跳转到内容
4ALL API 文档
主站 新闻 控制台

Gemini API 托管智能体：3.6 Flash、hooks 等

· Google AI
GoogleGemini

2026年7月28日

Managed Agents in Gemini API 现已默认使用 Gemini 3.6 Flash。新的环境钩子（environment hooks）可让你在沙箱内阻止、进行 lint 检查或审计工具调用。此外，我们还新增了预算控制、定时触发器和免费层访问。

Philipp Schmid

Google DeepMind 技术团队成员

Mariano Cocirio

Google DeepMind 产品经理

你的浏览器不支持音频元素。

收听文章

[[duration]] 分钟

此内容由 Google AI 生成。生成式 AI 具有实验性

Gemini API 中的 Managed Agents 现已支持环境钩子、模型选择和免费层访问。这些能力建立在我们此前发布的后台任务和远程 MCP 服务器集成之上。

在 Gemini Interactions API 中使用 managed agents 时，一次 API 调用即可在隔离的云沙箱内协调推理、代码执行、包安装、文件管理和网页检索。

如果你在使用 AI 编码助手，可以在终端中运行以下命令，为其添加 Interactions API 能力：npx skills add google-gemini/gemini-skills --skill gemini-interactions-api.

下面是使用 @google/genai TypeScript/JavaScript SDK 的示例。Python 或 cURL 版本请查看 Antigravity agent 文档。

Gemini 3.6 Flash 现已成为默认模型

antigravity-preview-05-2026 agent 现已默认运行 Gemini 3.6 Flash。无需更改代码。下一次交互会自动采用它。

你也可以在创建 interaction 或 managed agent 时，通过传入 agent_config.model 显式选择模型。若想降低成本，可使用 Gemini 3.5 Flash-Lite，或固定为你偏好的模型。

import { GoogleGenAI } from "@google/genai";


const client = new GoogleGenAI({});


const interaction = await client.interactions.create({
  agent: "antigravity-preview-05-2026",
  input: "审核 package.json 中的所有依赖，升级过时的包，并通过运行 npm test 验证构建。",
  environment: "remote",
  agent_config: {
    type: "antigravity",
    model: "gemini-3.5-flash-lite",
  },
});


console.log(interaction.output_text);

支持的模型包括：

  • Gemini 3.6 Flash（gemini-3.6-flash，默认）：适用于推理、编码和工具使用的均衡模型。
  • Gemini 3.5 Flash（gemini-3.5-flash）：上一代模型，适用于通用 agent 工作流。
  • Gemini 3.5 Flash-Lite（gemini-3.5-flash-lite）：在 Gemini 3.5 系列中延迟和成本最低。

环境钩子：在沙箱内阻止、lint 检查和审计工具调用

环境钩子允许你在 agent 在沙箱内执行的每次工具调用之前或之后运行自定义脚本。将 .agents/hooks.json 添加到你的环境中，运行时就会在 pre_tool_execution 或 post_tool_execution 事件上执行你的处理程序。

matcher 字段支持正则表达式，允许你使用 | 目标多个工具，或使用 * 匹配全部：

{
  "security-gate": {
    "pre_tool_execution": [
      {
        "matcher": "code_execution|write_file",
        "hooks": [
          {
            "type": "command",
            "command": "python3 /.agents/hooks-scripts/gate.py",
            "timeout": 10
          }
        ]
      }
    ]
  },
  "auto-format": {
    "post_tool_execution": [
      {
        "matcher": "*",
        "hooks": [
          {
            "type": "command",
            "command": "python3 /.agents/hooks-scripts/auto_lint.py",
            "timeout": 15
          }
        ]
      }
    ]
  }
}

在此配置中：

  • security-gate 组会在每次 code_execution 或 write_file 调用之前运行 gate.py。如果脚本返回 {"decision": "deny", "reason": "..."}，则该工具调用会被跳过，拒绝原因会被传入模型上下文。
  • auto-format 组会在每个工具结束后运行 auto_lint.py，以强制执行代码风格。
  • 钩子还支持 http 类型处理程序，可直接向外部端点发送 POST 请求。

有关完整的 HTTP 钩子定义和失败处理语义，请参阅 hooks 文档。

各团队已经在使用钩子构建生产级验证流水线。例如，AI 原生投资银行 Offdeal 使用 post_tool_execution 钩子在远程沙箱内运行自动图像验证。

“OffDeal 是一家 AI 原生投资银行，而 Archie 是我们的银行家每天都会使用的 AI 分析师。面向银行业务的演示文稿有一项要求是公司 logo：买方表、赞助方列、墓碑式交易列表，通常一份演示文稿中会有 30 多个 logo，而每一个都必须属于正确的公司、具有合适的尺寸和宽高比、包含公司名称、具备透明背景，并且在白色幻灯片上展示时具有高对比度。

在 agent hooks 出现之前，我们无法在 Gemini 的 managed agents 上做到这一点：沙箱是远程的，因此我们的验证代码无处运行。有了 hooks 后，当 Archie 写入公司列表的那一刻，一个 post_tool_execution 钩子就会在沙箱内触发我们的流水线，抓取候选项、执行像素级质量检查、使用 Gemini vision 验证每个 logo，并发布一份已批准文件的清单，而只有这些图片才允许进入演示文稿。”

  • Alston Lin，OffDeal 创始人兼 CTO

成本控制与自动化功能

免费层可用性

Managed agents 现已面向免费层项目开放。开发者可以使用来自未启用计费项目的 API 密钥来试验 agent 工作流。

预算控制

由于 managed agents 会执行多轮自主循环，复杂任务可能会消耗大量 token 预算。为防止任务失控，你可以在 agent_config 中传入 max_total_tokens，以限制总消耗量（输入 + 输出 + 思考）。

当 agent 达到上限时，执行会安全暂停，interaction 返回 status: "incomplete"。环境状态会被保留，你可以通过传入 previous_interaction_id 并分配新的预算，从中断处继续。

const interaction = await client.interactions.create({
  agent: "antigravity-preview-05-2026",
  input: "A