使用自架 Gemma 4 模型研究 Google Gemma 並建立主題化 HTML 報告
研究一個新的 AI 模型家族，通常要同時處理多個來源、整合發現，然後把所有內容整理成可展示的成品。這個工作流程展示了 Eigent 如何消除整個流程的繁複步驟——透過在 vLLM 上運行的本機 Gemma 4 31B 模型，它可協調多個 agents，從單一提示詞出發完成研究、撰寫、排版與交付，產出一個精緻的 HTML 頁面。
這個示範最令人注目之處，在於整個工作流程——多 agent 協調、即時網頁研究、基於技能的文件生成，以及主題化 HTML 輸出——全部由一個在您自有硬件上運行的開放權重 31B 參數模型驅動。
在 Eigent 中將 Gemma 4 設定為您的模型
前往 Settings → Agents → vLLM，將 Model Endpoint URL 設定為您本機託管的實例（例如 http://localhost:8000/v1），並將 Model Type 設定為 gemma4-31b。
這會告知 Eigent 將所有 agent 任務轉送至您自架的 Gemma 4 實例，而不是雲端 API，讓您的資料保持在本地，同時推理成本為零。
下載並匯入 Agent Skills
前往 Eigent Skills Hub：eigent.ai/skills，並將 doc-coauthoring 和 theme-factory skill 套件下載為 zip 檔。
回到 Eigent，前往 Settings → Agents → Skills，使用 Add Skill 對話框拖放這兩個 zip 檔。每個 skill 套件都包含一個 SKILL.md 檔案，說明 Eigent 何時以及如何啟動該 skill。theme-factory skill 亦包含 10 個預先建立的主題定義，內附精選配色方案與字型搭配。
提交研究提示詞
完成 skills 匯入並設定好 Gemma 4 後，在 Eigent 的聊天輸入框輸入您的任務提示詞：
Research Gemma family using Reuters, TechCrunch, the company website, and official docs. Then use {{doc-coauthoring}} and {{theme-factory}} to create a polished HTML page with key findings, comparisons, and next steps. Save the html file into the workspace folder.
{{doc-coauthoring}} 和 {{theme-factory}} 這兩個引用會告訴 Eigent 在此工作流程中啟用這兩個 skills。Eigent 會立即開始規劃執行。
觀察 Eigent 如何拆解並規劃任務
Gemma 4 會分析提示詞，並將其拆解為兩個連續任務：
-
Research Task: 使用 Reuters、TechCrunch、Google 官方網站及官方文件研究 Gemma 模型家族。萃取重點發現、模型比較，以及建議的下一步。輸出一份詳細的研究摘要，以 markdown 格式包含三個部分：「Key Findings」、「Comparisons」及「Next Steps」。
-
HTML Generation Task: 使用提供的研究摘要，運用
doc-coauthoring與theme-factoryskills 建立一個精緻、專業的 HTML 頁面。將最終 HTML 檔案儲存到工作目錄。
這個任務拆解是自動進行的——Gemma 4 能理解依賴關係，並按順序安排工作。
多 Agent 協調開始執行
Eigent 同時啟動多個專門化 agents 來執行計劃：
-
Browser Agent 啟動並行瀏覽器工作階段，在網上進行研究。它同時瀏覽 Google search、Reuters、TechCrunch、Gemma 的官方 Google DeepMind 頁面，以及 Google AI blog，以最大化吞吐量。
-
Developer Agent 則待命，等待研究摘要完成後再進行 HTML 生成。
Browser Agent 透過同時處理多個網頁，充分發揮 Gemma 4 的大型上下文視窗，擷取關於 Gemma 模型家族架構、部署選項、生態系統及授權的相關資訊。
Browser Agent 交付研究摘要
在瀏覽完所有指定來源後，Browser Agent 會產出一份結構化的 Completion Report，內含整合後的研究結果。報告涵蓋：
-
Key Findings: Gemma 是由 Google DeepMind 開發的一系列輕量級、最先進的開放權重模型，採用與 Gemini 模型相同的技術建立。其生態系統專為高效率而設計，讓開發者能建立可在不同硬件上本機運行的 AI 應用程式。
-
Core Characteristics: 以 Gemini 研究為基礎的架構；高度最佳化，適合裝置端及本機運行；可透過 Hugging Face、Kaggle、Vertex AI、Ollama 及 LM Studio 存取；生態系統下載量超過 1.1 億次；開放權重授權，並附帶適用於商業用途的自訂授權條款。
-
Comparisons with GPT-4: GPT-4 是一個通常透過 API 或雲端存取的大型多模態模型，而 Gemma 則提供開放權重替代方案，支援本機部署、完整微調控制及離線運作。
-
Next Steps: 建議的行動包括開發整合、裝置端部署測試、專門化使用場景及擴展選項。
這份 markdown 研究摘要會自動傳送給 Developer Agent，作為下一階段的輸入。
Developer Agent 載入 Skills 並生成 HTML
Developer Agent 接收研究摘要後，會啟用這兩個 skills。它先讀取 doc-coauthoring 的 SKILL.md，了解結構化文件工作流程；再讀取 theme-factory 的 SKILL.md，取得精選主題集合。
Developer Agent 透過終端機執行：
- 查找可用 skills，以找到 doc-coauthoring 和 theme-factory
- 讀取主題展示以選擇合適的視覺主題
- 在工作區建立專案目錄
- 撰寫完整、自包含的 HTML 檔案，將研究內容與所選主題的配色及排版結合
Developer Agent 將主題的 hex 色碼、字型搭配及視覺識別延伸至所有區塊——標題、內文、卡片元件與背景元素，產出一份看起來如專業設計師手工打造的成品。
檢視最終的主題化 HTML 報告
完成的 HTML 頁面會直接儲存到工作區資料夾。打開後可見一份精緻的深色主題報告，標題為 "Google Gemma Family of Models — Advanced Research Summary & Strategic Analysis"，內容包括：
- 一個 Key Findings 區段，配有樣式化項目符號，涵蓋 Gemma 的架構、部署特性、可存取性、生態系統成長及授權條款
- 一個 Comparisons 矩陣，對比 Gemma 與如 GPT-4 之類的雲端替代方案
- 一個 Next Steps 區段，提供可執行的建議，涵蓋開發整合、裝置端部署、專門化使用場景及擴展
- 一個附有來源歸屬的專業頁尾
整個頁面具備響應式設計，且以單一 HTML 檔案完整自包含，可直接與持份者分享或於內部發佈——全部由在本機硬件上運行的 31B 開放權重模型生成。
為何這個工作流程重要
這個示範展示了三項協同運作的能力：
- 開放權重模型的效能： 本機透過 vLLM 運行的 Gemma 4 31B 可處理複雜的多 agent 協調、即時網頁研究及程式碼生成——這些任務通常只有更大型的雲端託管模型才能勝任。
- Skills 組合： doc-coauthoring 與 theme-factory skills 可無縫組合。兩者彼此並不知道對方的存在；由 Eigent 將它們協調成單一流程。
- 多 agent 平行化： Browser Agent 在多個來源上同時進行研究，而 Developer Agent 則等待結構化交接，既提升吞吐量，又不犧牲品質。
接下來可以嘗試什麼
當第一份報告生成後，您可以用以下後續提示詞在此基礎上延伸：
將主題換成 "Arctic Frost"，並重新生成同一份報告。
將 Gemma 研究替換為對另一個 AI 模型家族的深入分析。
加入 pptx skill，根據同一份研究生成簡報。
使用不同的 Gemma 變體執行相同工作流程，比較不同模型規模下的輸出品質。
取得更佳結果的提示
- 明確指明來源。 指定 Reuters、TechCrunch 及官方文件，可為 Browser Agent 提供清晰的研究路徑，而不是依賴開放式搜尋。
- 使用雙大括號 skill 引用。 在提示詞中寫入
{{doc-coauthoring}}和{{theme-factory}}可明確啟用這些已匯入的 skills。 - 指定輸出位置。 要求「將 HTML 檔案儲存到 workspace folder」可明確告知 Developer Agent 最終成品要寫到哪裡。
- 讓模型自行規劃。 當您描述的是期望成果，而不是逐步規定每個步驟時，Gemma 4 的任務拆解效果最佳。
