当前位置:首页 > 文章列表 > 科技周边 > 业界新闻 > Google I/O 2026 的 Gemini API 管理型 Agent 怎么改变开发流程

Google I/O 2026 的 Gemini API 管理型 Agent 怎么改变开发流程

来源:17golang原创 2026-09-07 22:04:49 0浏览 收藏

Google I/O 2026 的 Gemini API Managed Agents,改变的不是“模型会不会回答”,而是开发者要不要自己搭建 Agent 的运行底座。它把推理、工具调用、代码执行和远程 Linux 环境放进一次交互里,并允许后续请求接着使用文件和状态。对开发团队来说,最明显的变化是:应用后端从拼装一串模型调用,转向管理一个可恢复、可观测、可限制权限的任务会话。

要点速览
  • Managed Agents 适合需要工具、文件和代码执行的多步任务,不是普通聊天接口的同义词。
  • Interactions API 用交互对象承载执行步骤,可用 previous_interaction_id 续接上下文。
  • 迁移前先验证数据留存、权限隔离、预算上限和失败回滚,建议从低风险内部任务灰度开始。

Managed Agents 到底增加了什么

Google 公布的 Managed Agents 由 Antigravity agent harness 驱动,当前通过 Interactions API 和 Google AI Studio 提供预览能力。一次调用可以让 Agent 进行推理、使用工具、管理文件,并在隔离的 Linux 沙箱中执行代码;它还可以浏览网页获取实时数据。每次交互都会创建或接收一个环境,后续调用可以继续使用已有文件和状态。

这几个词要分开看:模型负责生成决策,Agent harness 负责决定什么时候调用工具,远程环境负责承载代码与文件,Interaction 则记录一轮任务的输入、工具步骤和输出。过去团队需要自己维护队列、容器、上下文拼接和重试,现在这些基础设施被收进了平台能力,但业务方仍要负责权限、数据和结果验收。

Gemini API Managed Agents 的模型、工具、隔离 Linux 环境与交互状态关系图
图1:Managed Agents 将模型推理、工具调用、远程 Linux 环境和可续接交互放在同一任务边界内。

开发流程为什么从调模型变成管理交互

普通的 generateContent 更像“输入一段内容,得到一段输出”。托管 Agent 则把一次任务拆成连续执行步骤:先理解目标,再选工具,可能写入文件或运行代码,最后返回结果。Interactions API 还支持用 previous_interaction_id 续接对话,并提供后台执行等能力,因此产品代码需要保存的核心对象不再只有 prompt 和 response,还包括 interaction ID、任务状态、超时策略和人工接管入口。

最小调用可以这样写,重点不在复制示例,而在于明确远程环境是一次任务的资源边界:

from google import genai

client = genai.Client()

# 让托管 Agent 在远程 Linux 环境中完成一个可复查的分析任务
first = client.interactions.create(
    agent="antigravity-preview-05-2026",
    input="分析给定的 CSV,并生成一份 HTML 报告",
    environment="remote",
)

# 实际项目应持久化 ID,方便用户在下一轮继续任务
print(first.id)
print(first.output_text)

生产代码不要把这段调用直接放进同步 HTTP 请求里。更稳妥的路径是:创建任务后立即返回任务 ID;后台 worker 负责轮询或接收结果;前端展示当前步骤;用户追问时用保存的交互 ID 续接。这样即使 Agent 执行代码或等待外部数据,Web 请求也不会被长时间占住。

托管 Agent 应用从任务创建到后台执行、状态续接和人工验收的开发闭环示意图
图2:应用接入托管 Agent 后,核心流程变成任务创建、后台执行、状态续接和结果验收。

普通模型调用、自建编排和托管 Agent 怎么选

方案适合的任务主要代价
普通模型调用单轮问答、结构化抽取、短文本生成多步状态和工具编排要自己实现
自建 Agent已有容器、队列、审计和权限体系的团队基础设施与运行维护成本高
Managed Agents需要文件、代码、工具和多轮恢复的原型或业务任务预览阶段的模型、区域、费用和数据策略要先确认

如果任务只是把工单改写成 JSON,引入远程环境反而增加复杂度;如果任务要读取一批文件、运行分析脚本,再让用户追问修改报告,托管 Agent 才体现出价值。Google 还允许用 Markdown 文件定义自定义指令和技能,这让团队可以把行为约束版本化,但不能替代业务侧的权限校验。

迁移前先检查这四个边界

  • 数据边界:确认哪些文件可以进入远程环境,Interaction 是否存储,以及团队是否需要显式设置 store=false。
  • 权限边界:工具调用要采用最小权限,写文件、访问网络和发布动作必须分级,不能因为 Agent 能执行代码就放开生产凭据。
  • 运行边界:为单任务设置超时、预算和最大工具次数;长任务使用后台执行,不把一次调用当作永不失败的事务。
  • 结果边界:把生成的文件、数据结论和外部操作分开验收,涉及发布、删除或财务动作时保留人工确认。

更实际的试点顺序是内部资料分析、测试报告生成和原型脚手架。先记录任务成功率、平均交互轮数、人工接管率与单任务成本,再决定是否把同一模式推到面向用户的生产链路。

相关问题

Managed Agents 是不是普通 Gemini API 的替代品?

不是。单轮生成仍适合普通模型调用;Managed Agents 主要解决工具、文件、代码执行和多轮任务状态问题。

为什么要保存 interaction ID?

因为后续请求可以用 previous_interaction_id 续接服务端保存的会话状态,避免每次重新提交完整上下文。

现在就应该把现有 Agent 全部迁移吗?

不建议。它在公告中仍以预览能力推出,先用低风险任务验证数据留存、费用、权限和失败恢复,再决定是否替换自建运行底座。

官方资料:Managed Agents 公告、Interactions API 文档。

版本声明
本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
Go errors.As 提取自定义错误时怎么保留操作上下文Go errors.As 提取自定义错误时怎么保留操作上下文
上一篇
Go errors.As 提取自定义错误时怎么保留操作上下文
Go t.Setenv 在并行测试中为什么会被禁止
下一篇
Go t.Setenv 在并行测试中为什么会被禁止
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    614次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    653次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    686次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    646次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    475次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码