對於許多開發者來說，讓 AI 僅僅是「對話」並不夠，我們真正需要的是 AI 能像工程師一樣，在一個獨立的環境中寫程式、安裝套件、管理檔案並執行測試。這就是 Gemini API 所提供的 Managed Agents（託管代理人）的核心價值。它將推理能力與一個隔離的雲端沙盒（Cloud Sandbox）結合，讓單次 API 呼叫就能完成複雜的自動化任務。
近期 Google 對其 Managed Agents 進行了重要更新，重點在於提升效能、強化對工具調用的控制力，以及降低開發成本。
模型升級與靈活選擇
目前 Managed Agents 的預設模型已更新為 Gemini 3.6 Flash。這款模型在推理能力、程式碼撰寫以及工具使用（Tool Use）之間取得了良好的平衡。
對於開發者而言，模型選擇不再是單一選項。如果你追求極致的低延遲或希望降低成本，可以使用 Gemini 3.5 Flash-Lite；如果你需要維持特定的行為一致性，也可以將模型版本固定（Pin）。這種靈活性讓工程師能根據任務的複雜度，在成本與效能之間做權衡。
環境鉤子（Environment Hooks）：掌握 AI 的工具執行權
在自動化代理人的工作流程中，最令人擔心的就是 AI 在沙盒中執行了不可預期的操作。為了解決這個問題，Google 引入了環境鉤子（Environment Hooks）。
所謂的 Hooks，是指在 AI 呼叫沙盒內任何工具（例如執行程式碼或寫入檔案）之前或之後，系統會自動觸發你定義的自定義腳本。這就像是在 AI 與作業系統之間加了一層攔截器，讓開發者能實現以下三種關鍵控制：
第一是阻斷（Block）。透過 pre_tool_execution（執行前鉤子），你可以建立安全閘道。例如，當 AI 嘗試執行危險指令時，你的腳本可以回傳拒絕決定，直接攔截該次呼叫並將拒絕原因回饋給模型，防止損壞環境。
第二是校驗（Lint）。透過 post_tool_execution（執行後鉤子），你可以在 AI 寫完程式碼後立即執行 Linter 或格式化工具，確保產出的程式碼符合團隊規範。
第三是審計（Audit）。你可以記錄所有工具調用的軌跡，或像某些金融科技公司一樣，在 AI 生成圖片後立即觸發驗證管線，利用視覺模型檢查圖片品質與正確性，確保最終產出符合商用標準。
這項功能解決了遠端沙盒難以監控的痛點，讓 Managed Agents 從「實驗性質」轉向「生產等級」的穩定性。
成本控制與自動化管理
讓 AI 自主執行多輪循環任務時，最怕的是陷入無限迴圈而導致 Token 消耗爆表。為了防止這種情況，現在引入了預算控制機制（Budget Controls）。
開發者可以在配置中設定 max_total_tokens，限制單次任務的總消耗量（包含輸入、輸出與思考過程）。一旦達到上限，執行會安全地暫停並回傳 incomplete 狀態。最重要的是，沙盒狀態會被保留，你可以在檢查後增加預算，透過 previous_interaction_id 讓 AI 從中斷處繼續工作，而不需要從頭開始。
此外，為了實現真正的自動化，現在支援了排程觸發（Scheduled Triggers）。你可以將代理人、環境、提示詞與 Cron 表達式綁定，讓 AI 定期執行任務（例如每週自動掃描依賴項並生成遷移報告）。由於每次執行會複用同一個沙盒，檔案可以在多次執行之間持久化。
對開發者的影響
這次更新將 Managed Agents 從單純的 AI 助手，轉化為可控的、可排程的雲端工作者。對於 Junior 工程師來說，這意味著你不再需要自己搭建複雜的 Docker 環境或編寫繁瑣的外部調度邏輯（Orchestration），直接透過 API 就能擁有一個具備自我修正能力且受控的開發環境。
來源：blog.google
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。