Gemini Managed Agents 更新：AI 智能体断线后继续运行

现在，你可以把一项多步骤任务交给 Gemini AI 智能体，然后断开连接。任务会继续在 Google 的服务器上运行，代码、文件、已安装的软件包和远程工具连接都会原样保留。2026 年七月 Managed Agents 更新补齐了真正实用所需的四项能力：后台执行、直连远程 MCP、自定义函数调用，以及无需重建工作区即可刷新凭证。

这也改变了理解这类产品的方式。它不再像一个必须始终开着的聊天窗口，更像是把工单交给一名云端工作人员，等任务完成后再回来验收结果。

Gemini Managed Agents 到底是什么：AI 智能体如何工作

Gemini Managed Agents 是拥有独立 Linux 工作区的临时云端执行单元。只需通过 Google 的 Interactions API 发起一次调用，就能创建工作区，让智能体围绕任务持续推理，运行 Bash、Python 或 Node.js，安装软件包、管理文件、搜索网页，并反复执行这些步骤，直到产出结果。

默认执行单元是 Google 的 Antigravity agent，目前标识为 antigravity-preview-05-2026，由 Gemini 3.5 Flash 驱动。Interactions API 已于 2026 年六月正式发布，但 Managed Agents 及其运行环境仍处于公开预览阶段。

两个 ID 分别保存两类“记忆”：

• previous_interaction_id 相当于任务档案，保留对话、推理路径和工具调用历史。
• environment_id 相当于工作间钥匙，用于重新打开同一套文件系统、已安装软件包和代码仓库状态。

两者可以单独保留。只复用环境 ID，可以在原工作区内开启一段全新对话；同时传入两个 ID，则能在同一地点接着处理同一任务。当会话接近 135,000 个 token 时，系统会自动开始压缩上下文，长会话因此可以逐步舍弃旧细节，而不至于立刻撞上上下文上限。

它所处的位置，介于多数团队熟悉的消费级 AI 智能体与通常需要自行搭建的基础设施之间。Google 负责模型循环和沙箱；产品逻辑、权限、审批规则、监控和用户体验仍由你负责。

AI 智能体工作流怎么跑：去掉术语后的完整流程

新流程包含六个环节：

1. 创建或重新打开工作区。 新建沙箱时使用 environment: "remote"；复用时传入环境 ID；也可以提交完整的环境配置，其中包括源代码仓库和网络规则。
2. 只给它完成任务必需的工具。 智能体可在环境内执行代码、使用 Google Search、读取 URL 和访问文件系统。远程 MCP 服务器是向外部工具开放能力的标准连接器，需要小写名称、URL 和 Streamable HTTP 传输协议。还可以限定智能体能够调用该服务器上的哪些工具。
3. 把任务放到后台。 设置 background: true。API 会立即返回 interaction ID，不必让一条脆弱的 HTTP 连接撑到整个任务结束。后台任务必须启用 store: true，而这也是默认设置。
4. 无需维持连接也能查看进度。 可以轮询 interaction，也可以流式接收事件。流中断后，用最后一个 event_id 重新连接即可续传。任务状态可能是进行中、等待操作、已完成、失败或已取消。
5. 敏感业务操作留在自己的应用内。 内置沙箱工具由 Google 侧运行。自定义函数会让 interaction 暂停在 requires_action 状态，此时应用可以校验请求、发起人工审批、执行本地业务逻辑，再把结果传回去。
6. 任务完成后继续处理。 后续调用可以同时使用已完成任务的 interaction ID 和 environment ID。访问 token 过期时，传入同一个环境 ID 和新的网络配置即可。新规则会替换旧规则，文件、软件包和克隆下来的代码仓库则继续保留。

工作区可以持续使用，但不会永久存在。空闲 15 分钟后，它会停止运行并生成快照；从最后一次活动算起，七天内仍可恢复，之后便会删除。目前每个环境配备四个 CPU 核心和 16 GB 内存。

最值得落地的七类 AI 智能体用例

以下排序依据很直接：新能力能否明显消除成本高昂的运营瓶颈。

1. 软件团队审查 AI 生成的拉取请求

如果产品团队不断收到机器生成的代码，可以为每个拉取请求启动一个后台任务。智能体会打开代码仓库、检查 diff、安装项目、运行测试、跨文件追踪故障，并整理一份带日志和修复建议的审查结果。GitHub 或 GitLab 可通过远程 MCP 接入，而最终评论或代码变更仍可由自定义审批函数把关。

真正的价值不在于又多了一条泛泛的审查意见，而在于：高级工程师打开拉取请求前，第一轮检查已经完成，并且每条判断都有运行时证据。随着异步编程成为常态，这一点会越来越重要；移动端和后台编程智能体已经体现出这种变化。

2. 财务和数据团队生成周期性经营报告

最新的 CSV 导出文件到位后，运营分析师可以启动一个执行单元，通过 MCP 连接数据仓库，让它清洗数据、运行 Python 分析、生成图表，并把过程文件保存在同一个环境中。即使短效的数据仓库 token 到期，应用也能提供新 token，无需让智能体重新安装技术栈或重建中间文件。

核心收益是工作连续性。分析师面对的是一份已经组装好的报告及其支撑文件，不必再反复把数据搬运到 notebook、电子表格、图表工具和聊天窗口之间。

3. 可靠性团队排查事故

值班工程师可以让智能体访问可观测性 MCP 服务器和源码管理连接器，再要求它把延迟峰值与部署、日志及近期提交对应起来。工程师处理线上事故时，分析任务仍可在后台继续。智能体则在工作区中整理时间线、潜在原因和诊断脚本。

收益在于高压场景下更快地收集证据，但生产环境修复依然应该经过明确的人工关卡。事故期间，能够调用工具的执行单元很有价值；拥有宽泛生产权限、又无人监督的执行单元，则可能制造下一场事故。

4. 安全团队整理审计证据

负责访问权限审查的合规负责人，可以把沙箱限制在获批域名内，通过 Google 的出口代理注入只读凭证，再让智能体收集策略记录、代码仓库设置和变更历史。凭证在网络边界加入，因此不会写入沙箱文件或环境变量。

最终交付的是一套可重复生成的证据包，而不是耗费一周时间截图和复制粘贴。应用仍需维护自己的审计轨迹与签署流程，因为 Managed Agents 本身并不是一套完整的合规产品。

5. 投资和采购团队开展尽职调查

小型投资团队可以把范围清晰的研究任务交给后台执行单元：梳理市场、比较供应商说法、检查代码仓库、运行计算，并形成带来源链接的备忘录。文件和脚本会保留给后续提问使用，因此第二轮工作可以直接挑战既有假设，而不必重新搭建研究环境。

它让研究更有深度，同时不占用分析师的浏览器会话。不过限制也很明确：Antigravity 目前接受文本和图片输入，不支持音频、视频或文档输入，因此以文档为主的流程需要额外的提取环节。

6. 服务机构批量执行可复用的客户审计

数据分析或开发服务机构可以为每位客户的审计单独创建环境，只接入该客户批准的系统，再把耗时检查分别排入队列。一个工作区可以存放克隆的网站和性能测试脚本，另一个则保存营销活动导出数据及报告代码。

收益是隔离性与可复用性。七天窗口内，团队可以保留完全一致的工作状态，用于后续跟进，同时避免不同客户的文件或凭证混在一起。

7. 后台运营团队处理复杂个案

保险、物流或客户支持团队可以用托管执行单元从多个系统汇总个案历史、核对规则、计算选项并准备下一步操作。远程 MCP 工具负责只读访问，自定义函数则把退款、账户变更或理赔决定留给经过验证的应用逻辑和人工审批。

价值在于：横跨多个系统的个案也能始终在同一个连续工作区内处理。对于需要几分钟研究、无法简化成固定触发器加动作的个案，这种模式尤其合适。

三个值得做成产品的方向

底层能力覆盖面很广，但真正能卖出去的产品需要范围窄、效果可衡量，并配有完整的信任控制。

1. 首选方向：每条结论都有证据的代码仓库管家

为不满足于 diff 评论的团队打造一款 GitHub 或 GitLab app。针对每个拉取请求，它都在隔离工作区运行项目，复现疑似问题、附上日志、起草修复方案，并在改动代码前等待人工确认。

市场需求很具体。DataForSEO 估算，“AI code review”在美国每月约有 1,300 次搜索，CPC 为 $46.65。“AI code review tools”每月还带来约 590 次搜索，在当前关键词数据集中同比增长 85%。买家也已经愿意付费：CodeRabbit 的年付套餐价格为每位用户每月 $24 到 $48，Greptile 则为每个席位每月 $30。

最小可售版本只需要一个源码管理集成、一份代码仓库指令文件、一个后台测试运行器、一张展示原始证据的结果页，以及一个用于发布审查意见或提交补丁的审批操作。不要一开始就支持所有语言，应先选择一个测试普及、运行环境容易搭建的技术生态。

难点在于市场已经拥挤，而且存在信任问题。真实搜索问题包括“AI 代码审查如何工作？”和“AI 代码安全吗？”。壁垒不会来自 Gemini 的使用权，而会来自不断扩充的评测集、针对单个代码仓库的规则、较低的误报率，以及让每一项结论都可核查的证据。

2. 面向单一运营团队的周期性数据关账智能体

让执行单元把一家公司的周度或月度源数据整理成核对无误的报告，并将分析代码和中间文件与最终输出保存在一起。运营、营收和财务团队愿意为此付费，是因为这项工作反复发生，而且错误可以被看见。

DataForSEO 估算，商业搜索词“AI for data analysis”在美国每月有 3,600 次搜索，CPC 为 $41.92。更窄的“AI agent for data analysis”每月约有 320 次搜索，在当前数据集中的关键词难度为 2。这表明，尽管大市场竞争激烈，细分获客入口仍有空位。

MVP 包括外部调度器或文件到达触发器、一个数据仓库连接器、一个电子表格输出端、固定报告模板、运行台账和对账页面。必须正视输出可靠性：Antigravity 不支持结构化输出，因此重要表格与合计值在交付前需要确定性校验。

3. 带真正审批关卡的垂直工作流执行器

先聚焦一种个案，例如供应商准入、理赔分流或安全证据收集。产品通过两三个 MCP 连接拉取上下文，在后台完成耗时分析，再通过自定义函数处理少数必须验证或审批的操作。

DataForSEO 估算，“AI workflow automation”在美国每月约有 1,000 次搜索，具备商业意图，CPC 为 $49.51。“AI workflow automation platform”每月另有约 260 次搜索，在当前关键词数据集中同比增长 320%。用户正在明确提问：“如何用 AI 自动化我的工作流？”

MVP 只需一个队列、一套边界清晰的工作流、两个集成、一个审批收件箱和完整运行记录。真正的陷阱是横向平台思维：如果第一版就承诺自动化所有工作流，连接器开发和各种边缘情况会吞噬整个产品。先拿下一项成本高昂的流程。

Gemini Managed Agents 解决不了什么

托管执行减少了基础设施工作，却不会消除产品和运营风险。

凭证刷新也需要准确理解：当应用提供新的网络规则和新 token 时，Google 会保留原环境，但不会替你签发或轮换 token。

我的判断是：它适合边界明确、完成标准清晰、产物可核查、权限收敛且设有审批关卡的任务。不要让预览阶段的智能体成为权限敞开的生产环境管理员。Google 自己也建议，在依赖生成的代码、数据转换、配置变更和外部操作前，应先进行审查。

什么是 AI 工作流自动化？

这类工作流不再只按固定的触发器顺序运行，而是由模型理解上下文，并在多个工具之间做出选择。Gemini Managed Agents 增加了托管工作区和后台运行环境，但权限、触发器、校验和审批仍由你的应用定义。

如何用 AI 实现工作流自动化？

先选择一项边界明确的任务：输入清晰、输出可以验证，工具连接不超过少数几个。把分析放到后台运行，严格限制读取权限，并将每个不可逆操作都放到自定义函数或人工审批之后。

AI 自动化工作流有哪些实例？

拉取请求管家就是一个典型例子：收到新的拉取请求后，在沙箱中打开代码仓库、安装依赖、运行测试、检查故障、起草审查意见，最后等待批准后再发布评论或修改代码。

AI 代码审查是怎么工作的？

审查工具结合代码仓库上下文读取变更，寻找缺陷或违反规则之处，并提出结论。托管智能体还能进一步运行项目，附上日志或测试结果；但结论是否符合产品的真实意图，仍应由人来判断。

AI 生成的代码安全吗？

默认并不安全。沙箱限制的是代码运行位置，真正的安全还取决于代码本身、工具权限、网络规则、凭证、测试和人工审查。在通过常规检查前，应把智能体输出视为不可信的外部贡献。

如果想围绕自己的系统、权限和审批规则设计这类执行单元，可以了解 AI 智能体开发。