凡，来分享使用 Cloud Run 开发的技巧，以及如何做到极致的成本控制。

本次分享将深入探讨：

• Cloud Run 如何根据实时请求量，在几秒内从零将实例扩展到数百上千实例？

• 如何通过「无请求即零成本」的模型，将 AI Agent 的运行成本可以降至为零？

• 通过生动的例子，解锁 Cloud Run 提升 AI 服务弹性的关键策略，洞察如何通过其动态伸缩能力平衡稳定性与成本控制。

欢迎扫描下方海报二维码报名，名额有限，报名需经审核。