# Gemini 4 Argon verlaagt overhead in 11 uur coderen

> Google zegt dat de codeeragent twee bruikbare optimalisaties vond in zijn Python-framework van 205.000 regels. Vier andere voorstellen werden bij de review afgewezen.

Oossa · 2026-10-24 · https://oossa.com/nl/gemini-4-argon-cut-adk-overhead-in-an-11-hour-coding-run

Volgens Google werkte Gemini 4 Argon 11 uur lang zonder toezicht aan de Python-codebase van Agent Development Kit (ADK), een open-sourceframework voor het bouwen en uitrollen van agents. De sessie leverde twee door Google goedgekeurde optimalisaties op: de ene verminderde de overhead van het voorbereiden van sessies in het geheugen tijdens lange sessies met ongeveer 40%, de andere maakte het koud importeren van packages 21% sneller.

De opdracht testte of het model een bestaand project kon verbeteren, in plaats van vanaf nul een app te bouwen. ADK telt ongeveer 205.000 regels code, verdeeld over bijna 800 bronbestanden. Google-software-engineer Bo Yang beschreef de nachtelijke sessie in een bericht van 13 oktober 2026; InfoQ berichtte ook over de resultaten.

## Wat veranderde Argon?

Bij één wijziging filterde ADK conversatiegebeurtenissen voordat het ze kopieerde. Voorheen kopieerde de sessieservice in het geheugen de volledige conversatie, voordat die werd teruggebracht tot de gebeurtenissen waar een aanroeper om vroeg. De andere wijziging stelde het laden van zware packages uit tot ze nodig waren. Een eenvoudige tekstagent importeerde ook onderdelen voor audio en video, tracing en webservers, zelfs als die niet werden gebruikt.

Google zegt dat de verbetering aan sessies tijd bespaarde naarmate gesprekken langer werden. In een uitvoering met 158 beurten waarin tools werden aangeroepen, daalde de overhead van het framework door het schrappen van herhaald kopiëren van 65,6 seconden naar 56,1 seconden. Dat is de tijd die het framework zelf kostte, niet de tijd die het model nodig had om de taak uit te voeren. Google zegt ook dat de wijziging voor lazy loading het koud importeren 21% versnelde, maar vermeldt niet hoeveel tijd dat in absolute zin scheelde.

Om de sessie richting te geven, voegde het team projectspecifieke instructies toe in bestanden in .agents/skills en gebruikte het de modus /goal in Google Antigravity, zodat de opdracht tijdens de sessie in beeld bleef. Argon mat de uitgangswaarden voor vier workloads, stelde zes optimalisaties voor in 32 bestanden en voerde voor de afronding alle 16.892 open-source-unittests uit.

## Waarom werden vier voorstellen afgewezen?

Google nam slechts twee van de zes voorgestelde wijzigingen over. De andere vier werden na beoordeling door ontwikkelaars afgewezen vanwege zorgen over onder meer betrouwbaarheid, onderhoudbaarheid, compatibiliteit of de vraag of de snelheidswinst wel betekenisvol was. Een afgewezen cache verbeterde een synthetische benchmark met meerdere agents met 17%, maar volgens Google kon die verouderde gegevens opleveren als Python na garbage collection een geheugenadres opnieuw gebruikte.

De sessie laat zien wat het team van Google bruikbaar vond: de agent kon wijzigingen in meerdere bestanden volgen en code voorbereiden voor menselijke beoordeling. De sessie toont niet aan dat de agent zelfstandig veilig wijzigingen kan doorvoeren en uitbrengen. Volgens Googles verslag hield een eerdere poging geen rekening met teamconventies en randgevallen; ook na de nachtelijke sessie moesten beheerders nog bepalen welke voorstellen veilig konden worden overgenomen.

## De feiten

- Google beschreef de nachtelijke sessie met Gemini 4 Argon in een blogbericht van 13 oktober 2026.
- ADK bevat ongeveer 205.000 regels Python-code, verdeeld over bijna 800 bronbestanden, en heeft 16.892 open-source-unittests.
- Google nam twee van de zes voorgestelde optimalisaties over; de overhead bij het voorbereiden van sessies daalde tijdens lange sessies met ongeveer 40%, en het koud importeren van packages werd 21% sneller.
- In een uitvoering met 158 beurten waarin tools werden aangeroepen, mat Google een daling van de frameworkoverhead van 65,6 seconden naar 56,1 seconden.

## Waarom het ertoe doet

Voor softwareteams die grote Python-projecten onderhouden, laat dit voorbeeld zien dat een codeeragent kan helpen prestatieverbeteringen in meerdere bestanden te vinden, en niet alleen één functie te bewerken. De resultaten zijn afkomstig van Google zelf en de ingenieurs wezen nog vier voorstellen af. De sessie toont dus niet aan dat teams tests of codebeoordelingen kunnen overslaan.

## Bronnen en referenties

1. [Google Optimizes Agent Development Kit's 200K-line Python Codebase Overnight with Gemini 4 Argon](https://www.infoq.com/news/2026/10/google-argon-optimizes-adk/?utm_campaign=infoq_content&utm_source=infoq&utm_medium=feed&utm_term=AI%2C+ML+%26+Data+Engineering) – InfoQ, 2026-10-24
2. [Google](https://developers.googleblog.com/optimizing-a-200000-line-python-codebase-overnight-with-gemini-4-argon/) – Google

Laatst bijgewerkt: 2026-10-24