Google DeepMind 今日发布 Gemini API Managed Agents 重大更新：默认模型升级为 Gemini 3.6 Flash，新增 环境钩子（Environment Hooks）、预算控制、定时触发器 与 免费层访问，让 AI Agent 从原型实验走向生产级部署。
max_total_tokens 参数防止任务失控，超限后自动暂停并保留状态，可续跑。从 antigravity-preview-05-2026 版本开始，Managed Agents 的默认推理引擎从 3.5 系列切换为 Gemini 3.6 Flash。现有用户无需修改任何代码，下一次调用自动生效。
但模型只是起点。真正的突破藏在执行层。
开发者也可以通过 agent_config.model 参数显式选择模型。三种选择覆盖不同场景：
注：柱形为示意性相对能力对比，非精确基准分。3.6 Flash 在推理、编码与工具调用维度表现均衡，是官方推荐的主力模型。
环境钩子是本次更新中架构意义最大的能力。它允许开发者在 Agent 每次工具调用之前或之后，在远程沙箱内执行自定义脚本——无需离开 Gemini 的运行环境。
过去，远程沙箱意味着「无法插桩验证」。现在，钩子改变了规则。
Agent 调用工具 → 黑盒执行 → 无法在沙箱内插入验证逻辑。安全审计、格式检查、合规校验需要外部编排，延迟高且链路脆弱。
Agent 调用工具 → 钩子脚本（pre）拦截检查 → 工具执行 → 钩子脚本（post）审计结果。全部在沙箱内完成，毫秒级延迟。
钩子通过 .agents/hooks.json 配置，支持正则匹配工具名称，以及 command 和 http 两种处理类型。超时、拒绝决策、失败处理均有明确定义。
一个真实案例：AI 原生投资银行 OffDeal 已经在生产环境中使用钩子。
post_tool_execution 钩子触发验证 pipeline——获取候选列表 → 像素级质量检查 → Gemini 视觉确认 → 发布 approved manifest。多轮自主 Agent 最令人头疼的问题是不可控的 token 消耗。一个复杂任务可能循环调用数十次工具，账单迅速膨胀。本次更新用两个机制回应了这个痛点。
通过 agent_config.max_total_tokens 设定总 token 上限（含输入、输出、思考）。超限后任务安全暂停，返回 status: "incomplete"，环境状态保留。传入 previous_interaction_id 并补充预算即可续跑，不丢上下文。
将 Agent、环境、提示词与 Cron 表达式绑定为持久化资源，按计划自动执行。每次运行复用同一沙箱，文件跨期保留。适合日报生成、定时巡检、批量数据处理等重复性高脑力劳动。
注：预算控制适用于所有 Managed Agents 交互，定时触发器需通过 Interactions API 创建持久化资源。沙箱默认保留 7 天，也可通过 Environments API 主动清理。
Managed Agents 现已支持免费层项目——开发者使用未绑定账单的 API 密钥即可开始实验。这意味着从零搭建一个完整的多步骤 Agent 工作流的门槛，降到了一个 API Key。
一个诚实的注脚：免费层有配额限制，复杂任务建议升级付费计划。但从 0 到 1 的成本已经清零。
配合 Environments API 的沙箱管理能力——列出、查看、删除远程会话——开发者可以像管理本地进程一样管理云端 Agent。断线后恢复环境 ID、流水线结束后主动清理，不再依赖 7 天 TTL。
可通过 Gemini API 官方文档与 Antigravity Agent 快速开始指南体验。
TypeScript / Python / cURL 均可接入，SDK 已发布至 npm 与 PyPI。
环境钩子让远程沙箱从「黑盒」变成了「可编程的验证层」——这是 Agent 从演示走向生产的关键一跃。当模型能力趋于同质化，工程控制力才是真正的护城河。
Managed Agents 已在 Gemini API 全量上线，免费层即时可用。
Gemini 开发者控制台 → 开启 Agent