Build Your Own Team of Managed Agents - Jack Wotherspoon, Google DeepMind
三句話摘要
介紹 Google Gemini 託管代理(Managed Agents)的架構、功能與應用,展示如何透過單一 API 呼叫在雲端沙箱中運行多步驟智能代理工作流。 託管代理透過雲端沙箱、Interactions 與 Environments 的分離架構、以及密鑰安全代理層,將代理工作從本地試驗升級為可擴展、安全、可在生產應用中大規模部署的解決方案。 本地代理的三大痛點——系統干擾(瀏覽器被接管、跳出視窗)、硬體資源瓶頸、個人配置無法共享——促成雲端託管方案,使代理工作流可擴展到應用與外部客戶。
重點整理
本地代理的三大痛點——系統干擾(瀏覽器被接管、跳出視窗)、硬體資源瓶頸、個人配置無法共享——促成雲端託管方案,使代理工作流可擴展到應用與外部客戶。
Interactions API 與 Environments 是核心雙柱設計:前者管理對話狀態與多輪互動,後者管理沙箱檔案系統,允許多個代理共享同一環境進行接力工作,實現真正的多代理協作。
安全架構採用代理層(proxy)在沙箱與 API 之間,將真實密鑰轉換為虛擬令牌,代理永遠看不到真實認證資訊,即便代理試圖洩露也無所獲。
Gemini 4 Argon 模型昨日發佈,特別強於金融與數據分析,其長解碼功能將整個 100 萬 token 上下文用於輸入、思考、輸出共享,突破傳統 64K 輸出限制,適合大規模推理任務。
實用技巧與重點
- 核心 API 與模型
- Interactions API(新代理優先版 SDK,替代舊 Model API)
- 基礎代理設定:`environment=remote` 啟用雲端模式
- Gemini 4 Argon(邊界模型,昨日發佈)
- Gemini Flash(快速高效模型)
- 上下文窗口:100 萬 token(輸入、思考、輸出共享)
- 輸出 token 上限:先前 64K,現與輸入共享 100 萬 token
- 託管代理的五大構建塊
- Harness:anti-gravity harness(決定工具呼叫、內建工具)
- Environment:沙箱檔案系統
- Skills:上傳 agents.md、playbook 到沙箱
- Credentials:注入認證令牌與 MCP OAuth
- Triggers:排程執行(支援 webhook、Slack 通知)
- 內建工具與連接
- 代碼執行、檔案讀寫、Google Search
- 遠端 SMTP 伺服器、自訂 MCP 服務
- 檔案掛載:啟動時上傳 GitHub 倉庫、agents.md
- 安全機制
- 代理層(proxy)在沙箱與 API 之間
- 真實密鑰永不進入沙箱(使用虛擬/虛擬令牌)
- API 呼叫時代理層匹配並注入實際密鑰
- 實際案例
- 三代理接力:SEC 檔案研究(Nvidia)→ 定量分析代理 → 報告生成代理
- 公司費用視覺化:連接 Google Drive,讀取費用單據自動生成互動式報告
- 股票分析應用:輸入代碼(VOO)→ 多個分析代理並行 → PDF 報告輸出
結論
託管代理透過雲端沙箱、Interactions 與 Environments 的分離架構、以及密鑰安全代理層,將代理工作從本地試驗升級為可擴展、安全、可在生產應用中大規模部署的解決方案。
完整解析
Google DeepMind 的傑克·威瑟斯龐在本次演講中介紹了 Gemini 託管代理,這是一種將 AI 代理從本地機器轉移到雲端沙箱運行的架構方案。傳統的本地代理存在三個主要問題:首先,代理會干擾使用者的瀏覽器和系統(如跳出視窗、自動操作),其次,筆電的計算資源有限且難以擴展,再者,個人化的代理配置(如自訂技能或工具)無法輕易與團隊共享或集成到生產應用中。託管代理透過將代理運行遷移到 Google Cloud 基礎設施,徹底解決了這些問題,並將複雜的容器管理、網路設定、防火牆規則和安全配置簡化為一個 API 呼叫。
託管代理的核心是今年推出的 Interactions API,這是 Google 全新的代理優先 SDK 架構,取代了舊有的模型 API。Interactions API 圍繞代理的多步驟工作流設計,將對話狀態(Interactions)與沙箱檔案系統(Environments)分離為兩個獨立的伺服器端實體。Interactions 用來追蹤代理與 API 之間的多輪對話;Environments 則管理沙箱中的所有檔案操作。這種設計賦予託管代理非凡的靈活性與協作能力:一個代理可以執行研究任務並將結果寫入環境,而另一個代理可以重用相同的環境但擁有全新的對話上下文,進而以前一個代理的成果為基礎繼續工作。這就是多代理工作流的精髓。
在模型層面,Google 昨日發佈的 Gemini 4 Argon 代表了邊界模型的最新進展。傳統模型的輸出 token 限制約 64K,但 Gemini 4 Argon 將整個 100 萬 token 的上下文窗口用於輸入、思考和輸出的共享。這對需要大量推理的金融建模或數學分析尤為關鍵。開發者可根據任務需求靈活切換模型:Gemini Flash 適合快速高效的任務,Gemini 4 Argon 則適合深度推理和複雜數據分析。安全架構是託管代理設計中最精妙的部分。一個位於沙箱與 API 之間的代理層(proxy)確保了真實的認證密鑰永遠不會進入沙箱。當代理執行需要認證的操作時,沙箱內只會看到虛擬令牌。當代理實際呼叫外部 API(如 GitHub API)時,代理層會在請求中注入真實的密鑰。這樣即便代理嘗試洩露或濫用認證資訊,也無所獲。
託管代理支援多種附加功能,使其足以應對複雜的業務流程。技能系統允許上傳 agents.md 檔案和自訂 playbook;認證管理整合 MCP OAuth 和各種令牌;觸發器則允許在指定時間(如每天早晨 8:30)自動運行代理,並支援 webhook 回呼以整合 Slack 或其他通知系統。演講中的實際案例深入展示了這些功能的威力。第一個案例展示了三個代理的接力工作:SEC 檔案研究代理首先搜索並分析 Nvidia 的財務資料,將關鍵指標保存為 JSON;定量分析代理接手同一環境,讀取這些指標並執行 Python 分析,生成股價預測;最後報告生成代理將所有分析結論整合為結構化報告。第二個案例展示代理如何連接 Google Drive 讀取公司費用單據,自動生成交互式可視化報告。第三個案例則是一個完整的應用示例,使用者輸入股票代碼(如 VOO),託管代理自動執行多個分析任務,最終生成包含圖表和外部資源連結的 PDF 報告。整個流程從 API 呼叫到結果交付,完全在雲端沙箱中完成,用戶無需管理任何基礎設施。


