AI-translated from English; not yet reviewed by a fluent editor. # Google schlägt einen dreischichtigen Agenten-Stack für Biotech vor > Googles Biotech-Referenzdesign trennt Agentenplanung, wissenschaftliche GPU-Berechnungen und Zugriffskontrollen. Der kombinierte Ablauf bleibt ein Vorschlag ohne Messwerte. By BIG CHANGE Editorial Published: 2026-10-18T17:10:34.892Z Updated: 2026-10-18T17:10:34.892Z Canonical: https://bigchange.ai/blog/google-biotech-agent-architecture ![Conceptual charcoal illustration of a researcher examining a ball-and-stick molecular model, with generic compute racks in a separate room behind glass.](https://bigchange.ai/api/media/file/google-biotech-compute-concept-v2.png) AI-generated conceptual illustration by BIG CHANGE; no actual Google facility, completed biotech workflow, drug candidate or test result is depicted. Google Cloud hat eine Referenzarchitektur für Biotech-Agenten veröffentlicht, die einen planenden Agenten von GPU-intensiven wissenschaftlichen Berechnungen und den Kontrollen für beide trennt. Der [Designbeitrag vom 16. Oktober](https://cloud.google.com/blog/topics/healthcare-life-sciences/architecting-scalable-agentic-biotech-workloads) beschreibt, wie ein Team für Wirkstoffforschung Proteinfaltung, Molekülgenerierung und die Prüfung von Leitverbindungen auf Google Cloud koordinieren könnte. Er zeigt ein Muster und einen Beispiel-Stack, aber keine vermessene Kundeninstallation, kein Durchsatzergebnis und keinen validierten Wirkstoffkandidaten. Diese Unterscheidung ist für Teams wichtig, die Agentensysteme in der Forschung bewerten. Ein Sprachmodell kann Arbeit verteilen und Ergebnisse zusammenfassen, doch eine Proteinstruktur oder Docking-Trajektorie ist zu groß für gewöhnlichen Chat-Kontext. Wissenschaftliche Berechnungen haben außerdem eine eigene Laufzeitumgebung, Warteschlange und Zugriffskontrollen. Googles Vorschlag zieht klare Grenzen um diese Teile, damit ein Team jeden prüfen kann, bevor es sich auf den kombinierten Ablauf verlässt. ## Drei Schichten mit unterschiedlichen Aufgaben Die erste Schicht ist ein leitender Orchestrator auf [Agent Runtime](https://docs.cloud.google.com/gemini-enterprise-agent-platform/build/runtime). Googles Beispiel sieht zwei spezialisierte Unteragenten vor: einen zur Optimierung von Leitverbindungen und einen für die Sicherheitsprüfung. Der Hauptagent zerlegt eine Anfrage, verteilt die Arbeit und stellt eine Antwort zusammen. Im vorgeschlagenen Design erfolgen interne Übergaben zwischen Agenten innerhalb desselben Prozesses. Agent Runtime ist eine verwaltete Bereitstellungsumgebung; Google dokumentiert Projekteinrichtung, Agent Platform SDK for Python, Agentenentwicklung und Bereitstellung als Schritte, bevor der Agent aufgerufen werden kann. Ein containerisierter Agent muss den [Runtime-Vertrag](https://docs.cloud.google.com/gemini-enterprise-agent-platform/build/runtime) erfüllen. Die zweite Schicht führt die teuren wissenschaftlichen Aufgaben aus. Googles Beispiel platziert NVIDIAs Inferenz-Mikrodienste ESMFold und GenMol auf Google Kubernetes Engine und verwendet G4-VMs mit RTX PRO 6000 Blackwell-GPUs. Proteinfaltung und Molekülgenerierung sind Beispiele für Aufgaben, die der Orchestrator anfordern würde, nicht für Berechnungen des allgemeinen Sprachmodells. Der Beitrag empfiehlt, mindestens einen GKE-Knoten aktiv zu halten und Modellgewichte beim Start der Pods zu laden, um Kaltstartverzögerungen zu verringern. Ein bereiter Knoten und geladene Gewichte verbrauchen Ressourcen; für diese Entscheidung liefert der Beitrag keinen Vergleich von Latenz, Auslastung oder Kosten. Die dritte Schicht regelt den Zugriff. [Agent Identity](https://docs.cloud.google.com/iam/docs/agent-identity-overview) weist einem Agenten eine SPIFFE-Identität und ein verwaltetes X.509-Zertifikat zu, die mit IAM-Berechtigungen und Audit-Logs verwendet werden können. [Agent Gateway](https://docs.cloud.google.com/gemini-enterprise-agent-platform/govern/gateways/agent-gateway-overview) kann Zugriffsregeln auf unterstützten eingehenden und ausgehenden Pfaden durchsetzen. [Agent Registry](https://docs.cloud.google.com/gemini-enterprise-agent-platform/govern/agent-registry) katalogisiert Agenten, MCP-Server, Werkzeuge und Endpunkte. Google schlägt außerdem Prüfungen mit Model Armor und menschliche Freigaben für folgenreiche Schritte vor. Diese Kontrollen erfordern Bereitstellung und Richtlinienkonfiguration; ihre Darstellung in einem Architekturbild belegt weder die Vertraulichkeit eines bestimmten Datenpfads noch eine Auditierung jeder Entscheidung. ## Dateien über Speicher statt über den Prompt übertragen Am leichtesten auf andere Umgebungen übertragbar ist der Umgang des Designs mit großen wissenschaftlichen Datenmengen. Der vorgeschlagene Ablauf schreibt PDB-Dateien, Docking-Posen und Trajektorienprotokolle in Cloud Storage. Agenten tauschen Objektreferenzen und kurze Zusammenfassungen aus und laden die zugrunde liegenden Daten, wenn ein Werkzeug sie benötigt. Das vermeidet, Koordinatenarrays durch das Kontextfenster eines LLM zu schicken, und gibt dem Team einen gesonderten Ort zur Kontrolle von Dateizugriff und Aufbewahrung. Google beschreibt in diesem Muster signierte Objekt-URIs. Eine signierte URL ist selbst ein Zugangsnachweis für ihren angegebenen Umfang und ihre Gültigkeitsdauer. Teams müssen daher weiterhin Ablaufzeit, Berechtigungen und Protokollierung für den tatsächlichen Arbeitsablauf festlegen. Der Designbeitrag dokumentiert weder eine vollständige Speicherrichtlinie noch eine Datenresidenzkonfiguration oder ein Bedrohungsmodell für eine produktive Biotech-Pipeline. Die Aussage, ein privat gehosteter Rechencontainer halte proprietäre Strukturen innerhalb der Unternehmensgrenzen, hängt von jeder Komponente ab, die diese Strukturen empfängt oder weiterleitet, einschließlich Speicher, Modellaufrufen, Protokollen und ausgehenden Endpunkten. Der Beitrag empfiehlt außerdem, eine lange Simulationskette hinter einer klaren Werkzeugschnittstelle zu kapseln und nach abgeschlossenen Stufen Fortschritt zu melden. Diese Designentscheidungen müssen anhand der tatsächlichen Backend-Warteschlange bewertet werden. Mehr Anfragen parallel zu senden hilft nicht, wenn ein wissenschaftlicher Dienst sie intern nacheinander verarbeitet. Der Artikel liefert keinen Benchmark, der einen deterministischen Durchsatz der vorgeschlagenen Konfiguration belegt. ## Wo die menschliche Entscheidung hingehört Googles Vorschlag lässt Agenten umkehrbare Vorbereitungen erledigen, etwa eine Struktur nachschlagen oder einen chemischen Namen auflösen, verlangt aber die Freigabe durch einen Menschen für kostspielige oder folgenreiche Handlungen. Beispiele sind ein Docking-Lauf mit mehreren GPUs, das Weiterführen einer Leitverbindung zur Synthese im Nasslabor und das Archivieren eines Programms. Eine Forschungsorganisation müsste diese Freigabepunkte, die freigebende Person und die jeweils vorgelegten Nachweise definieren. Der Beitrag berichtet weder ein validiertes Ergebnis der Sicherheitsprüfung noch belegt er, dass ein Modell ohne fachliche Prüfung pharmakologische Urteile fällen kann. Die Governance-Dokumentation grenzt einige weitreichende Formulierungen des Blogs ein. Gateway unterstützt mit Agent Runtime eingehende und ausgehende Verbindungen, bei Gemini Enterprise dagegen nur ausgehende. Nicht registrierte Ziele bleiben erreichbar, wenn eine ausdrückliche IAM-Richtlinie ihre URL adressiert; die Registrierung selbst ist daher keine universelle Sperre für unbekannte Werkzeuge. Prüfungen mit Model Armor gehören zu den Schutzmaßnahmen, die ein Team *konfigurieren kann*. Zu den dokumentierten Einschränkungen von Agent Identity gehört, dass Agenten-Principals keine Legacy-Bucket-Rollen von Cloud Storage erhalten können. IAM-Bindungen müssen beim Löschen eines Agenten manuell bereinigt werden. Für die Validierung liefern die gesonderten [vier Evaluierungslehren aus einem Agenten-Plugin](https://cloud.google.com/blog/topics/developers-practitioners/four-eval-engineering-lessons/) von Google Cloud nützlichen Kontext, obwohl dieses Plugin ein anderes System ist. Das Team stellte fest, dass eine Bewertung allein der abschließenden Agentenantwort Handlungen übersah, die in Werkzeugaufrufprotokollen sichtbar waren. Es empfiehlt, die Struktur gleichzeitiger Aufrufe zu bewahren, tatsächliche Ausführungen mit reinen Planungsläufen zu vergleichen und von Fachleuten kuratierte Referenzaufgaben beizubehalten. Für den Biotech-Vorschlag bedeutet das, tatsächliche Speicherschreibvorgänge, Modellendpunkte, Berechtigungsentscheidungen, Warteschlangenverhalten und menschliche Freigaben zu prüfen. BIG CHANGE hat diese Architektur weder gebaut noch getestet. Unser früherer Bericht über [die Vorauswahl antimikrobieller Peptide mit Google Antigravity](https://bigchange.ai/blog/google-antigravity-antimicrobial-peptide-candidate-triage) behandelt eine andere wissenschaftliche Agentenaufgabe. Er belegt nicht, dass die hier vorgeschlagene Infrastruktur gebaut oder validiert wurde. ## Zugang, Kosten und Veröffentlichungsstatus Ein Team bräuchte ein Google-Cloud-Projekt, die relevanten APIs und IAM-Einstellungen, eine Agent Runtime-Bereitstellung, GKE-GPU-Kapazität, Speicher und konfigurierte Governance-Komponenten. Verfügbarkeit und Grenzen hängen von den gewählten Regionen, Kontingenten und der Produktkonfiguration ab. Die [Agent Runtime-Dokumentation](https://docs.cloud.google.com/gemini-enterprise-agent-platform/build/runtime) verweist auf Regions- und Kontingentlisten und nennt ein verfügbares kostenloses Kontingent. Die [Preisseite von Agent Platform](https://cloud.google.com/products/gemini-enterprise-agent-platform/pricing) berechnet Laufzeit-Rechenleistung und Arbeitsspeicher und beschreibt die Abrechnung ausgehenden Gateway-Verkehrs; Modellnutzung, GPU-Infrastruktur und Cloud Storage verursachen jeweils zusätzliche Kosten. Googles [Preisrechner](https://cloud.google.com/products/calculator) kann bei der Schätzung einer gewählten Konfiguration helfen. Ein dauerhaft bereitgehaltener GPU-Pool muss in diese Schätzung einfließen. Die Komponentendokumente beschreiben nutzbare Dienste, machen aus dem kombinierten Biotech-Muster aber kein allgemein verfügbares, vermessenes Produkt. Eigenständige Skills von Registry sind ausdrücklich als Preview gekennzeichnet; die hier geprüften Seiten geben jedoch nicht sämtlichen Elementen des vorgeschlagenen Stacks eine einheitliche Bezeichnung der Veröffentlichungsphase. Die Kompatibilität der konkreten Modellcontainer, Netzwerkkontrollen und Forschungsanwendungen muss für die vorgesehene Region und Bereitstellung geprüft werden. Dieser Artikel untersucht den Vorschlag vom 16. Oktober anhand von Dokumentation; er ist weder eine Einrichtungsanleitung noch ein Bericht über eine funktionierende Installation. ## Die große Veränderung Google hat einen Weg skizziert, einen Biotech-Agentenablauf in Planung, dedizierte wissenschaftliche Berechnungen und geregelten Zugriff aufzuteilen. Große Strukturen werden per Referenz weitergegeben, menschliche Freigaben bleiben kostspieligen oder folgenreichen Handlungen vorbehalten. Das Design gibt Forschungsinfrastrukturteams konkrete Grenzen zur Bewertung. Geschwindigkeit, Isolation, wissenschaftliche Zuverlässigkeit und Betriebskosten bleiben Fragen für eine konfigurierte Bereitstellung und gemessene Tests. ## Quellen und weiterführende Informationen - [Google Cloud, „Autonomie entwerfen“](https://cloud.google.com/blog/topics/healthcare-life-sciences/architecting-scalable-agentic-biotech-workloads): Die Referenzarchitektur vom 16. Oktober mit den vorgeschlagenen Komponenten, Arbeitslastmustern und Freigabepunkten. - [Agent Runtime-Dokumentation](https://docs.cloud.google.com/gemini-enterprise-agent-platform/build/runtime): Verwaltete Agentenbereitstellung, Voraussetzungen, Framework-Unterstützung, Regions- und Kontingentverweise sowie Einstieg in die Preisinformationen. - [Agent Identity im Überblick](https://docs.cloud.google.com/iam/docs/agent-identity-overview): Identitäts- und Zugangsnachweismechanismen, IAM-Lebenszyklus und eine Einschränkung bei Cloud Storage-Rollen. - [Agent Gateway im Überblick](https://docs.cloud.google.com/gemini-enterprise-agent-platform/govern/gateways/agent-gateway-overview): Durchsetzungsmodell, Laufzeitmodi, konfigurationsabhängige Schutzmaßnahmen und genannte Einschränkungen. - [Agent Registry-Dokumentation](https://docs.cloud.google.com/gemini-enterprise-agent-platform/govern/agent-registry): Registrierte Ressourcentypen und Preview-Status eigenständiger Skills. - [Preise von Agent Platform](https://cloud.google.com/products/gemini-enterprise-agent-platform/pricing): Abrechnungsgrundlage von Runtime und Gateway; den gesamten Stack gesondert kalkulieren. - [Die vier Evaluierungslehren von Google Cloud](https://cloud.google.com/blog/topics/developers-practitioners/four-eval-engineering-lessons/): Kontext eines anderen Agenten-Plugins zur Prüfung von Ausführungsspuren und zum Evaluierungsdesign. Quellen geprüft am 18. Oktober 2026. BIG CHANGE hat das vorgeschlagene Biotech-System weder bereitgestellt noch einem Benchmark unterzogen. ## Sources - [Biotech-Agentenarchitektur von Google Cloud](https://cloud.google.com/blog/topics/healthcare-life-sciences/architecting-scalable-agentic-biotech-workloads) — Designvorschlag vom 16. Oktober und Beschreibungen der Schichten. - [Agent Runtime](https://docs.cloud.google.com/gemini-enterprise-agent-platform/build/runtime) — Bereitstellungsablauf, unterstützte Frameworks, Vertrag, Kontingente und Preisverweise. - [Agent Identity im Überblick](https://docs.cloud.google.com/iam/docs/agent-identity-overview) — Identitätsnachweise, IAM-Lebenszyklus, Audit und Grenzen. - [Agent Gateway im Überblick](https://docs.cloud.google.com/gemini-enterprise-agent-platform/govern/gateways/agent-gateway-overview) — Modi, Richtlinien, nicht registrierte Ziele und Einschränkungen. - [Agent Registry](https://docs.cloud.google.com/gemini-enterprise-agent-platform/govern/agent-registry) — Katalog und Preview-Kennzeichnung eigenständiger Skills. - [Preise von Agent Platform](https://cloud.google.com/products/gemini-enterprise-agent-platform/pricing) — Abrechnungsgrundlage von Runtime und Gateway. - [Google Cloud-Preisrechner](https://cloud.google.com/products/calculator) — Konfigurationsabhängige Schätzungen. - [Vier Lehren aus der Evaluierungstechnik](https://cloud.google.com/blog/topics/developers-practitioners/four-eval-engineering-lessons/) — Kontext aus einem anderen Plugin, keine Validierung des Biotech-Designs.