今天，Gemini全面殺入AI辦公大戰！

作者 | 陳駿達 編輯 | 雲鵬 10月9日報道，今天凌晨，在Gemini at Work 2026大會上，谷歌雲正式推出企業通用智能體Gemini Agent，試圖將原本分散在辦公軟件、數據平臺和開發工具中的任務，交給一個能夠自主規劃、調用工具並持續執行的智能體。Gemini Agent的能力不再侷限於回答問題或生成一段文本。用戶可以直接用自然語言描述最終目標，讓智能體自行拆解任務、調用企業數據、編寫和運行代碼、生成文檔與多媒體內容，並在雲端持續推進複雜工作。面對大型任務，它還能夠組織多個子智能體協同執行，甚至以擁有獨立企業身份的數字同事參與團隊協作。

以準備PPT材料為例，用戶可以直接要求Gemini Agent製作PPT、搭建收入預測模型，並生成配套宣傳視頻。智能體需要自行理解目標，調用相應的技能、企業數據和生成模型，完成各個環節，再將結果交付給用戶。在這一過程中，用戶仍然可以檢查進度、調整要求並決定是否授權關鍵操作，但不必一直守在電腦前，逐步指導每個執行步驟。為了讓智能體進入企業日常工作，谷歌雲還圍繞Gemini Agent補齊了四重記憶機制、跨平臺協作、企業數據訪問、安全隔離和成本控制等能力，形成一套能夠將企業任務從指令推進到執行結果的智能體系統。

Gemini Agent的這一產品形態讓人聯想到國內的豆包工作、騰訊WorkBuddy和阿里的千問辦公等產品，同樣是辦公智能體平臺，同樣主打“自主拆解任務、調用工具、持續推進工作”。不過，需要注意的是，Gemini Agent是一款企業級產品，目前尚未公佈具體的正式商用日期與定價方案，僅面向部分企業用戶開放預覽。一、從對話到執行，Gemini Agent要做企業的通用同事 過去，企業中的AI能力通常分散在不同產品中：有人使用聊天機器人撰寫文案，有人藉助編程助手處理數據，還有人通過辦公軟件中的AI功能製作演示文稿。

Gemini Agent希望把這些能力整合到統一的智能體中，讓同一智能體能夠處理知識問答、文檔生成、代碼執行和多媒體創作等不同任務。在使用入口上，谷歌雲其延伸至Web、移動端、桌面端和命令行等環境，並推動智能體與Google Workspace、Microsoft 365、Slack等工作工具協同，還可以通過MCP接入其他服務。用戶可以在日常工作環境中調用智能體，而不必每次都從頭交代背景。Gemini Agent還面向金融服務和法律行業提供專業化的版本，能更好地完成相關領域的任務。長跨度任務是Gemini Agent試圖突破的另一道門檻。

普通聊天機器人通常圍繞當前對話工作，一旦任務涉及多個系統、較長執行時間或反覆驗證，就需要用戶不斷跟進。Gemini Agent則依託雲端運行環境維持任務狀態，使部分複雜工作能夠在用戶離開電腦後繼續推進。例如，數據分析任務可以經歷數據提取、代碼生成、模型訓練、結果檢查和報告整理等多個階段。智能體不必在每一步完成後都等待用戶重新下達指令，而是可以按照既定目標繼續執行，並在遇到需要判斷或授權的環節時尋求用戶介入。谷歌雲還為Gemini Agent引入動態多智能體協同機制。當任務規模較大時，系統可以將工作拆分給多個子智能體，分別處理數據、代碼或內容生成等環節，再彙總執行結果。

除了由員工主動發起任務，谷歌雲還提出了數字同事（Coworker Agent）的概念。這類智能體可以擁有獨立的企業郵箱、專屬存儲空間和公司目錄身份，並參與郵件與文檔協作。藉助相應的授權機制，它能夠以團隊成員的工作身份承擔持續性任務，而不只是等待員工打開聊天窗口後才開始工作。例如，企業可以將某些週期性的資料整理、信息彙總或郵件準備工作交給智能體，讓它按照既定規則持續推進。二、四重記憶讓智能體理解企業，支持Gemini、Claude等模型 要讓一個智能體長期參與企業工作，僅能理解當前指令還不夠。它還需要記住用戶正在處理什麼任務、企業內部如何定義業務指標，以及過去的工作流程通常怎樣執行。

圍繞這一問題，谷歌雲提出了四類記憶機制，並將模型選擇與具體任務進一步解耦。四類記憶分別解決不同問題： 第一類是會話記憶（Session Memory），用於保留當前任務或對話的上下文，避免用戶反覆解釋同一件事。第二類是語義記憶（Semantic Memory），用於組織企業知識和業務概念，幫助智能體理解公司內部的術語、數據定義與知識關係。第三類是程序記憶（Procedural Memory），用於沉澱工作流程和執行方法，讓智能體能夠複用經過定義的任務步驟。第四類是情節記憶（Episodic Memory），用於記錄與過去任務有關的經歷和結果，為後續工作提供參考。

這四類記憶並非簡單地把所有歷史對話存進一個更大的上下文窗口，而是嘗試區分不同類型的信息，讓智能體在需要時調用相應背景。例如，當員工要求生成一份銷售分析報告時，智能體不僅需要理解本次指令，還需要知道公司對銷售額、利潤率等指標的定義，瞭解報告應採用的格式，並參考相關歷史任務中的執行經驗。對企業而言，這類能力的價值在於減少重複交代背景的成本。不過，記憶能否準確、持續地發揮作用，仍取決於企業知識質量、權限設置和信息更新機制。在模型層面，谷歌雲則希望避免企業智能體被某一個模型完全綁定。

Gemini Agent支持在谷歌自有模型以及Anthropic Claude等第三方模型之間進行選擇，並通過智能路由將不同任務分配給適合的模型。相對簡單的工作可以交由成本更低的模型處理，複雜推理任務則可以調用更強的模型。谷歌雲稱，採用智能路由後，相關任務的綜合運行成本可以降至全部使用前沿模型時的1/3，執行速度提升40%。在底層模型方面，谷歌也提到了上週發佈的Gemini 4 Argon。該模型面向複雜推理和長跨度軟件工程任務，在相關基準測試及谷歌內部工程應用中取得進展，為智能體執行復雜工作提供模型能力支撐。

三、企業數據不再只是存儲資產，谷歌雲補齊智能體的數據底座 影響智能體能否投入生產環境的，還有它能否準確調用數據、持續執行流程，並在整個過程中遵守企業規則。谷歌云為Gemini Agent打造了多個面向具體場景的Skill。運營報告Skill可以讓用戶通過簡單的對話瞭解企業運營數據，機器學習Skill則可以在AI開發場景中發揮作用。智能體需要自主執行任務，就必須能夠理解和使用企業數據。然而，大量企業信息仍然散落在數據庫、雲存儲、辦公文檔和業務系統中。即使模型本身足夠強大，如果無法理解數據含義或獲得適當訪問權限，也很難完成端到端的業務任務。

谷歌雲此次為Gemini Agent整合了Knowledge Catalog、Smart Storage和Borderless Lakehouse等能力，試圖降低智能體使用企業數據的門檻。Knowledge Catalog的重點，是幫助智能體理解數據背後的業務語義。企業中的同一個指標，可能在不同系統中採用不同字段名稱或計算方式。例如，員工提出查詢“淨利潤率”，智能體不僅需要找到相關數據，還需要知道企業對這一指標的具體定義，以及相應的數據來自哪裡。

通過Knowledge Catalog，谷歌雲希望將業務概念與底層數據結構關聯起來，併兼容Databricks、dbt、Looker建模體系及SAP等企業數據環境。這樣，智能體在執行分析任務時，就能依據企業已有的業務定義定位數據，而不是完全依賴字段名稱猜測含義。在大會演示中，數據科學智能體根據自然語言指令提取數據、生成代碼並訓練XGBoost模型，展示了從業務問題到機器學習分析結果的自動化流程。Smart Storage則將AI能力延伸至非結構化文件。圖像、PDF和掃描文檔通常缺少可直接用於檢索的結構化信息，企業即使保存了大量資料，也不一定能快速找到真正有用的內容。

谷歌雲希望藉助Gemini對這些文件進行上下文理解與標註，讓智能體能夠從存儲中的資料提取相關信息。例如，Snap將Prism智能體與存儲歸檔連接，用於技術診斷和故障排查。谷歌雲披露，該方案將相關排查時間從30分鐘縮短至30秒。日立則利用HMAX智能體比對生產現場工序前後的接線照片，幫助一線人員識別差異，獲得30%的生產力提升。另一項能力Borderless Lakehouse，針對的是企業跨雲數據分散的問題。

谷歌雲希望在不要求企業統一搬遷數據的情況下，聯合查詢Amazon S3、Azure Data Lake、Salesforce和Workday等不同數據源，並減少跨雲數據移動帶來的成本與複雜性。企業不必先將所有數據遷移到單一平臺，再開始部署智能體，而是可以逐步讓智能體訪問現有數據資產。四、智能體自主行動後，安全與成本成為關鍵 當AI從生成內容走向調用工具、運行代碼和操作業務系統，企業面臨的風險也隨之變化。一個只能回答問題的聊天機器人，通常不會直接修改生產系統；一個能夠持續執行任務的智能體，卻可能在獲得權限後訪問文件、調用接口、運行程序，甚至觸發跨系統操作。

因此，谷歌雲將身份管理、執行隔離、網絡流量控制和成本管理納入Gemini Agent的企業治理體系。首先，每個智能體都可以擁有獨立的身份與相應權限，其執行操作能夠被記錄並納入審計，包括調用虛擬機運行代碼等環節。這使企業有機會追蹤智能體做過什麼、訪問了哪些資源，以及相關操作發生在何時。其次，谷歌雲還為Gemini Agent配備了Agent Sandbox和Agent Gateway。前者用於隔離智能體執行任務的環境，後者負責管理智能體進出系統的網絡流量，並對惡意指令和不符合權限要求的數據訪問進行攔截。例如，企業可以針對特定文件設置訪問限制，避免智能體因收到不當指令而讀取無權訪問的敏感資料。

對於需要運行代碼的任務，隔離執行環境也有助於降低不受控操作對其他系統的影響。成本控制同樣重要。智能體執行長跨度任務時，可能反覆調用模型、工具和雲端運行環境。如果沒有預算約束，複雜任務很容易產生難以預估的費用。谷歌雲提供了項目級實時支出上限（Spend Caps），管理員可以設定預算閾值，並在觸及上限後暫停相關任務，再根據情況恢復執行。結合模型智能路由，企業可以嘗試在任務質量、響應速度與運行成本之間取得平衡。結語：谷歌雲補齊拼圖，但真正的考驗才剛開始 谷歌雲此次發佈的Gemini Agent，補齊了他們在企業級智能體賽道的業務佈局。

此前，OpenAI和Anthropic等AI模型企業已經先行一步押注了企業級智能體賽道，並搶佔了一定的用戶心智。要在這一競爭激烈的市場裡拿下更多份額，谷歌雲需要證明Gemini Agent能在權限治理、跨系統集成、成本透明度等企業用戶關心的場景，做出經得起生產環境檢驗的答案，而不只是發佈會上的演示。