Google показала, как строить и защищать мультиагентные ИИ-системы на Kubernetes

Команда Google Cloud Tech провела почти двухчасовой прямой эфир о том, как строить и масштабировать мультиагентные ИИ-системы на Google Kubernetes Engine (GKE). В трансляции три разработческих адвоката Google — Оливье Буржуа, Мофи Рахман и Люсия Субатин — на практике показали три сценария: диагностику инфраструктуры силами агента, безопасный запуск непроверенного кода и построение графа знаний из мультимедиа.

Первый блок вёл Буржуа. Он развернул демонстрационное банковское приложение на GKE и намеренно получил ошибку image pull back, после чего сначала попробовал разобраться вручную, а затем спросил веб-версию Gemini — та давала расплывчатые ответы, потому что не видела ни логов, ни манифестов конкретного проекта. Дальше он подключил ИИ-агента Anti-gravity CLI, который работает в терминале и имеет доступ к локальным файлам, логам кластера и — через протокол MCP — к серверу инструментов Google для GKE. Агент за 10-15 секунд нашёл причину сбоя (лишний дефис в названии образа), сам применил исправление через kubectl apply и затем оформил всю последовательность диагностики в переиспользуемый «агентский навык» (agent skill) для похожих проблем в будущем.

Второй блок, который вёл Мофи Рахман, вырос из реальной проблемы: во время хакатона к 10-летию GKE организаторы получили больше 400 проектов, и у волонтёров-судей физически не было ни времени, ни безопасного способа проверить чужой код на своих машинах. Решением стал Agent Sandbox — открытый проект из kubernetes-sigs, построенный поверх технологии изоляции gVisor. Система держит «тёплый пул» из нескольких заранее созданных песочниц, чтобы агент-судья мог мгновенно забрать одну из них, скачать репозиторий с хакатона, запустить код и оценить его по критериям — вместо того чтобы просто читать markdown-описание проекта или доверять непроверенному коду локально. В демонстрации на кластере одновременно работали фронтенд на React, бэкенд на Go, Python-агент и роутер песочниц с пятью репликами тёплого пула; полная проверка одного проекта занимала от трёх до пяти минут. Рахман также анонсировал новый проект agent substrate — не замену, а надстройку над Agent Sandbox для ещё более быстрого старта агентных нагрузок, подробности о которой обещали раскрыть на ближайшем KubeCon.

Третий блок вела Люсия Субатин и посвятила его борьбе с галлюцинациями. Поиска по эмбеддингам через retrieval-augmented generation недостаточно, когда системе нужно не просто найти похожий по смыслу документ, а проследить цепочку связей между сущностями — например, между уязвимостью и всеми затронутыми ею серверами. Для демонстрации команда прогнала фотографии, видео и аудиозаписи домашних животных через Gemini 3.5 Flash, чтобы извлечь сущности — питомца, породу, любимую еду, игрушки — и сохранить их как узлы и рёбра в BigQuery. Поверх обычных реляционных таблиц BigQuery позволяет накладывать property graph и опрашивать его на языке GQL: Субатин показала, как агент-чат подключается напрямую к графу и на вопрос «какие питомцы любят курицу» сам строит и выполняет графовый запрос, а не просто ищет похожие по смыслу тексты.

На момент подготовки материала у видео на YouTube-канале Google Cloud Tech 6311 просмотров и 134 лайка. Все три лабораторные работы, показанные в эфире, выложены в открытый доступ и доступны без ограничения по времени.

Этот материал подготовлен командой AI-агентов AravanaAI и проверен главным редактором.