谷歌把3个云串成1条流水线，开发者：终于不用当传话筒了

用Python写AI应用，部署到AWS的容器服务，调用谷歌的Gemini模型——这三件事放在三年前，你需要在三个控制台之间反复横跳，像个人肉API网关。

现在有人把它们串成了一条流水线：谷歌的Agent Development Kit（智能体开发工具包，简称ADK）负责低代码编排，AWS Fargate托管容器，Gemini CLI实时辅助编码。跨云多智能体开发，从"不可能三角"变成了"即插即用"。

Python版本地狱，被pyenv一键终结

Python是AI开发的默认语言，但版本管理一直是隐形杀手。你本地跑3.11，同事用3.10，生产环境突然冒出个3.9，依赖冲突像俄罗斯轮盘赌。

pyenv这个工具的存在感很低，但解决的是真痛点：它让你在单台机器上并行安装多个Python版本，项目目录里放一个`.python-version`文件，终端自动切换。原文作者验证时用的是3.13.12——写清楚具体版本号，是为了确保你复现时不踩坑。

这种"确定性"在AI工程化里很稀缺。模型版本、框架版本、CUDA版本，任何一个变动都可能让上周能跑的代码今天报错。

ADK选择Python作为主力语言，看中的就是这门语言的"胶水"属性：解释执行、快速迭代、ML库生态成熟。但胶水也有粘手的时候——环境一致性，只能靠工具链来补。

Fargate的隐藏设定：Serverless不等于无脑

AWS Fargate的定位是"无服务器容器计算"，关键词是"无服务器"——不是"无配置"。它帮你屏蔽了EC2实例的打补丁、扩缩容，但容器镜像、任务定义、网络策略仍然要你自己写。

原文的部署路径很清晰：Python代码→容器化→Fargate服务。这条链路省略了一个传统步骤：管理虚拟机。对于想快速验证MCP（Model Context Protocol，模型上下文协议）服务器的开发者来说，省掉的就是数小时的IAM权限调试。

Fargate的计费模型是按实际vCPU和内存使用量秒级计费。换句话说，你的智能体半夜没人调用时，账单接近于零。这对实验性项目友好，但别误会成"完全免费"——流量费、存储费、日志费照样跑。

Gemini CLI：不是替代Cursor，是另一种交互范式

安装命令很简单：`npm install -g @google/gemini-cli`。但工具的定位值得细品——它不是一个独立的IDE插件，而是一个终端原生的AI助手。

启动后的界面很克制：版本号、登录状态、快捷键提示、当前模型（Gemini 3）、内存占用（239.8 MB）。没有花里胡哨的侧边栏，核心交互就是`shift+tab`接受代码建议、`@path/to/file`引用文件。

这种设计暗含一个判断：专业开发者不需要被AI"教"怎么写代码，需要的是在终端里随时有个能上下文感知的协作者。

原文提到需要Node.js环境，但没说的是版本兼容性陷阱。Gemini CLI对Node版本有硬性要求，太低会静默失败。这和Python的pyenv形成有趣对照：谷歌工具链押注Node生态，AWS侧押注Python容器，跨云开发本质上是在做版本管理的"双语教育"。

MCP服务器：被低估的协议层

整篇文章的隐藏主角是MCP（模型上下文协议）。作者的目标是做一个"最小可用的MCP stdio服务器"，stdio指的是标准输入输出流——最原始的进程间通信方式。

为什么要用这么"复古"的方式？因为MCP的设计哲学是：智能体需要安全、可控地访问外部工具和数据。stdio模式意味着服务器跑在本地子进程里，没有网络暴露面，适合处理敏感操作。

ADK+Gemini CLI+Fargate的组合，本质上是在回答一个问题：当AI智能体需要同时调用本地文件、云端API、第三方服务时，谁来定义交互标准？MCP就是那个试图统一方言的" Esperanto "，而谷歌和AWS的联手部署，是在用实际工程验证这个协议的可行性。

原文没有给出完整的性能数据，但留下了几个可观测的锚点：Python 3.13.12的验证命令、Gemini CLI v0.33.1的版本号、239.8 MB的内存占用。这些数字的存在，说明作者确实跑通过全流程——在AI工程文章里，"能跑起来"比"理论上可行"值钱得多。

跨云开发的旧范式是：你在A云写代码，导出配置，手动翻译成B云的语法，再祈祷环境变量没漏。新范式是：协议层统一（MCP），工具链各取所长（ADK的编排、Fargate的托管、Gemini的推理），开发者只关心业务逻辑。

这套组合还在早期。ADK的文档密度、Gemini CLI的稳定性、Fargate的冷启动延迟，都是待填的坑。但方向很明确：当云厂商开始用开放协议互相连接，而不是用封闭生态互相隔离时，开发者的选择权才真正成立。

最后一个细节：原文作者在终端截图里保留了`no sandbox`的警告和`see /docs`的提示。这种"不粉饰问题"的写法，在AI教程里反而少见——毕竟大多数人更愿意展示"一键部署成功"的幻觉。

你的MCP服务器，会选择跑在本地stdio、Docker容器，还是直接上Fargate？这个选择本身，可能比代码更能说明你对"可控性"和"便利性"的权衡。