Gemini API: Neue Managed Agents Funktionen für produktionsreife KI-Agenten
Google DeepMind erweitert die Managed Agents in der Gemini API um bedeutende neue Funktionen: asynchrone Hintergrundausführung, direkte Anbindung an Remote-MCP-Server, benutzerdefiniertes Function Calling sowie dynamische Aktualisierung von Netzwerk-Zugangsdaten. Diese Updates adressieren gezielt Entwickler-Feedback und sollen den Aufbau stabiler, produktionsreifer KI-Agenten erleichtern.
Kernpunkte
- Mit dem neuen Parameter 'background: true' können Entwickler lang laufende Aufgaben asynchron auf dem Server ausführen lassen, ohne eine HTTP-Verbindung dauerhaft offenhalten zu müssen. Die API gibt sofort eine Interaktions-ID zurück, über die der Status abgefragt oder der Fortschritt gestreamt werden kann.
- Die direkte Integration von Remote-MCP-Servern (Model Context Protocol) ermöglicht es, Managed Agents ohne eigene Proxy-Middleware mit privaten Datenbanken oder internen APIs zu verbinden. MCP-Tools können dabei beliebig mit integrierten Sandbox-Funktionen wie Google Search oder Code-Ausführung kombiniert werden.
- Benutzerdefiniertes Function Calling erlaubt es, eigene Werkzeuge neben den eingebauten Sandbox-Tools zu verwenden. Das sogenannte Step Matching sorgt dafür, dass integrierte Tools serverseitig automatisch ausgeführt werden, während benutzerdefinierte Funktionen den Status 'requires_action' auslösen und damit lokale Geschäftslogik auf Client-Seite anstoßen.
- Kurzlebige Zugangsdaten wie Access Tokens oder API-Keys können nun durch das erneute Übergeben der bestehenden Environment-ID mit einer neuen Netzwerkkonfiguration aktualisiert werden, ohne dass der Sandbox-Zustand verloren geht. Dateisystem, installierte Pakete und geklonte Repositories bleiben dabei vollständig erhalten.
- Managed Agents in der Gemini Interactions API übernehmen innerhalb einer isolierten Cloud-Sandbox Aufgaben wie Reasoning, Code-Ausführung, Paketverwaltung, Dateimanagement und Webrecherche über einen einzigen API-Endpunkt.
- Die neuen Funktionen sind mit dem JavaScript-SDK (@google/genai) verfügbar und werden durch offizielle Dokumentation, eine Quickstart-Anleitung sowie Beispiel-Implementierungen wie den Antigravity-Agenten ergänzt.
Analyse
Die Einführung der asynchronen Hintergrundausführung löst ein fundamentales Problem bei der Entwicklung produktionsreifer KI-Agenten: Lang laufende Prozesse konnten bisher fragile, dauerhaft offene HTTP-Verbindungen erfordern, was in realen Anwendungsszenarien zu Instabilität führte. Mit der neuen Hintergrundausführung wird die Architektur robuster, da Client-Anwendungen jederzeit über eine ID den Status abfragen oder sich wieder verbinden können. Für Marketing-Teams, die umfangreiche Content-Generierungs- oder Analyse-Pipelines betreiben, eröffnet dies die Möglichkeit, KI-Aufgaben in skalierbare, nicht blockierende Workflows zu integrieren.
Die Remote-MCP-Integration stellt einen strategisch wichtigen Schritt dar, weil sie die Grenze zwischen den Fähigkeiten des KI-Agenten und den eigenen Unternehmensdaten überbrückt, ohne dass aufwändige Middleware entwickelt werden muss. Unternehmen können ihre internen Datenbanken, CRM-Systeme oder proprietären APIs direkt mit dem Agenten verbinden und dabei gleichzeitig integrierte Sandbox-Funktionen wie Websuche nutzen. Diese Kombination aus externen und eingebauten Tools macht den Agenten zu einem wesentlich leistungsfähigeren Baustein in komplexen Automatisierungsszenarien.
Das benutzerdefinierte Function Calling mit Step Matching zeigt, wie Google eine klare Trennung zwischen serverseitiger und clientseitiger Logik etabliert. Integrierte Werkzeuge werden automatisch in der sicheren Cloud-Sandbox ausgeführt, während benutzerdefinierte Funktionen gezielt an den Client übergeben werden. Dieser Mechanismus gibt Entwicklern die Kontrolle über sensible Geschäftslogik, ohne die Vorteile der verwalteten Umgebung aufgeben zu müssen.
Die Möglichkeit zur dynamischen Erneuerung von Netzwerk-Zugangsdaten ohne Verlust des Sandbox-Zustands behebt einen klassischen Engpass in der Entwicklung von Agenten, die auf externe APIs angewiesen sind. Gerade in produktiven Umgebungen, in denen Zugangsdaten regelmäßig rotieren oder ablaufen, war der Neustart einer gesamten Agentensitzung bislang ein erheblicher Overhead. Die Persistenz von Dateisystem, Paketen und Repositories über Credential-Wechsel hinweg macht kontinuierliche Agenten-Workflows erst praktisch umsetzbar.
In Summe positioniert Google die Gemini API mit diesen Erweiterungen als Plattform für den ernsthaften produktiven Einsatz von KI-Agenten, nicht nur für Prototypen. Die gezielte Reaktion auf Entwickler-Feedback sowie die klare Dokumentation mit Quickstarts und Beispiel-Implementierungen signalisieren, dass das Ökosystem reif genug ist, um in unternehmenskritische Prozesse eingebettet zu werden.
Was ist zu tun
- Evaluieren Sie die asynchrone Hintergrundausführung gezielt für bestehende Workflows, in denen lang laufende KI-Aufgaben (zum Beispiel umfangreiche Content-Analysen oder Keyword-Recherchen) bisher auf synchrone Verbindungen angewiesen waren, und planen Sie eine Migration auf das polling-basierte Modell.
- Prüfen Sie, welche internen Datenquellen, Datenbanken oder APIs über Remote-MCP-Server angebunden werden könnten, um Managed Agents mit unternehmensspezifischen Daten anzureichern und individuelle, nicht öffentlich verfügbare Insights in Ihre KI-Prozesse einzuspeisen.
- Nutzen Sie das benutzerdefinierte Function Calling, um sensible Geschäftslogik oder datenschutzrelevante Berechnungen weiterhin lokal auf Client-Seite auszuführen, während Sie rechenintensive oder recherchebezogene Aufgaben an die serverseitige Sandbox delegieren.
- Implementieren Sie von Anfang an eine saubere Verwaltung von Zugangsdaten und planen Sie Credential-Rotationslogik in Ihre Agenten-Architektur ein, da die neue Refresh-Funktion dies nun ohne Statusverlust ermöglicht und damit produktive Langzeit-Agenten realisierbar macht.
- Beginnen Sie mit dem offiziellen Quickstart und der Antigravity-Agenten-Dokumentation, um ein grundlegendes Verständnis der Environment-Konfiguration, Netzwerkregeln und erweiterten Streaming-Muster zu entwickeln, bevor Sie eigene produktive Agenten aufbauen.
- Beobachten Sie die Weiterentwicklung des Model Context Protocol als offenen Standard genau, da die zunehmende Unterstützung durch große Plattformen wie Google Gemini darauf hindeutet, dass MCP zu einem zentralen Integrationsstandard für KI-Agenten in Unternehmensumgebungen werden könnte.
Für Marketing- und SEO-Teams, die auf KI-gestützte Automatisierungspipelines setzen, bedeuten diese Erweiterungen eine deutlich höhere Zuverlässigkeit bei der Datenverarbeitung im Hintergrund sowie eine einfachere Integration in bestehende interne Systeme, was die Grundlage für skalierbare, suchmaschinenrelevante Content- und Analyseprozesse stärkt.