Gemini API 的 Managed Agents 更新：背景任務與遠端 MCP 的實務意義

Google 在 2026 年 7 月 7 日宣布擴充 Gemini API 的 Managed Agents，重點是加入背景任務（background tasks）與遠端 MCP（Model Context Protocol）支援。對正在把 agent 放進產品的人來說，這不是單純的功能列表，而是基礎設施的轉變：agent 不再只是「問答機器」，而是可以長時間、跨系統工作的執行單元。

背景任務：把 agent 從同步對話中解放

過去呼叫 Gemini API 的 agent，多半是同步的：你送一個請求，等回應，然後結束。但真實產品裡，很多工作不是幾秒鐘能完成的，例如批次處理文件、爬取網站、生成報告。Google 這次加入的背景任務，讓 agent 可以在伺服器端非同步執行，開發者不需要一直保持連線等待結果。

對產品建構者來說，這意味著你可以把 agent 當作「非同步 worker」來設計。例如，使用者上傳一份合約，系統可以啟動一個背景任務去分析條款，完成後再通知使用者。這改變了 agent 的互動模型，也讓架構更接近傳統的 job queue 模式。不過，背景任務也帶來新的考量：你需要管理任務的生命週期、錯誤處理，以及如何把結果傳回給使用者。Google 的文件提到，這些任務可以透過 API 查詢狀態，但具體的輪詢或 webhook 機制，官方部落格沒有詳細說明。

官方部落格提供了以 @google/genai JavaScript SDK 撰寫的簡化範例：建立 interaction 時帶上 background: true，API 會立即回傳 ID，之後再用 client.interactions.get() 輪詢狀態：

import { GoogleGenAI } from "@google/genai";

const client = new GoogleGenAI({});

// 1. Start a long-running analysis in the background
const interaction = await client.interactions.create({
  agent: "antigravity-preview-05-2026",
  input: "Clone https://github.com/googleapis/js-genai, find all TODO comments in the source code, and categorize them by module and priority in a markdown report.",
  environment: "remote",
  background: true,
});

console.log(`Background task started. Interaction ID: ${interaction.id}`);

// 2. Poll asynchronously without blocking an open HTTP socket
let result = interaction;
while (result.status === "in_progress") {
  await new Promise((resolve) => setTimeout(resolve, 5000));
  result = await client.interactions.get(interaction.id);
}

if (result.status === "completed") {
  console.log("Task Completed:\n", result.output_text);
} else {
  console.error(`Task ended with status: ${result.status}`);
}

遠端 MCP：把工具連線延伸到 agent 之外

MCP 已經成為 agent 連接外部工具的主流協定，但過去大多用在本地或同一環境內。Google 這次加入的遠端 MCP 支援，讓 agent 可以透過網路連接到其他伺服器上的 MCP 工具。這對企業特別有用，因為工具往往分散在不同部門或雲端環境。

實務上，這代表你可以把內部的 CRM、資料庫或第三方服務，透過 MCP server 暴露給 Gemini agent，而不需要把所有邏輯塞進同一個程式碼庫。Google 的公告強調這是「remote MCP」，但沒有深入討論認證或安全細節。對於要上線的產品，這反而是最需要自己補足的環節：遠端連線的授權、流量加密、以及防止 prompt injection 的防護，都必須在 agent 設計時一併考慮。

官方部落格的範例是在建立 interaction 時傳入 mcp_server 工具，讓 agent 從安全的沙盒中查詢內部 observability server，並將延遲尖峰與 git commits 做關聯：

import { GoogleGenAI } from "@google/genai";

const client = new GoogleGenAI({});

const interaction = await client.interactions.create({
  agent: "antigravity-preview-05-2026",
  input: "Check our internal observability server for recent latency spikes in the auth service and correlate them with git commits.",
  environment: "remote",
  tools: [
    { type: "google_search" },
    { type: "code_execution" },
    {
      type: "mcp_server",
      name: "internal_telemetry",
      url: "https://mcp.internal.example.com/mcp",
    },
  ],
});

console.log(interaction.output_text);

同一批更新也加入了自訂函式呼叫（custom function calling）：內建的沙盒工具在伺服器端自動執行，自訂函式則會讓 interaction 進入 requires_action 狀態，交由你的客戶端執行本地商業邏輯。官方部落格以 get_weather 函式為例：

import { GoogleGenAI } from "@google/genai";

const client = new GoogleGenAI({});

// 1. Define a custom domain function
const getWeatherTool = {
  type: "function",
  name: "get_weather",
  description: "Gets the current weather for a given location.",
  parameters: {
    type: "object",
    properties: {
      location: {
        type: "string",
        description: "The city and country, e.g. San Francisco, USA",
      },
    },
    required: ["location"],
  },
};

// 2. Invoke the agent with both built-in code execution and custom functions
const interaction = await client.interactions.create({
  agent: "antigravity-preview-05-2026",
  input: "Check the weather in Tokyo, write a Python script to convert the temperature to Fahrenheit, and save the result to weather.txt.",
  environment: "remote",
  tools: [
    { type: "code_execution" },
    getWeatherTool,
  ],
});

// 3. Handle custom function execution cleanly
if (interaction.status === "requires_action") {
  // Filesystem and sandbox tools execute automatically and produce a result
}

對產品架構的實際影響

把這兩項更新放在一起看，Google 顯然在推動 agent 從「單次對話」走向「持續運行的服務」。這對產品建構者有三個直接影響：

• 非同步優先的設計：如果 agent 要處理長時間任務，你需要重新思考使用者體驗。與其讓使用者等待，不如設計「任務已提交，完成後通知」的流程。
• 工具連線的標準化：遠端 MCP 讓工具整合更模組化，但也要求你更嚴格地管理連線設定與權限。
• 監控與除錯：背景任務和遠端連線都增加了系統複雜度。你需要更完整的 logging 和追蹤機制，才能知道 agent 到底在做什麼。

這些改變不是「加了新功能」那麼簡單，而是 agent 基礎設施的成熟化。對開發者來說，好消息是這些能力直接整合在 Gemini API 中，不需要自己搭建排程器或連線層。但壞消息是，抽象層越高，你越難理解底層行為，除錯時也越需要依賴平台提供的工具。

限制與下一步

Google 的公告提供了方向，但細節仍然有限。官方部落格沒有說明背景任務的執行時間上限、並發限制，或是遠端 MCP 的認證方式。如果你打算採用，建議先閱讀完整的 API 文件，並做小規模的概念驗證，特別是在安全性和可靠性方面。

對於正在評估 agent 平台的團隊，這次更新讓 Gemini API 成為更完整的選項，但最終的成敗還是取決於你如何設計 agent 的任務流程與錯誤處理。工具只是基礎，真正的產品價值來自於你怎麼用它解決使用者的問題。

參考來源

• Expanding Managed Agents in Gemini API: background tasks, remote MCP and more

本文由 AI 協助自上述來源整理，經人工審核後發布。