Gemini API: bakgrundsexekvering, fjärr-MCP och utökade agentfunktioner
Google DeepMind utökar sina Managed Agents i Gemini API med fyra nya kapaciteter: asynkron bakgrundsexekvering, direkt koppling till fjärr-MCP-servrar, anpassade funktionsanrop i kombination med inbyggda sandlådeverktyg samt förnyelse av nätverksuppgifter. Dessa uppdateringar är direkt svar på feedback från utvecklare och gör det möjligt att bygga tillförlitliga, produktionsklara AI-agenter utan manuell hantering av infrastruktur.
Nyckelpunkter
- Bakgrundsexekvering (background: true) gör det möjligt att köra långvariga interaktioner asynkront på servern, varefter API:et omedelbart returnerar ett ID som klientapplikationer kan använda för att söka status, strömma framsteg eller återansluta medan agenten arbetar i bakgrunden.
- Fjärr-MCP-integration låter utvecklare koppla Managed Agents direkt till Remote Model Context Protocol-servrar, vilket eliminerar behovet av anpassad proxymiddleware för att nå privata databaser eller interna API:er.
- Anpassade funktionsanrop kan nu kombineras med inbyggda sandlådeverktyg: inbyggda verktyg körs automatiskt på servern medan egna funktioner aktiverar ett klientkörningsläge (requires_action) för lokal affärslogik.
- Förnyelse av nätverksuppgifter hanteras smidigt genom att skicka ett befintligt environment_id med en ny nätverkskonfiguration, varpå de nya reglerna ersätter de gamla omedelbart utan att filsystem, installerade paket eller klonade repositorier påverkas.
- Managed Agents hanterar resonemang, kodexekvering, paketinstallation, filhantering och webbinformation i en isolerad molnsandlåda via ett enda API-anrop, vilket reducerar komplexiteten för utvecklingsteam avsevärt.
- Gemini Interactions API stöder JavaScript SDK från Google samt Python och cURL, och dokumentationen tillhandahåller en Antigravity-agentguide som täcker anpassade agentdefinitioner, miljökonfigurationer, nätverksregler och avancerade strömningmönster.
Analys
Lanseringen av bakgrundsexekvering löser ett av de mest kritiska problemen vid produktion av AI-agenter: instabiliteten hos långvariga HTTP-anslutningar. Att hålla en anslutning öppen under exekvering av komplexa uppgifter är tekniskt skört och skapar timeout-risker. Med asynkron exekvering returneras ett ID direkt, vilket innebär att applikationen inte blockeras och att klienten kan återuppta kontakten när som helst. Detta är ett paradigmskifte från synkrona svar till en mer robust, händelsedriven arkitektur som passar produktion på enterprise-nivå.
Integrationen med fjärr-MCP-servrar representerar en väsentlig utökning av vad agenter kan göra utan att lämna sin säkra sandlåda. Tidigare krävde åtkomst till interna databaser eller proprietära API:er en proxylösning som lade till latens, komplexitet och ytterligare säkerhetsrisker. Nu kan agenten kommunicera direkt med dessa endpoints och blanda fjärrverktyg med inbyggda kapaciteter som Google Search eller kodexekvering i samma interaktion. Det innebär att marknadsförings- och SEO-team kan bygga agenter som hämtar intern data i realtid och kombinerar den med externt webbinnehåll i ett enda arbetsflöde.
Möjligheten att kombinera anpassade funktioner med inbyggda sandlådeverktyg via ett stepmatchningssystem skapar en tydlig uppdelning av ansvar. Servern hanterar det som kan köras i molnet automatiskt, medan affärslogik som kräver lokal exekvering eller känslig hantering hålls på klientsidan. Denna design möjliggör att team kan integrera proprietär logik, exempelvis prisberäkningar, segmenteringsregler eller intern datavalidering, utan att exponera dem i molnet, vilket är avgörande för regulatorisk efterlevnad.
Förnyelsen av nätverksuppgifter utan att förstöra sandlådemiljöns tillstånd är en detalj med stor praktisk betydelse. Att API-nycklar och åtkomsttokens löper ut är en vanlig orsak till avbrott i automatiserade arbetsflöden. Genom att tillåta rotation av uppgifter med bevarad kontext, inklusive filsystem, paket och repositorier, kan agenter köra under längre perioder utan att behöva startas om. Detta minskar driftstopprisken i kritiska automatiseringsscenarier, till exempel schemalagd rapportgenerering eller kontinuerlig innehållsövervakning.
Sammantaget positionerar dessa fyra uppdateringar Managed Agents i Gemini API som en mogen infrastrukturkomponent snarare än ett experimentellt verktyg. För marknads- och SEO-team som utforskar AI-driven automatisering innebär detta att tröskeln för att sätta agenter i produktion sänks markant. De tekniska barriärerna kring stabilitet, integration och säkerhet adresseras direkt, vilket gör det möjligt att fokusera resurser på strategi och innehållskvalitet istället för infrastrukturhantering.
Vad du bör göra
- Utvärdera bakgrundsexekveringen för alla agent-arbetsflöden som tar mer än några sekunder att slutföra, till exempel storskalig sökordsanalys, innehållsgenerering i bulk eller automatiserade SEO-rapporter, och implementera polling-logik i klientapplikationen för att hantera statusuppdateringar.
- Kartlägg vilka interna datakällor eller API:er som idag kräver manuell export eller proxylösningar och undersök möjligheten att exponera dem via en MCP-server, så att Managed Agents kan nå dem direkt och berika AI-genererade insikter med aktuell intern data.
- Identifiera affärslogik som av säkerhets- eller sekretesskäl inte bör exekveras i molnet och bygg den som anpassade funktioner på klientsidan, med utnyttjande av API:ets stepmatchningssystem för att sömlöst integrera lokal logik med molnbaserade verktyg.
- Inför en rutin för rotering av API-nycklar och åtkomsttokens i era agentimplementationer och använd environment_id-mekanismen för att uppdatera uppgifter utan avbrott i pågående arbetsflöden, vilket säkerställer kontinuerlig drift i produktionsmiljö.
- Testa kombinationen av fjärr-MCP-verktyg med Google Search i samma interaktion för att skapa agenter som kan korrelera intern prestandadata med externa marknadssignaler, till exempel för att koppla konverteringsdata till sökvolymtrender i realtid.
- Följ Gemini Interactions API-dokumentationen och quickstart-guiden för Managed Agents för att sätta upp en pilotmiljö med anpassade agentdefinitioner och nätverkskonfigurationer, och involvera både utvecklings- och marknadsföringsteamet tidigt för att säkerställa att agenternas kapaciteter matchas mot konkreta affärsbehov.
För marknadsförings- och SEO-team innebär produktionsklara agenter att automatiserade arbetsflöden för innehållsgenerering, datainsamling och rapportering kan skalas upp utan att blockera applikationens svarstid, vilket förbättrar effektiviteten i den tekniska optimeringsprocessen. Möjligheten att koppla agenter direkt till interna system via MCP-servrar öppnar för mer precis och aktuell data i AI-genererade insikter, vilket stärker kvaliteten på underlag för beslut om synlighet och räckvidd.