谷歌发布通用工作智能体 Gemini Agent：给 AI 发一张公司工牌

群里又有人说"谷歌发了个大的"

周四早上，一个做 SaaS 的朋友在群里丢了一句。他团队五个人，季度经营分析会前要把十几份表格、一堆邮件线索和 CRM 导出的数据拼成一份汇报，每次都靠最资深的那个同事熬夜收拾。

谷歌这次在 Gemini at Work 2026 上发布的东西，瞄的就是这件事。官方给它的名字是 Gemini agent，定位是"单一通用工作智能体"。你给它目标，它自己拆活、连系统、用工具，交回来的是能直接用的文档、邮件或者代码。

这套说法每家都在讲。差别在于这次谷歌把落地细节摊开了，有几条能直接抄。

它不是一个新软件，是你现有软件里的一层

很多人一听"新智能体"，第一反应是要装软件、学语法。这次没有这个门槛。

网页能用，iOS 和 Android 能用，Windows 和 Mac 桌面能用，命令行能用。Google Workspace 里它嵌在 Gmail、Drive、Docs、Slides、Sheets、Chat、Calendar 里面，带着同一套记忆、技能和权限控制。Microsoft 365 和 Slack 里也能唤起。它还能无头运行，不需要专门的界面，靠事件自己触发自己干活。

位置也比你的电脑牢。它在云端执行，记忆、上下文、个性化图谱只有一份。你在地铁上用手机交代的事，回工位打开电脑还在原地，不用重新 briefing 一遍。

最值得抄的一点，给智能体发一张工牌

这次发布里，我觉得最有用的是 coworker agent，同事智能体。

谷歌给这类智能体配了组织内的独立身份。它有属于自己的公司域名邮箱、自己的日历、自己的 Drive 存储空间，出现在公司通讯录里。你想建一个"活动策划智能体"，它就真像团队里多了个人，可以在 Chat 里 @ 它，可以把文档丢给它改。

权限才是重点。同事智能体只能访问你或者团队成员明确分享给它的内容，不会继承某个人的全部权限。这一条比"能力更强"重要得多。

有个地方别想当然。谷歌的说明里，独立账号是同事模式的一种配置，没有要求每一个实例都单独开账号。采购之前把这条问清楚，不然要么过度配置，要么权限收不住。

记忆分四类，别指望它替你管知识库

官方把记忆架构拆成四类。

• 会话记忆，管正在进行的任务
• 语义记忆，管积累下来的事实
• 情景记忆，记录发生过的事
• 程序记忆，存的是做某件事的步骤

对个人来说，程序记忆最有用。你反复让它按同一套模板写周报，它会把这个套路留下来，下次不用再说第二遍。

但它替不了长期知识管理。跨项目的口径一致性、跨部门的术语对齐，还是得人来盯。这是很多团队已经踩过的坑，智能体回答得越来越顺，出错的比例没跟着降。

它会自己组队，任务能跨天跑

碰到复杂活，Gemini agent 会动态生成一组临时子智能体。每个都有自己的身份，各自负责一块，任务结束就散。这是运行时编排，不是你提前画好的流程图。

它还支持持续执行。所谓 persistent execution，就是你合上电脑它还在跑，明天回来打开，东西在原地等你。谷歌的说法是几小时甚至几天的流程都能挂住。

这不代表什么都能往里扔。目标能讲清楚交付物的活，它跑得动。比如"把这批客户反馈按产品线归类，生成一份给产品负责人看的简报"。目标如果是"帮我把业务弄好"，它只能在原地打圈。

模型没绑死，这件事本身就是信号

谷歌这次明说，Gemini agent 会按任务挑模型。目前它能跑谷歌自家的 Gemini 系列，也能用 Anthropic 的 Claude，后续会加更多专有模型和开放权重模型。

一家把自己对手的模型放进自家企业平台，说明它赌的是入口，不指望靠模型本身收租。

成本那层，官方提到多模型编排、智能路由、实时花费上限。行业方向上，金融版和法律版进了 preview，政府、医疗、零售的版本写的是"很快到来"。国内团队用不上这些行业包，也不影响前面通用的部分。

真正要提前做的是那条实时花费上限。别让它在你没设闸的情况下挂着跑。

治理这块，才是企业版的分水岭

谷歌这次把治理讲得比以往细。

每个智能体有加密可验证的身份，权限通过企业安全系统管理。它的动作进审计日志，包括它什么时候创建了隔离环境去跑代码。Agent Gateway 负责管智能体和外部系统之间的通信策略。代码在沙箱里执行，边界明确。

听上去很企业。但小团队值得抄的只有两条。

• 智能体只能拿到你明确给它的东西，不继承人的账号权限
• 它做过的每一步都得能事后查出来

这两条你用哪家的产品都该照着配。

国内团队现在能动手的三件事

第一件，给自动化任务单独的身份和最小权限。今天就能做。不管你调哪一家的 API，别让一个脚本拿着你有全部权限的 key 到处跑。这是这次安全事故给所有人的提醒，跟用不用谷歌的关系不大。

第二件，把交付标准写清楚再开口。"帮我分析"是没用的话。"给我一份三页以内、三条结论、每条带数字支撑的简报"才是有用的话。这不是提示词技巧，这是委派任何工作前都该做的事。

第三件，任务分层。重复性高、流程固定的那一层先给出去，周报、数据核对、素材整理都在这层。一次性、涉及判断的那一层留在自己手上。

容易被低估的一件事，验收标准

多数团队给智能体派活的时候，缺的不是工具，是"什么叫做好"的标准。

你让一个人做季度汇报，他会问你上次那版是什么样的、老板喜欢看什么、数字到什么颗粒度。这些东西从来没写下来过，它长在老员工的脑子里。现在你把这些活交给一个刚来的东西，它只能猜。

所以真正该做的第一件事，是先把过去的产出物翻出来，标注哪几份是被认可的，然后把"好"拆成能检查的条目。篇幅、结构、是否带数字、数字来源、要不要写风险提示。这一步做完，不管对面是人还是模型，交付质量都会上一个台阶。

顺带说一个观察。凡是这一步做得认真的团队，后面换模型的成本都很低。因为它们的资产在标准里，不在某个模型的脾气里。

上线前先回答三个问题

哪些数据它能碰。先把这张清单写出来，再去谈模型有多聪明。顺序反了迟早出事。

出了错谁兜底。它把一封不该发的邮件发出去了，最后负责的还是人。

你要省的是时间还是人。省时间见效快，省人很难，因为中间多出来的核对环节会把省下的部分吃掉。

今天能做的一件小事。挑一件你每周重复、流程固定的工作，把它的步骤从头到尾写清楚，然后完整交给某个智能体跑一次。成了再扩大范围。不成也没损失，你已经把流程资产化了，这比"上了 AI"更值钱。