☰
24.08.2026

Gemini Managed Agents: что нужно знать разработчикам

Google развивает Gemini API в сторону автономных сценариев уже несколько лет. Весной 2026 года на Google I/O компания показала Gemini Managed Agents — готовую среду, в которой агент получает Linux-песочницу, файловую систему, доступ к инструментам и возможность сохранять состояние между запусками.

Для разработчика это снимает конкретный пласт работы: не нужно самостоятельно поднимать контейнеры для каждого агента, управлять их жизненным циклом и продумывать изоляцию окружений. При этом Managed Agents не заменяют весь бэкенд приложения — очереди, API, хранение истории и бизнес-логику по-прежнему разумнее держать отдельно.

В статье разберём, как устроены Gemini Managed Agents, какие агенты предлагает Google, где такой формат действительно полезен и какие ограничения стоит учитывать перед использованием в рабочих проектах.

Что такое Gemini Managed Agents

Gemini Managed Agents — управляемое окружение для автономных AI-агентов. По одному вызову API Google запускает изолированную Linux-песочницу, внутри которой модель может выполнять код, работать с файлами и обращаться к внешним ресурсам.

Среда работает на Ubuntu. В ней уже установлены Python 3.12, Node.js 22, git, curl, wget, jq, ripgrep, htop и другие базовые CLI-инструменты.

Агенту можно передать:

После этого он выполняет задачу в пределах выделенного окружения.

Практическая ценность Managed Agents — в инфраструктуре вокруг модели. Google берёт на себя создание песочницы, изоляцию, снапшоты и жизненный цикл environment. При самостоятельной сборке агентной системы эти задачи пришлось бы реализовывать отдельно.

Как работает Gemini Managed Agents

Рабочий цикл состоит из четырёх этапов.

1. Вызов Interactions API

В запросе указывается агент, задача и environment. Можно создать новую удалённую среду, подключиться к существующей по ID или передать собственную конфигурацию с источниками данных и сетевыми правилами.

curl -X POST "https://generativelanguage.googleapis.com/v1beta/interactions" \
-H "Content-Type: application/json" \
-H "x-goog-api-key: $GEMINI_API_KEY" \
-d '{
"agent":"antigravity-preview-05-2026",
"input":"Install pandas and print its version",
"environment":"remote"
}'

2. Создание окружения

Google поднимает песочницу с 4 CPU и 16 ГБ RAM. Если в запросе указаны repository, GCS или inline-файлы, они добавляются в рабочую директорию до запуска агента.

Агент начинает работу уже внутри подготовленной среды. Разработчику не приходится отдельно создавать контейнер, устанавливать базовые пакеты и готовить окружение перед каждым запуском.

3. Выполнение задачи

Агент анализирует инструкцию, запускает команды, пишет код, читает файлы и использует разрешённые внешние ресурсы.

Одна задача может включать несколько последовательных итераций: анализ, действие, проверку результата и следующий шаг. Поэтому стоимость сложного агентного сценария нельзя оценивать по цене одного обычного запроса к LLM.

Расход токенов зависит от объёма контекста, количества действий и сложности задачи и может быть значительно выше, чем при обычном вызове Gemini API.

4. Сохранение окружения

После выполнения запроса environment некоторое время сохраняется. Это позволяет продолжить работу с теми же файлами и установленными пакетами.

Состояние Что происходит
Created Окружение создаётся под конкретный interaction
Active Агент выполняет задачу внутри песочницы
Idle После периода бездействия состояние окружения сохраняется
Offline Среду можно восстановить и продолжить работу по environment_id
Deleted Environment удаляется после завершения срока хранения

Для длинных или повторяющихся задач сохранение environment полезнее, чем постоянный запуск новой чистой песочницы.

Какие агенты доступны

Google предлагает готовые managed-агенты и возможность создавать собственные конфигурации.

Тип агента Для чего подходит
Antigravity agent Код, файлы, внешние ресурсы и универсальные агентные задачи
Deep Research Многоэтапный сбор и анализ информации
Кастомный агент Собственная конфигурация под процессы команды

Antigravity agent

Antigravity agent — универсальный вариант для работы с кодом и файлами. Он может устанавливать зависимости, запускать программы, обрабатывать данные и работать с внешними ресурсами.

Его же можно использовать как основу для собственной конфигурации. Через AGENTS.md и SKILL.md задаются дополнительные инструкции, навыки и правила работы.

Такой формат удобен, например, для проверки кода, обработки файлов, запуска тестов или автоматизации повторяемых технических задач.

Deep Research

Deep Research рассчитан на задачи, в которых нужно разбить исследование на несколько этапов, найти источники и собрать итоговый материал.

Подходящие сценарии:

Здесь особенно важно проверять источники и ключевые выводы. Автономность сокращает время на сбор информации, но не гарантирует точность каждого результата.

Кастомные агенты

Настроенную среду можно сохранить как отдельного агента и обращаться к нему по ID.

Это полезно для повторяемых процессов: например, агент может работать по общим правилам проверки pull request, анализа логов или обработки внутренних документов.

При этом возможности версионирования и отката конфигураций пока ограничены. Для рабочих процессов это стоит учитывать заранее: изменение инструкций агента лучше тестировать так же, как изменение обычного программного компонента.

Где Managed Agents действительно полезны

Не любую задачу с Gemini стоит переносить в автономного агента. Если результат можно получить одним запросом к модели и несколькими обычными функциями в коде, managed-среда добавит лишнюю сложность и стоимость.

Managed Agents интереснее в сценариях, где модели требуется выполнить несколько последовательных действий внутри изолированного окружения.

Прототипирование скриптов и утилит

Агенту можно поручить установить библиотеки, написать скрипт и сразу проверить результат.

Локальное окружение разработчика при этом не затрагивается. Такой подход удобен для быстрых экспериментов, одноразовых задач и работы с незнакомыми зависимостями.

Работа с репозиторием

Агент может получить кодовую базу, запустить тесты, найти причину ошибки и изменить файлы.

В отличие от обычной генерации фрагмента кода, здесь модель работает с самим проектом и может проверить собственные изменения.

При этом сгенерированный код нужно проверять перед переносом в production. По уровню доверия к таким изменениям разумнее относиться к агенту как к внешнему разработчику, а не как к автоматическому CI/CD-шагу.

Исследовательские задачи

Deep Research подходит для случаев, когда вручную пришлось бы просмотреть десятки источников и собрать информацию в один материал.

Основная экономия здесь приходится на первичный поиск и систематизацию. Проверка фактов, цифр и выводов всё равно остаётся за человеком.

Повторяемые задачи команды

Через AGENTS.md и SKILL.md можно один раз описать правила работы и повторно использовать их в разных сервисах.

Например, отдельного агента можно настроить для:

Managed Agent не заменяет бэкенд приложения

Managed Agents выполняют конкретные задачи внутри своих сессий. У полноценного продукта обычно есть и другой слой:

Эту часть архитектуры разумнее держать отдельно.

Например, VPS принимает запрос пользователя, записывает задачу в очередь и вызывает Gemini API. Managed-agent выполняет анализ, работу с кодом или другое многошаговое действие в инфраструктуре Google и возвращает результат обратно.

Для такого API-слоя можно использовать VPS Serverspace с необходимой конфигурацией CPU, RAM и диска. Ресурсы бэкенда можно масштабировать отдельно от managed-среды Google.

Такое разделение даёт больше контроля: приложение не приходится полностью строить вокруг конкретной агентной платформы, а очередь, данные и бизнес-логика остаются в собственной инфраструктуре.

Ограничения Gemini Managed Agents

Управляемая инфраструктура сокращает объём ручной настройки, но накладывает собственные ограничения.

Для экспериментов эти ограничения не выглядят критичными. Для production они уже должны учитываться в архитектуре и процессе обновлений.

Безопасность Gemini Managed Agents

Основной вопрос безопасности связан с правами, которые получает агент.

Если агент может выполнять код, обращаться к API и работать с приватными файлами, последствия ошибки определяются не только возможностями модели, но и тем, какие ресурсы и полномочия ей доступны.

Для рабочих сценариев стоит придерживаться нескольких правил:

Учётные данные передаются через egress-прокси и не сохраняются внутри среды обычными файлами или переменными окружения. Это снижает риск прямого извлечения ключа из файловой системы.

Однако агент по-прежнему может использовать предоставленные ему права.

Если токен позволяет менять критичные данные или обращаться к production-системе без ограничений, способ хранения самого токена уже не решает основную проблему.

Для preview-сервиса особенно разумно начинать с некритичных данных и операций, результат которых можно отменить.

Частые ошибки при работе с Gemini Managed Agents

Стоит ли использовать Gemini Managed Agents

Gemini Managed Agents интересны прежде всего как готовая инфраструктура для выполнения автономных задач. Google предоставляет песочницу, инструменты, файловую систему и управление состоянием, а разработчику не приходится собирать этот слой самостоятельно.

Для прототипирования, работы с кодом, исследований и изолированного выполнения инструментов такой подход способен заметно сократить объём инфраструктурной работы.

Для полноценного продукта мы бы не переносили в managed-agent всю архитектуру. API, очередь, базу данных, авторизацию и бизнес-логику разумнее оставить в собственной инфраструктуре, а Gemini использовать для задач, в которых действительно нужны автономные действия с кодом, файлами или внешними источниками.

Пока сервис находится в preview, перед внедрением стоит отдельно измерить качество результата, расход токенов и объём ручной проверки. Именно эти показатели лучше рекламного списка функций покажут, подходит ли Managed Agents конкретному проекту.

Часто задаваемые вопросы

Чем Gemini Managed Agents отличаются от обычных вызовов Gemini API?

Обычный запрос к Gemini API в первую очередь возвращает результат работы модели. Managed Agents дополнительно предоставляют изолированное окружение, файловую систему, выполнение кода, инструменты и сохранение состояния между взаимодействиями.

Можно ли использовать другую модель вместо Gemini?

В качестве основной модели managed-agent используются модели Gemini. Сторонний LLM нельзя напрямую назначить базовой моделью агента, но агент может обращаться к внешнему API как к одному из инструментов.

Сколько стоит запуск Gemini Managed Agents?

Основные расходы связаны с использованием модели и инструментов. Автономные задачи могут потреблять значительно больше токенов, чем обычный запрос, поскольку агент выполняет несколько последовательных действий. Поэтому стоимость лучше оценивать на реальном сценарии.

Безопасно ли давать агенту доступ к приватному репозиторию?

Можно, если ограничить права токена конкретным репозиторием и задачей. Для production лучше использовать короткоживущие credentials и не предоставлять права, которые не нужны для выполнения запроса.

Нужен ли отдельный сервер при использовании Gemini Managed Agents?

Для одиночных задач — необязательно. В продуктовых сценариях отдельная инфраструктура обычно нужна для API, базы данных, очередей, авторизации, истории запросов и бизнес-логики. Managed-agent в такой архитектуре отвечает за выполнение конкретной автономной задачи.