30 秒看懂
Google DeepMind 开发者体验工程师 Jack Wotherspoon 介绍了托管智能体：让编程智能体在云端沙箱里运行，而不是占用开发者的电脑。Gemini API 负责提供沙箱和 Antigravity harness，Interactions API 管理智能体的交互轮次，环境则能在智能体之间保留文件。团队无需自行搭建基础设施，就可以添加工具、技能、代码仓库和定时触发器。 Wotherspoon 还演示了凭据隔离，以及一套工作流：研究 SEC 文件的智能体把整理好的指标交给量化智能体，随后由报告撰写智能体生成分析报告。最后，他展示了一个由托管智能体构建的金融研究应用，并说明同样的模式也能嵌入产品。
- 1托管智能体在云端沙箱中运行编程智能体开发者无需在个人电脑上运行智能体 harness，可以直接调用在托管云环境中工作的智能体。它能编写代码、开展研究、运行测试并返回结果，不会占用开发者的电脑。
- 2云端沙箱隔离工作，也能突破笔记本的限制沙箱可以独立运行研究和验证任务，不会干扰本地工具。托管环境也让团队更容易共享配置，或把智能体集成进应用，而不必依赖某个人的电脑或订阅。
- 3一次 API 调用省去大部分环境搭建工作自行搭建云端智能体，通常要准备虚拟机或容器、配置运行环境、编写 harness，并处理网络和安全设置。Gemini Managed Agents 把这些环节封装在一次 API 调用中。
- 4Interactions 与 environments 分别保存不同状态Interactions 保存对话和推理轮次；environments 保存沙箱文件系统。后续的智能体可以从全新的上下文开始，同时复用前一个智能体创建的文件。
- 5密钥留在沙箱之外出口代理会先在沙箱中放入一个占位令牌，只有请求发往获准访问的服务时，才会注入真正的凭据。智能体可以调用 API，却看不到也无法提取密钥。
- 6专用智能体可以在共享工作区中交接任务演示中，SEC 研究员智能体保存公司指标，量化智能体复用同一环境进行分析，报告撰写智能体再把结果整理成备忘录。每个智能体负责更聚焦的任务，也可以在全新的对话上下文中启动。
要点建议
- 需要隔离工作、共享环境配置，或突破单台笔记本的算力限制时，可以让智能体在云端沙箱中运行。
- 托管智能体把沙箱和 harness 封装在一次 API 调用背后，减少大规模运行智能体所需的基础设施工作。
- 把对话历史和文件系统状态分开保存，新智能体就能在获得全新上下文的同时复用准备好的文件。
- 将凭据保存在沙箱之外，只让代理在请求获准访问的服务时注入凭据。
- 把较大的工作流拆成多个专用智能体，让它们通过共享环境交接文件和结果。
按章节阅读完整文稿
什么是托管智能体
Wotherspoon 将云端或托管智能体定义为在沙箱中运行、而非在开发者电脑上运行的编程智能体。它们可以研究、编写代码、运行测试，并返回经过验证的结果。
我是 Jack Wotherspoon，Google DeepMind 的开发者体验工程师。今天我想聊聊托管智能体，也就是云端智能体。你不必在自己的电脑上运行编程智能体 harness，可以让智能体在云端沙箱里运行。
云端智能体能编写代码、推理、做研究、搜索网页、编写并运行测试，然后带着经过验证的结果回来。工作与本地电脑隔离，因此它不会占用你的浏览器，也不会在你工作时弹出各种窗口。
为什么要在云端运行智能体
云端沙箱能把任务与个人电脑隔离，也便于和同事共享智能体配置，或将其集成到应用中。相比依赖某一个人的电脑，托管智能体也更容易扩展。
笔记本电脑也不容易扩展。你可能已经定制了智能体、积累了一些实用技能，但如果配置都依赖你的电脑或个人订阅，要和同事分享或集成进应用就没那么容易。托管智能体让这些工作更容易扩展。
从搭建基础设施到一次 API 调用
自行运行智能体，意味着要管理虚拟机或容器、准备文件、构建 harness，并设置网络与安全规则。Gemini Managed Agents 通过一次 API 调用处理了其中大部分基础设施工作。
自己搭建云端智能体很繁琐。你得启动容器或虚拟机、载入合适的文件、管理运行环境、编写 harness，还要配置网络、防火墙规则和安全策略。Gemini Managed Agents 把这些环节封装进 Gemini API，整个工作流只需一次调用即可启动。
发出这次调用后，你就能获得已经配置好沙箱和 Antigravity harness 的环境。应用需要更多智能体时，只要再发起 API 调用，无需自行管理底层基础设施或负责扩容。
Interactions API
面向智能体的 Interactions API 用来描述多步骤工作，例如写入文件和调用工具。开发者可以配置智能体，让它在托管环境中远程运行。
Interactions API 是 Google 面向智能体的 SDK 和客户端接口。早期的模型 API 主要是把输入交给模型，再拿到输出；智能体则需要执行多个步骤、写文件，还要调用文件工具或 MCP 工具。Interactions API 就是为描述这类工作而设计的。
要在云端运行智能体，调用时需要使用 Antigravity agent，并将 environment 设为 remote。这个设置会让系统创建托管智能体，而不是在本地执行任务。
托管智能体系统的工作方式
Gemini API 提供内置工具，也可以调用自定义函数或 MCP 服务器；沙箱则运行在 Google Cloud 基础设施上。环境中可以放入文件、技能、代码仓库和其他配置。
在底层，请求会经过 Gemini API。它提供 Google Search、文件系统操作等服务端工具。开发者还可以添加自定义函数或 MCP 工具，同时由运行在 Google Cloud 基础设施上的沙箱执行任务。
托管智能体收到调用后，服务会启动沙箱。你可以把文件上传到里面，包括智能体技能、AGENTS.md，或在环境启动时载入的 GitHub 代码仓库。
组成模块
Wotherspoon 介绍了 Antigravity harness、持久化环境、技能、凭据和触发器。这些部分共同决定智能体如何规划工作、访问文件与服务，以及按计划运行。
第一个组成模块是 Antigravity harness，它负责决定如何规划工作和调用工具。环境则是独立且持久化的工作区：一个智能体可以在其中创建文件，之后另一个智能体能接手同一环境继续工作。
团队可以上传自己的操作手册或可重复使用的指令作为技能。凭据功能则让服务向智能体提供令牌或 MCP OAuth 服务访问权限。触发器可以安排定时运行，例如在开市前分析信息，或每天早上检查团队的 Jira 看板。
为工作流选择模型
团队可以为智能体更换模型：简单任务可选更快的模型，复杂分析则可用能力更强的模型。Wotherspoon 特别介绍了 Gemini 4 Argon 及其长输出能力。
你可以选择 harness 使用的模型。简单工作流可能更适合速度快、效率高的模型；需要深入推理或金融分析时，则可以选择其他模型。Wotherspoon 提到 Gemini 4 Argon，称它前一天刚刚发布，并建议在金融和文档分析任务中试用。
他还介绍了 Gemini 4 的长解码能力。输出上限不再是固定的 64K token，而是可以在输入、思考和输出之间分配一百万 token 的上下文预算。这有助于生成很长的内容，例如复杂的数学推理过程或金融模型。
将交互历史与环境文件分开
Interactions 保存对话轮次，environments 保存沙箱文件系统。第二个智能体可以沿用第一个智能体的文件，同时在全新的上下文中启动，从而实现多智能体交接。
Interactions 和 environments 是两种彼此独立、都能保存状态的资源。Interactions 保存对话历史和推理轮次；environment 保存沙箱里的文件、数据和软件包。传入 interaction ID 可以续接对话，传入 environment ID 则可以复用工作区。
这种分离方式让任务交接成为可能：一个智能体收集季度申报文件并保存下来，第二个智能体便可以在全新的上下文窗口中启动，同时复用相同的工作区。它还能获取年报、分析文件，并保存自己的结果交给下一个智能体。
工具、文件与可复用智能体
托管智能体提供代码执行、文件操作和 Google Search，也能连接远程 MCP 服务。团队可以挂载技能和代码仓库，再把完善后的智能体配置保存下来供以后复用。
托管智能体自带代码执行、文件读写和 Google Search 工具。它们也能连接远程 MCP 服务器，将支持日常工作的服务或应用功能接入进来。
你可以把 AGENTS.md、技能和 GitHub 代码仓库等文件挂载到工作区。这样，智能体就能遵循你在个人电脑上使用的同一套操作手册，同时在可复现的云端环境中完成工作。
完善智能体工作流后，你可以通过 Agents API 保存配置，并在之后通过智能体 ID 再次调用。这样，经过验证的配置便能在多次运行中重复使用。
凭据、触发器与多智能体工作流
代理会在沙箱之外注入凭据，定时触发器则可按周期启动智能体。多个专用智能体也可以相互调用，并通过共享环境中的文件交接工作。
密钥不会进入沙箱。沙箱与外部服务之间设有代理；智能体看到的是占位令牌，而不是真实的 GitHub 或 API 凭据。请求发往获准访问的服务时，代理会把密钥注入出站请求，因此智能体无法查看或窃取密钥。
触发器可以安排智能体运行，例如准备每日市场简报，或在清晨检查邮件。托管智能体也可以相互调用，让各自擅长特定任务的智能体协作，并通过文件把工作交给下一步。
演示与入门
SEC 文件研究员、量化分析师和报告撰写智能体复用同一个沙箱，共同分析 Nvidia。随后，Wotherspoon 展示了一个托管智能体应用，可生成金融报告，并介绍如何通过 AI Studio 开始尝试。
第一个演示中，SEC 申报文件研究员智能体收集 Nvidia 的资料，并把各项指标保存到共享环境。步骤追踪记录了函数调用和文件操作，团队可以据此检查智能体做了什么，并改进工作流。
接着，量化智能体复用这个环境，读取已保存的指标，运行 Python 分析并制作预测。第三个智能体可以接手研究和分析结果，整理成报告。如果接入合适的 MCP 服务器，最后一步还可以写入 Google Docs 或发送 Slack 消息。
接下来，Wotherspoon 展示如何把托管智能体集成进应用。演示中的智能体可以访问 Google Drive 里的公司收据，并使用一项技能将数据整理成交互式财务摘要。
同样的方法也能把个人使用的编程智能体工作流，变成可在公司或应用中运行的托管智能体。Google 的 Gemini API 和 AI Studio Gallery 已经提供了一些示例，包括创建游戏、研究文档等任务。
他在 AI Studio 中打开一个金融研究示例。这个应用接收股票代码，调用多个托管智能体收集并分析信息；界面还能在智能体工作时展示各个步骤。
这些智能体会综合研究结果，生成一份包含分析、要点、图表和源文件链接的报告。Wotherspoon 最后向观众介绍了 AI Studio 和托管智能体文档，供大家上手尝试，并感谢现场观众。
同频道的其他文章
20:55EN → 简体中文
AI Engineer· 2026年10月26日Jesse Hall：语音智能体要为对话而优化，而非只看排行榜Jesse Hall · LiveKitLiveKit 的 Jesse Hall 解释了为什么语音智能体必须像实时系统一样接受评测：听清用户、允许打断、在工具调用期间继续对话，并在用户真正听到声音之前控制延迟。
18:27EN → 简体中文AI Engineer· 2026年10月26日Daksh Gupta：如何打造更好的 AI 代码审查智能体Daksh Gupta · GreptileGreptile 联合创始人 Daksh Gupta 解释了为什么仅靠 webhook 和编程智能体，无法做好 PR 审查；他还介绍了如何通过定向提示词、事故数据、模型反转、代码库上下文、浏览器测试和按任务路由模型来改进审查质量。
17:56EN → 简体中文AI Engineer· 2026年10月25日Bridgewater 如何让 AI 分析师严守权限边界Nikhil Benesch, Aaron Linsky · turbopufferAaron Linsky 和 Nikhil Benesch 解释了企业知识库搜索如何在遵守文档权限的同时兼顾召回率与速度。他们将向量索引与原生过滤结合，在约 120 毫秒内搜索数亿个向量。
35:19EN → 简体中文AI Engineer· 2026年10月25日SallyAnn DeLucia：如何编写你的第一个 AI 评估SallyAnn DeLucia · Arize AI从智能体的真实追踪记录中提炼具体的通过与失败标准，再构建一个能测试、能与人工判断对齐，并能在生产环境运行的大模型裁判。
20:58EN → 简体中文AI Engineer· 2026年10月25日Vinoo Ganesh 谈如何让金融 AI 为每个数字提供出处Vinoo Ganesh · KeplerKepler 首席执行官 Vinoo Ganesh 解释了为什么金融 AI 应负责检索和引用数据，而数学计算应交给确定性软件。他的设计把可追溯性、检索质量和租户安全都纳入答案本身。
18:31EN → 简体中文AI Engineer· 2026年10月25日Janie Gu 与 Suyeol Yun：为什么前沿模型做不好买方分析师Janie Gu, Suyeol Yun · Google DeepMindJanie Gu 解释了基准分数为何可能误导人；Suyeol Yun 则介绍 MandateBench，它测试模型能否把基金投资授权转化为有理有据的投资备忘录。两场分享说明，真实工作流程、可复现的评分和有证据支撑的推理为何至关重要。