Версия Markdown

AI-translated from English; not yet reviewed by a fluent editor.

# Google предлагает трёхуровневый стек агентов для биотехнологий

> Референсный проект Google для биотехнологий разделяет планирование агентов, научные вычисления на GPU и контроль доступа. Объединённый процесс пока остаётся предложением без измеренных результатов.

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 опубликовала референсную архитектуру биотехнологических агентов, которая отделяет планирующего агента от ресурсоёмких научных вычислений на GPU и средств контроля обоих направлений. [Публикация о проекте от 16 октября](https://cloud.google.com/blog/topics/healthcare-life-sciences/architecting-scalable-agentic-biotech-workloads) описывает, как команда по поиску лекарств могла бы координировать сворачивание белков, генерацию молекул и анализ соединений-лидеров в Google Cloud. В ней представлены схема и пример стека, но нет измеренных результатов внедрения у заказчика, показателей пропускной способности или подтверждённого кандидата в лекарства.

Это различие важно для команд, оценивающих агентные системы в исследованиях. Языковая модель может распределять работу и обобщать результаты, но структура белка или траектория докинга слишком велики для обычного контекста чата. У научных вычислений также есть собственная среда исполнения, очередь и контроль доступа. Предложение Google проводит между этими частями явные границы, чтобы команда могла проверить каждую, прежде чем полагаться на объединённый процесс.

## Три уровня с разными задачами

Первый уровень — главный оркестратор в [Agent Runtime](https://docs.cloud.google.com/gemini-enterprise-agent-platform/build/runtime). В примере Google у него два специализированных субагента: один для оптимизации соединений-лидеров, другой для проверки безопасности. Главный агент разбивает запрос на задачи, распределяет работу и собирает ответ. В предлагаемом проекте внутренние передачи между агентами происходят в одном процессе. Agent Runtime — управляемая среда развёртывания; Google описывает настройку проекта, Agent Platform SDK for Python, разработку и развёртывание агента, прежде чем его можно будет вызвать. Контейнеризированный агент должен соблюдать [контракт среды исполнения](https://docs.cloud.google.com/gemini-enterprise-agent-platform/build/runtime).

Второй уровень выполняет дорогостоящие научные задания. В примере Google микросервисы инференса ESMFold и GenMol от NVIDIA размещены в Google Kubernetes Engine на виртуальных машинах G4 с GPU RTX PRO 6000 Blackwell. Сворачивание белков и генерация молекул — примеры работ, которые запрашивал бы оркестратор, а не вычислений, выполняемых универсальной языковой моделью. Публикация рекомендует держать хотя бы один узел GKE активным и загружать веса моделей при запуске подов, чтобы сократить задержку холодного старта. Прогретый узел и загруженные веса потребляют ресурсы; сравнения задержек, загрузки или стоимости этого решения в публикации нет.

Третий уровень управляет доступом. [Agent Identity](https://docs.cloud.google.com/iam/docs/agent-identity-overview) назначает агенту идентификатор SPIFFE и управляемый сертификат X.509, которые можно использовать с разрешениями IAM и журналами аудита. [Agent Gateway](https://docs.cloud.google.com/gemini-enterprise-agent-platform/govern/gateways/agent-gateway-overview) может применять правила доступа на поддерживаемых входящих и исходящих маршрутах. [Agent Registry](https://docs.cloud.google.com/gemini-enterprise-agent-platform/govern/agent-registry) каталогизирует агентов, серверы MCP, инструменты и конечные точки. Google также предлагает проверки Model Armor и одобрение человеком для действий с существенными последствиями. Эти средства требуют развёртывания и настройки политик; их наличие на схеме архитектуры не доказывает, что определённый маршрут данных приватен или что каждое решение проходит аудит.

## Передавать файлы через хранилище, а не через промпт

Наиболее переносимая часть проекта — обращение с большими научными данными. Предлагаемый процесс записывает файлы PDB, позы докинга и журналы траекторий в Cloud Storage. Агенты обмениваются ссылками на объекты и краткими сводками, затем получают исходные данные, когда те нужны инструменту. Это позволяет не проталкивать массивы координат через контекстное окно LLM и даёт команде отдельное место для контроля доступа к файлам и сроков их хранения.

Google описывает в этой схеме подписанные URI объектов. Подписанный URL сам является учётным средством доступа в указанных пределах и на заданный срок, поэтому командам всё равно нужно настроить истечение срока действия, разрешения и журналирование для реального процесса. Публикация о проекте не документирует полную политику хранения, конфигурацию размещения данных или модель угроз для производственного биотехнологического конвейера. Утверждение, что приватно размещённый вычислительный контейнер сохраняет проприетарные структуры внутри периметра предприятия, зависит от каждого компонента, который принимает или пересылает эти структуры, включая хранилище, вызовы моделей, журналы и исходящие конечные точки.

Публикация также рекомендует скрыть длинную цепочку моделирования за понятным интерфейсом инструмента и сообщать о ходе работы по завершении этапов. Эти проектные решения нужно оценивать с учётом реальной очереди бэкенда. Параллельная отправка большего числа запросов не поможет, если научный сервис внутри обрабатывает их последовательно. Статья не приводит бенчмарк, показывающий детерминированную пропускную способность предлагаемой конфигурации.

## Где оставить решение человеку

Предложение Google позволяет агентам выполнять обратимую подготовку, например искать структуру или разрешать химическое название, но требует одобрения человеком дорогостоящих действий или действий с существенными последствиями. Примеры включают запуск докинга на нескольких GPU, продвижение соединения-лидера к синтезу в мокрой лаборатории и архивирование программы. Исследовательской организации нужно определить эти точки согласования, ответственного за одобрение и доказательства, показываемые на каждом этапе. Публикация не сообщает о подтверждённом результате проверки безопасности и не доказывает, что модель способна выносить фармакологические суждения без экспертной проверки.

Документация по управлению уточняет границы некоторых широких формулировок блога. Gateway поддерживает входящие и исходящие соединения с Agent Runtime, а для Gemini Enterprise — только исходящие. К незарегистрированным адресатам по-прежнему можно обратиться, если явная политика IAM нацелена на их URL; поэтому регистрация сама по себе не является универсальной блокировкой неизвестных инструментов. Проверки Model Armor входят в число защитных мер, которые команда *может настроить*. Среди документированных ограничений Agent Identity — невозможность назначить субъектам-агентам устаревшие роли бакетов Cloud Storage; привязки IAM нужно вручную очищать при удалении агента.

Для проверки полезный контекст дают отдельные [четыре урока оценки из агентного плагина](https://cloud.google.com/blog/topics/developers-practitioners/four-eval-engineering-lessons/) Google Cloud, хотя тот плагин — другая система. Команда обнаружила, что оценка лишь итогового ответа агента упускает действия, видимые в журналах вызовов инструментов. Она рекомендует сохранять структуру одновременных вызовов, сравнивать реальные запуски с запусками только для планирования и хранить эталонные задачи, отобранные экспертами. Применительно к биотехнологическому предложению это указывает на необходимость проверять реальные записи в хранилище, конечные точки моделей, решения о разрешениях, поведение очереди и одобрения людей. BIG CHANGE не строила и не тестировала эту архитектуру.

Наш предыдущий материал о [первичном отборе антимикробных пептидов с Google Antigravity](https://bigchange.ai/blog/google-antigravity-antimicrobial-peptide-candidate-triage) касается другой задачи научных агентов. Он не подтверждает, что предложенная здесь инфраструктура построена или проверена.

## Доступ, стоимость и статус выпуска

Команде понадобятся проект Google Cloud, соответствующие API и настройка IAM, развёртывание Agent Runtime, мощности GPU в GKE, хранилище и настроенные компоненты управления. Доступность и ограничения зависят от выбранных регионов, квот и конфигурации продукта. [Документация Agent Runtime](https://docs.cloud.google.com/gemini-enterprise-agent-platform/build/runtime) ссылается на списки регионов и квот и сообщает о наличии бесплатного уровня. [Страница цен Agent Platform](https://cloud.google.com/products/gemini-enterprise-agent-platform/pricing) предусматривает оплату вычислительных ресурсов и памяти среды исполнения и описывает тарификацию исходящего трафика Gateway; использование моделей, GPU-инфраструктура и Cloud Storage добавляют собственные расходы. [Калькулятор цен](https://cloud.google.com/products/calculator) Google может помочь оценить выбранную конфигурацию. В расчёт следует включить постоянно прогретый пул GPU.

Документы компонентов описывают доступные для использования сервисы, но не превращают объединённую биотехнологическую схему в общедоступный продукт с измеренными показателями. Отдельные навыки Registry явно помечены как Preview, тогда как проверенные здесь страницы не задают единую стадию выпуска для всех элементов предлагаемого стека. Совместимость конкретных контейнеров моделей, сетевых средств контроля и исследовательских приложений необходимо проверить для нужного региона и развёртывания. Эта статья — основанный на документации разбор предложения от 16 октября, а не инструкция по настройке или рассказ о работающей установке.

## Большая перемена

Google описала способ разделить биотехнологический агентный процесс на планирование, специализированные научные вычисления и управляемый доступ: большие структуры передаются по ссылке, а одобрение человеком сохраняется для дорогих действий или действий с существенными последствиями. Проект даёт командам исследовательской инфраструктуры конкретные границы для оценки. Скорость, изоляция, научная надёжность и эксплуатационные расходы остаются вопросами для настроенного развёртывания и испытаний с измерениями.

## Источники и дополнительные материалы

- [Google Cloud, «Проектирование автономности»](https://cloud.google.com/blog/topics/healthcare-life-sciences/architecting-scalable-agentic-biotech-workloads): Референсная архитектура от 16 октября, предлагаемые компоненты, шаблоны нагрузок и точки согласования.
- [Документация Agent Runtime](https://docs.cloud.google.com/gemini-enterprise-agent-platform/build/runtime): Управляемое развёртывание агентов, предварительные условия, поддержка фреймворков, ссылки на регионы и квоты, а также раздел с ценами.
- [Обзор Agent Identity](https://docs.cloud.google.com/iam/docs/agent-identity-overview): Механика идентификации и учётных данных, жизненный цикл IAM и ограничение роли Cloud Storage.
- [Обзор Agent Gateway](https://docs.cloud.google.com/gemini-enterprise-agent-platform/govern/gateways/agent-gateway-overview): Модель применения правил, режимы исполнения, зависящие от конфигурации защитные меры и заявленные ограничения.
- [Документация Agent Registry](https://docs.cloud.google.com/gemini-enterprise-agent-platform/govern/agent-registry): Типы зарегистрированных ресурсов и статус Preview отдельных навыков.
- [Цены Agent Platform](https://cloud.google.com/products/gemini-enterprise-agent-platform/pricing): Основа тарификации Runtime и Gateway; полный стек нужно оценивать отдельно.
- [Четыре урока оценки от Google Cloud](https://cloud.google.com/blog/topics/developers-practitioners/four-eval-engineering-lessons/): Контекст другого агентного плагина о проверке трасс выполнения и проектировании оценок.

Источники проверены 18 октября 2026 года. BIG CHANGE не развёртывала предложенную биотехнологическую систему и не проводила её бенчмаркинг.

## Sources

- [Архитектура биотехнологических агентов Google Cloud](https://cloud.google.com/blog/topics/healthcare-life-sciences/architecting-scalable-agentic-biotech-workloads) — Предложение о проекте от 16 октября и описание уровней.
- [Agent Runtime](https://docs.cloud.google.com/gemini-enterprise-agent-platform/build/runtime) — Процесс развёртывания, поддерживаемые фреймворки, контракт, квоты и ссылки на цены.
- [Обзор Agent Identity](https://docs.cloud.google.com/iam/docs/agent-identity-overview) — Идентификационные учётные данные, жизненный цикл IAM, аудит и ограничения.
- [Обзор Agent Gateway](https://docs.cloud.google.com/gemini-enterprise-agent-platform/govern/gateways/agent-gateway-overview) — Режимы, политики, незарегистрированные адресаты и ограничения.
- [Agent Registry](https://docs.cloud.google.com/gemini-enterprise-agent-platform/govern/agent-registry) — Каталог и отметка Preview для отдельных навыков.
- [Цены Agent Platform](https://cloud.google.com/products/gemini-enterprise-agent-platform/pricing) — Основа тарификации Runtime и Gateway.
- [Калькулятор цен Google Cloud](https://cloud.google.com/products/calculator) — Оценки для конкретной конфигурации.
- [Четыре урока инженерии оценки](https://cloud.google.com/blog/topics/developers-practitioners/four-eval-engineering-lessons/) — Контекст другого плагина, а не проверка биотехнологического проекта.