Vai al contenuto

root / tags / google-deepmind

#Google DeepMind

4 fiches

Agenti di codifica IA e Skills Traduzione verificata automaticamente

Agent Plugins package your skills, tools, and more

Annuncio di **Google** del **6 agosto 2026**: Google aderisce come **Core Maintainer** alla specifica **Agent Plugins 1.0.0**, un formato di packaging aperto e *vendor-neutral* per distribuire insieme **Agent Skills** e **MCP servers**. La specifica è stata pubblicata da un **TSC** i cui Core Maintainer provengono da **Amazon, Cursor, Microsoft, OpenAI e Vercel**; Google li raggiunge, rappresentata da **Kevin Hou** (Senior Staff Engineer, Google DeepMind). I due mattoni impacchettati — Agent Skills e MCP — provengono da **Anthropic**, che non compare in questo elenco di maintainer. **La diagnosi** sta in una frase: *"The core problem isn't the components. It's the manifest."* Una skill è portabile, un server MCP è portabile; il contenitore che li racchiude non lo è, e ogni client ha dovuto inventarlo da sé — da cui i fork, le copie di componenti identici e la loro deriva. **Il formato** sta in un vincolo: *"A plugin is a directory. That's the whole idea, and the restraint is the point."* Un `plugin.json` con due righe utili (`$schema` e `name`), le skill in `skills/` nel formato Agent Skills, i server dichiarati in `mcp.json` con un **`type` esplicito su ogni voce** (stdio, Streamable HTTP, o il legacy HTTP+SSE) — niente più trasporto dedotto dalla forma dell'oggetto di configurazione. La forza del design sta in ciò che il manifest **non può** fare: né rilocare i componenti né dichiararli inline, quindi non esiste un percorso di discovery da configurare né un ordine di precedenza da imparare. Corollario operativo: i componenti **falliscono in modo indipendente** — un server `mcp.json` che non riesce ad avviarsi non trascina con sé le skill del plugin, il client salta la voce, prosegue e segnala il fallimento. La via di fuga accettata è la directory **reverse-domain** (`com.example.client/`), uno spazio di estensione posseduto interamente da un client (hook, agenti, comandi) che gli altri client ignorano: *"the portable core stays small because the non-portable parts have somewhere legitimate to go."* Una sezione è dedicata ai casi in cui il formato non è giustificato — *"Not every skill should be a Plugin"*: un singolo server MCP per un singolo client, `mcp.json` basta; una singola skill non necessita di alcun plugin. Ciò che v1 esclude esplicitamente, sotto *future considerations*: **nessun meccanismo di installazione, nessun protocollo di distribuzione, nessun modello di permessi, nessun requisito di sandboxing, nessuna verifica di fiducia o provenienza, nessuna UX**. Tutto questo rientra in uno stack a quattro livelli adottabile in modo indipendente — **trovare** (Agentic Resource Discovery), **descrivere** (AI Catalog, che dovrebbe registrare il tipo `application/agent-plugins+json`), **impacchettare** (Agent Plugins), **eseguire** (MCP + Agent Skills). Due prodotti Google sono già disponibili: **Agents CLI** e **Data Agent Kit** (BigQuery, Spanner, Cloud SQL).

#Agent Plugins#Agent Plugins 1.0.0#specifica aperta

Trois signataires · répartis sur trois entités Google :

Ricerca e Istruzione Traduzione verificata automaticamente

Diffusion Language Models Explained: How Google's Diffusion Gemma Works

Articolo didattico del **MindStudio Team** (blog della piattaforma MindStudio, orchestrazione di workflow multi-modello) che spiega i **modèles de langage par diffusion** (*Diffusion Language Models*) attraverso il caso di **Diffusion Gemma**, la prima implementazione **open weights** di Google (2 miliardi di parametri, derivata da Gemma 2). La tesi: mentre i modelli **autoregressivi** (GPT-4, Claude, Gemma standard) generano testo **token per token, da sinistra a destra** (attenzione causale, ogni token fissato una volta prodotto), i modelli a **diffusione** partono da una sequenza **mascherata/rumorosa** e la **raffinano iterativamente** (masked diffusion / *absorbing diffusion*), con **attenzione bidirezionale**: il modello può **rivedere qualsiasi posizione in qualsiasi passo**. Conseguenze: elevato **parallelismo** (un testo di 500 token richiederebbe 50-100 passi di denoising invece di 500 passaggi sequenziali), **infilling** naturale e **generazione vincolata** (compilazione di template, completamento di codice con contesto circostante), e capacità di **revisione** integrata. Ma alla scala attuale (2B), Diffusion Gemma **non eguaglia** i grandi modelli autoregressivi (GPT-4o, Gemini 1.5 Pro) su ragionamento, seguimento delle istruzioni e conoscenza generale: il divario si sta "colmando" senza essere colmato. L'ispirazione viene dalla generazione di immagini (Stable Diffusion, DALL-E hanno abbandonato l'autoregressione anni fa); se lo stesso principio valga anche per il testo resta una domanda aperta. Diffusion Gemma è distribuito su Hugging Face (Google DeepMind), AI Studio e Vertex AI.

#modèles de langage par diffusion#Diffusion Gemma#Google DeepMind

MindStudio Team