安卓多智能体新入口:Rabbit 2 开放 Agent 选择
Rabbit 2 稳定版让 Android Studio 不再限于单一 Gemini 选项,开放 40+ AI Agent 选择。本文给出多智能体选型、权限控制与结果验证方法,并附脚本,帮助开发者把 Agent 选择变成可复盘的工程决策。
文章目录
10 月 28 日,Android Studio Rabbit 2 稳定版发布。最值得看的变化,不只是多了一个 AI 入口,而是选择权发生变化:开发者不再只有 Gemini 一个选项,40+ AI Agent 正式入驻。 当 Gemini 不再是唯一选项,任务是否匹配、权限是否可控、结果能否验证,就成了比“谁的回复更像专家”更实际的问题。
这篇内容给出一套可执行的多 Agent 判断法:先定义任务与验收方式,再做同题小测,最后记录权限和证据。随附脚本还能把一次选择整理成可复盘的 Markdown 记录。 核心不是 Agent 越多越好,而是把选择变成可审查、可复盘的工程决策。
1、Rabbit 2 改变的是入口,不是“多一个按钮”
1、Rabbit 2 改变的是入口,不是“多一个按钮” · AI 生成示意图
Rabbit 2 是这次 Android Studio 更新的稳定版本。它带来的核心变化,是允许自由选择 AI Agent,并提供 40+ AI Agent 作为选项。
这不等于 Gemini 被移除,而是选择不再只有一条路。至于具体名单、支持范围和配置方式,现有材料没有完整展开,应以原文与实际界面为准。
从使用方式看,变化可以这样对照:
| 对照维度 | Gemini 作为唯一选项 | Rabbit 2 开放 Agent 选择后 |
|---|---|---|
| 入口 | 围绕一个助手建立使用路径 | 可按任务选择候选 Agent |
| 评估 | 主要看回答是否符合预期 | 还要看能力、权限与证据 |
| 切换 | 通常沿用同一助手的习惯 | 可以比较不同候选的适配度 |
| 治理 | 重点检查默认助手 | 每个候选都要单独审查 |
关键结论不是“选项越多越强”,而是开发者开始拥有 Agent 选择权。
2、40+ Agent 应该怎么选:先做题,再挑工具
2、40+ Agent 应该怎么选:先做题,再挑工具 · AI 生成示意图
40+ 首先代表选择面扩大,不代表所有 Agent 都适合同一个任务。照着数量装一堆工具,最后往往只会得到更多上下文、更长切换成本和更复杂的维护。
更稳妥的顺序有三步。
- 先写任务边界。 说清输入、期望产出,以及绝对不应发生的动作。任务描述越具体,越容易判断候选是否匹配。
- 再核对能力与权限。 确认它需要哪些上下文,会读哪些文件,是否会修改内容、执行命令或连接外部服务。未知项不要靠猜。
- 最后设置验收。 用同一个小任务比较结果、证据与失败后的可恢复性。输出漂亮但无法核对,就不算完成任务。
真正值得沉淀的不是某次对话,而是“为什么选它”的证据。
3、把选型过程变成可重复的小实验
多 Agent 的风险不是“选错一个名字”,而是不同候选拥有不同上下文、权限和操作边界。如果没有统一记录,团队很容易只记住最终答案,却说不清答案来自哪种能力、经过哪些操作。
一个简单做法,是先固定任务目标、可用上下文、允许的副作用和验收方式,再让候选分别处理同一小任务。比较时看四类证据:结果是否满足目标,过程是否可解释,变更是否可审查,失败是否容易定位。
下面脚本不调用 Rabbit 2 的私有接口,也不假设任何未公开配置;它只把人工判断整理成 agent-selection.md,方便前后复盘。具体操作仍以原文为准。
from datetime import datetime
from pathlib import Path
questions = [
('任务目标', '要交给 Agent 完成的具体任务'),
('候选 Agent', '名称或来源'),
('可用上下文', '例如项目文件、构建日志'),
('权限边界', '例如只读,或允许修改文件'),
('验收方式', '例如运行测试并检查差异'),
('实际结果', '保留可核对的事实'),
('验证证据', '日志、截图或差异'),
]
record = {}
for key, hint in questions:
value = input(f'{key}({hint}):').strip()
if not value:
raise SystemExit(f'{key} 不能为空,请重新运行。')
record[key] = value
output = Path('agent-selection.md')
stamp = datetime.now().isoformat(timespec='seconds')
with output.open('a', encoding='utf-8') as file:
if output.stat().st_size == 0:
file.write('# AI Agent 选型记录\n')
file.write(f'\n## {stamp}\n\n')
for key, _ in questions:
file.write(f'- **{key}**:{record[key]}\n')
print(f'已生成 {output.resolve()}')
连续记录几次后,比较的就不再是“感觉”,而是同一验收口径下的差异。每次都能回答三个问题:候选凭什么入选、放了哪些权限、结果靠什么证明。
4、自由选择之后,权限治理必须跟上
Agent 进入开发环境后,建议把审查拆成四层。
- 来源与能力: 从哪里获得,官方说明能做什么,不能做什么。
- 最小权限: 只给完成当前任务所需的上下文和操作范围,不因“以后可能用到”提前放开。
- 数据与动作: 留意项目源码、配置、日志等材料是否会被读取,以及文件修改、命令执行、外部连接等行为。
- 结果与回退: 检查差异,运行项目自己的验证流程,并确认失败后能否恢复到操作前状态。
这些检查不因 Agent 名称而改变。Gemini 是候选之一,其他 Agent 也应按同一标准比较;无法说明权限来源、无法提供验证证据的候选,通常不适合直接进入日常流程。
落地时先从最熟悉的一项任务开始:固定输入,保留提示与上下文,给候选有限权限,再用项目现有方式验收。连续几次后,再决定是否扩大使用范围。仅仅因为“40+ 中有它”就直接接入,通常不是好理由。
能进入工具链的 Agent,不应把“模型自己保证安全”当作通过条件。
写在最后
Rabbit 2 稳定版释放的信号,是 Android Studio 从单一 Gemini 选项走向多 Agent 可选。 40+ 带来的是更丰富的选择面,也把筛选、授权与验证责任交给开发者。 最稳妥的用法,是固定任务边界、同题小测,并保留权限与证据。 不要按数量挑 Agent,要按可验证、可控制、可复盘来挑。
我的判断:多 Agent 会成为开发工具的常态入口,真正拉开差距的会是团队的筛选与验证机制。
相关阅读
文中链接
整理自本文的外部链接,请以来源页面说明为准。