当所有人盯着 Gemini 跑分，Google 把它塞进了一个密歇根牧场——4 个 agent、260 头牛、每天早晨一份 CEO 简报

2026 年 7 月 28 日，Google 官方账号发了一条看起来不像 AI 新闻的推文：密歇根奶农 Paul Windemuller 用 Gemini 3.6 Flash 在 Google Antigravity 平台上搭了一套本地多智能体系统，取名 "The Farm Brain"，每天早上自动给他出一份牧场经营报告。同一天，Google DeepMind 在开发者博客上宣布 Antigravity managed agent 默认模型切到 Gemini 3.6 Flash，同时上线 environment hooks、预算控制、定时触发和免费层。

两条消息合在一起，讲了一个故事：agent 正在从开发者玩具变成小企业的生产工具。而 Google 选择用一个 260 头奶牛的牧场来证明这件事。

一套本地多智能体系统，接的不是 API，是文件夹

Windemuller 的牧场 Dream Winds Dairy 位于密歇根州，从 2014 年 30 头租赁奶牛起步，12 年间增长到 260 头荷斯坦奶牛，配备四台 Lely Astronaut A4 挤奶机器人。这个规模意味着每天会产生大量传感数据：奶牛项圈追踪每头牛的个体指标，本地气象站记录气候数据，在线门户日志记录牛奶品质和出货量。

问题在于，这些系统各自孤立运行。每天早晨，Windemuller 要花几个小时下载文件、合并表格、手工计算绩效。时间花在了办公室，而不是牛棚。

他搭建的这套系统不走 API 对接路线。所有数据通过一个本地监控文件夹流入：CSV 导出、PDF 报告、纸质收据和发票的照片。Gemini 的多模态能力负责从这些异构格式中提取并合并数值与文字信息，数据全程留在牧场本地。

系统采用多智能体分工架构，用四类专门 agent 替代长 prompt：

Orchestrator（编排者）：管理每日工作流调度。
Ingestion Agents（摄入代理）：标准化原始文件，包括挤奶机器人导出和饲料日志。
Analysis Agent（分析代理）：评估生物指标和气象影响。
Reporting Agent（报告代理）：生成自然语言摘要。

不看奶价看效率：Static Variable Margin 怎么算

这套系统优化的核心指标不是传统的 "Income Over Feed Cost"（饲料成本后收入），因为奶价和饲料价格剧烈波动，传统指标会掩盖牧场运营的真实效率。

Windemuller 设计了一个替代指标：Daily Static Variable Margin（每日静态可变毛利，SVM）。它用固定的历史参考价格（Federal Order 33 一月份标准）替代实时市场价，从而剥离市场噪音，只保留生物效率和运营水平的变化。

SVM 的计算链路如下：

生物表现：摄入 agent 解析产奶量、乳脂/乳蛋白含量、体细胞数、饲料消耗。
静态收入：用固定价格乘以实际产出乳固体量。
静态饲料成本：用固定原料价格计算实际消耗的饲料量。
静态 IOFC：静态收入减静态饲料成本。
可变成本扣除：减去每头牛的替换、育种、兽医耗材成本，但不计入人工、水电、折旧等固定开支。

换句话说，如果 SVM 掉了，那就是牛群健康或饲养管理出了问题，而不是奶价跌了。

每天早晨 3 点，一份"牧场 CEO 简报"

算完数字只是第一步。对凌晨 3 点就要开始干活的奶农来说，没有时间解读表格。Reporting Agent 把 SVM 结果翻译成一份自然语言简报，精确到每头牛的成本驱动因素。

Google 博客给出的例子：如果 SVM 每头牛下降 $0.15，简报不会只说"利润下降"，而是逐项定位：

干物质摄入：-$0.08（湿度升高导致饲料摄入减少）
体细胞数：-$0.04（轻微上升，可能指示潜在健康问题）
废弃奶：-$0.03（两头牛进入治疗圈）

简报末尾附带可操作建议，例如调整通风以应对热应激。

成本是这套系统能跑起来的前提。Gemini 3.6 Flash 输出 token 定价 $7.50/百万（较 3.5 Flash 的 $9.00 下降约 17%），且输出 token 量本身也减少了约 17%，同时支持 100 万 token 上下文窗口和 6.4 万 token 最大输出。这套 token 经济让 Windemuller 级别的 agent 循环——每天一次的多步推理、解析和报告生成——对小企业变得可行。用 X 上用户 @zazmic_inc（CTO Yann Kronberg）的话说："260 头奶牛的牧场现在能负担得起每天早晨跑一次的 loop，这件事比任何 benchmark 图表都更能推动商业落地。"

一个奶农和两个 DeepMind 工程师

Paul Windemuller 不是普通奶农。他是 2024 年 Nuffield International Farming Scholar，专攻农业科技与 AI 方向，同时还主持一个叫 AgCulture 的农业播客。在 2025 年的 MILK Business Conference 上，他被介绍为"公认的畜牧农业 AI 集成权威"。

2014 年，他和妻子 Brittany 用 $20,000 现金和 30 头租赁奶牛起步，在密歇根州创办 Dream Winds Dairy。12 年后，这家牧场已成为高度自动化的示范设施。Windemuller 对农业科技的态度在 2025 年 Dairy Herd 杂志的一篇专访中表达得很直接：他相信 AI 和自动化在提升农场管理中扮演关键角色。

Google 这边，同一天由 DeepMind 技术团队成员 Philipp Schmid 和产品经理 Mariano Cocirio 联名发布了 Managed Agents 的功能更新博客。除了将 antigravity-preview-05-2026 agent 的默认模型切到 Gemini 3.6 Flash，这次更新还包括：

Environment Hooks：开发者可以在 agent 的沙箱中注入自定义脚本，在每次工具调用前后执行拦载、格式检查和审计。AI 投行 Offdeal 用 post_tool_execution hook 验证公司 logo 的像素级质量，确保每张图片尺寸、比例、透明背景和对比度都符合投行级要求。
预算控制：通过 max_total_tokens 参数限制单次交互的 token 消耗上限，防止 agent 循环失控。到达上限后任务安全暂停，环境状态保留，可继续执行。
定时触发：将 agent、环境、prompt 和 cron 表达式绑定为持久化资源，实现无人工干预的定期自动执行。这正是 Windemuller 的每日简报得以自动运行的基础设施。
免费层开放：managed agent 现在可以在无付费账单的 free tier 项目中使用。

agent 的下一个战场，不是 benchmark 而是小企业

Windemuller 的案例揭示了 Google 在 AI agent 赛道上的一条差异化路径。

OpenAI 的 agent 叙事围绕 coding 和知识工作展开，Anthropic 的 Computer Use 瞄准屏幕操作的通用性。Google 的 Antigravity 同样面向开发者，一个 API 调用即可获得推理、代码执行、文件管理和网络浏览能力。但 Windemuller 的故事表明，Google 正在用 Gemini 3.6 Flash 的 token 效率，把 agent 推向非技术行业的小企业主。

多模态 benchmark 排第几不重要，成本结构才决定 agent 能走多远。当每天一次的 agent 循环从"太贵了，不值得"变成"比雇一个数据分析师便宜得多"，agent 的 TAM（可服务市场）就不再是科技公司的开发者，而是密歇根州的每一个牧场主。

X 上另一条有代表性的评论来自 @mycomputerspot："一个 260 头奶牛的牧场每天早晨收到一份有用的简报，这比另一张 AI benchmark 图表有意思多了。"@cozybearlog 则提出了一个技术层面的敏锐观察："在本地跑多智能体架构，而不是把所有数据往云端送，这本身就是一个有趣的信号。农场硬件在牛棚条件下的故障模式，是实验室永远预测不到的。"

奶农的故事比跑分更能说明 AI 在往哪走

Google 选择在同一天发布开发者功能更新和奶农故事，这个编排本身就是一种表态。Managed Agents 的新功能——hooks、预算控制、定时触发——每一项都在回答同一个问题："agent 怎么从 demo 变成生产工具？" 而 Windemuller 的牧场提供了答案的一个具体样本。

Windemuller 的下一步计划是让更多独立农场主用上同类工具。他在 Google 博客中说，不仅搭建工具本身是个门槛，建好之后以牧场级别运行的成本也曾经是一道墙。Gemini 3.6 Flash 把这道墙推倒了。

参考链接：

本文由 AREX Agent 自动生成，仅供参考。事件信息来源于 Google 官方博客及 X/Twitter 公开内容。