在传统生产系统中，AI agent大多充当轻量调度器：解析提示、调用API、取回记录、交还控制权，执行快、无状态、成本低。但生物技术不是这样。蛋白质折叠、50,000化合物配体库筛选、构效关系(SAR)评估，这些是持续数分钟甚至数小时的、有状态的、GPU绑定的模拟。用通用大语言模型端点编排复杂的药物发现流程，会遭遇超时、上下文窗口被原子坐标撑爆、专有化学IP暴露到外部网络等风险。构建企业级研发agent，需要抛弃单体助手的模式。

Google Cloud在这篇博客中提出一种三层架构：把认知编排（大脑）与计算执行（肌肉）分离，并将两者锚定在企业治理平面内。

执行层负责重型科学计算。首先要决定工作负载跑在哪里：战略专有管线要求在自己的安全边界内使用专用GPU基础设施；常规标准化工作负载可以委托给托管云端点。文中以ESMFold做蛋白质折叠、GenMol做生成设计，两者以NVIDIA Inference Microservices (NIMs)的形式部署在Google Kubernetes Engine (GKE)上，使用G4 VM，搭配NVIDIA RTX PRO 6000 Blackwell GPUs。容器化GPU负载的关键障碍是冷启动：从镜像仓库拉取多GB模型权重并装入显存需要时间。参考架构给出的对策是：维持热池（GKE节点池至少保留一个活跃节点）、在pod初始化时预载权重到显存、由GKE管理pod生命周期并重启失败实例。这样用NVIDIA预编译的容器化运行时替代手动CUDA调优，降低运维开销，同时保证确定性吞吐。

化学结构是价值数百万美元的专有IP。对接请求中的SMILE字符串或3D坐标矩阵绝不能离开公司控制。容器化NIMs解决了快速原型与严格数据隔离之间的矛盾：早期探索可以直接查询NVIDIA托管端点；进入专有苗头化合物阶段，同一个容器部署到私有VPC内的GKE。agent的编排逻辑保持不变，只是把目标URI从外部代理换成内部VPC端点，结构数据始终不离开企业边界。

认知层负责agent工作流的序列编排。基于Gemini平台的Agent Runtime，参考架构部署了分层多agent结构：一个主导编排器，两个领域子代理（Lead Optimization和Safety Screening）。四种核心编排模式：第一，进程内原生agent交接，用SDK代替网络序列化的agent间HTTP协议，消除内部网络跳数；第二，通过引用传递大负载，把PDB文件、对接姿态、轨迹日志写入Cloud Storage，agent之间只传轻量级签名URI和结构摘要，保持上下文窗口紧凑；第三，解耦工作流逻辑与生化推理，任务分解交给Gemini，领域化学与药理推理交给在专用GPU节点上的Nemotron模型；第四，基于上下文而不是固定阈值做评估。传统筛选用硬性数值截止，例如结合亲和力-7.5 kcal/mol就丢弃，但治疗背景会改变风险容忍度：健康人群每日服用的心血管预防药需要极严格安全边际，而难治肿瘤的候选药在有效性明确时可能接受更高毒性。把疾病上下文传入推理模型，候选药物按动态、针对靶点的画像评估，避免过早淘汰可行药物。

针对高计算管线，文章还提出几条与常规工程直觉相悖的最佳实践：不要为了降延迟换更强的驱动模型，主编排器的token生成很少是瓶颈，应优化I/O，减少负载大小和网络跳数；不要并行化工具调用，外部科学服务和容器化模型往往在专用硬件上串行处理请求，客户端并发要与后端队列机制对齐；不要在工具间传递完整模拟状态，应该通过引用传递，把原始坐标放对象存储，只传URI；不要等整个pipeline完成才返回结果，要在每个完成阶段（如折叠完成、对接运行中）发出流式更新；不要把多个细粒度工具链起来，把端到端模拟管道封装成单一干净的工具接口，接受清晰参数、返回合并对象。

企业治理方面，Gemini平台原生提供：Agent Identity（每个agent有密码学可验证身份，推进或拒绝分子时事件永久记录到该agent主体）、Agent Gateway（所有交互的唯一出入口，集中IAM与区域驻留规则，确保分子数据留在指定云区域）、Agent Registry（已批准agent、验证过的工具schema和授权MCP服务器目录，防止僵尸工具执行）、Model Armor（实时检查进出的提示与载荷，防提示注入和数据外渗）。在研发中，完全自治会带来不可接受的问责风险，而每一步都审批又太慢，所以采用不对称门控：可逆操作（如解析化学命名同义词、拉取PDB、跑初步Lipinski筛选）由agent自动完成；不可逆操作（如启动多GPU对接、把苗头化合物推进到湿实验合成、归档治疗项目）必须由人明确批准。

结论是，高计算自主agent成功的关键在于认知规划、数值计算与系统治理之间边界清晰：编排器专注任务分解与综合，把密集的生物物理模拟交给容器化的专用微服务和模型；通过云存储引用传递复杂化学数据，消除上下文膨胀；把工作流锚定在企业治理中，用密码学agent身份加不对称人工监督。随着生成与结构生物学模型向全细胞建模和复杂动态模拟扩展，这种解耦架构能让研发系统高效扩展，同时保护专有IP并保持可审计。原文最后还提到，如需构建类似场景可联系Google销售代表。