對於許多剛接觸 LLM 應用開發的工程師來說，過去我們對 AI API 的認知通常是 Request-Response 模式：發送一段文字，模型回傳一段回答。然而，隨著 AI 從單純的聊天機器人演進為能執行任務的 Agent（AI 代理），這種簡單的無狀態對話已不足以支撐複雜的實務需求。Google 最近正式發布的 Interactions API，正是為了將 Gemini 從單純的推理模型，轉化為能夠處理長時任務、管理狀態且具備執行能力的系統接口。
理解 Interactions API 轉型的核心背景：從 generateContent 到 Interactions API
在過去，我們主要使用 generateContent API，它的邏輯是基於 Role（角色）的結構，例如定義 User 說了什麼、Model 回答了什麼。但當我們想要建立一個 Agent 時，流程會變得非常複雜。Agent 需要思考（Thought）、調用工具（Function Call）、觀察結果（Observation），然後再次思考。如果使用舊有的 API，開發者必須在客戶端自行維護這些對話狀態，並在每次請求時將所有歷史紀錄重新傳送給模型，這不僅增加了網路傳輸開銷，也讓邏輯變得臃腫。
Interactions API 的設計初衷是將重心從 角色 轉移到 步驟（Steps）。在新的架構中，每一次的交互不再僅僅是對話，而是一個定義明確的步驟，例如用戶輸入、模型思考、函數調用或模型輸出。這種結構化設計讓 AI 的推理過程變得透明且可追蹤，更重要的是，它將狀態管理移到了伺服器端（Server-side state），大幅簡化了開發者的負擔。
關鍵技術特性與實務影響
第一，託管代理與沙盒環境（Managed Agents & Sandbox）
這是 Interactions API 最強大的更新。過去如果你想讓 AI 執行 Python 程式碼，你必須在自己的伺服器搭建安全的沙盒環境來執行，並將結果回傳給 AI。現在透過 Managed Agents，Google 直接提供一個遠端的 Linux 沙盒。AI 可以在這個隔離環境中推理、編寫並執行程式碼、瀏覽網頁以及管理文件。這意味著開發者不需要維護複雜的執行環境，只需提供指令與權限，AI 就能在雲端自主完成任務。
第二，異步背景執行（Background Execution）
在實務中，很多任務（如深度研究 Deep Research）可能需要數分鐘甚至更久才能完成。傳統 API 如果連線時間過長會導致 Timeout。Interactions API 引入了 background=True 參數，讓請求變成異步處理。伺服器會在後台持續執行該任務，開發者無需維持長連接，即可在任務完成後獲取結果。
第三，工具組合與多模態生成（Tool Combination & Multimodal Generation）
目前的 API 允許開發者將 Google 內建工具（如 Google Search、Google Maps）與自定義的 Function Calling 混合在同一個請求中。此外，工具回傳的結果不再限於文字，現在可以包含圖像。在輸出端，它也整合了 Nano Banana 2（圖像生成）、Lyria 3（音樂生成）以及多說話者 TTS（文字轉語音），讓 Agent 能產出豐富的多模態內容。
開發成本與效能的平衡
為了滿足不同規模的專案，Interactions API 提供了兩種層級：Flex 與 Priority。對於對延遲要求不高但希望降低成本的專案，Flex 模式可降低約 50% 的成本；而對於需要極速回應的產品，則可選擇 Priority 模式。此外，付費層級提供長達 55 天的交互紀錄保存，方便開發者進行除錯或分析用戶行為。
給開發者的遷移建議
雖然舊有的 generateContent API 仍會持續支援，但 Google 明確表示，未來最前沿的長時任務能力與 Agent 功能將優先且僅在 Interactions API 上推出。
如果你是從舊版遷移，請注意最大的改變在於 Schema 的變更：從 Role-based 轉向 Step-based。建議優先使用 Python 或 JavaScript SDK，並利用 Google 提供的 gemini-interactions-api Skill，這能讓你的 AI 編碼助手直接學習最新的 API 實作模式，避免寫出過時的程式碼。
總結來說，Interactions API 的推出標誌著 Gemini 從一個對話模型轉向一個操作系統般的接口。它將狀態管理、執行環境與異步處理整合在一起，讓工程師能將精力從維護基礎設施，轉移到設計更聰明的 Agent 工作流上。
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。