Создайте управляемый агент Tech Digest с помощью API Gemini.

1. Обзор

В сфере искусственного интеллекта и технологий всё меняется быстрее, чем кто-либо может за этим уследить. Ежедневно появляются новые модели, статьи и продукты. Агент, который бы собирал сегодняшние заголовки, писал краткие резюме и генерировал PDF-файлы каждое утро, решил бы эту проблему, но раньше для его создания требовалось выбрать фреймворк, определить инструменты на Python, написать цикл оркестрации, упаковать контейнер и развернуть его в Cloud Run. И всё это ещё до того, как агент сделал хотя бы один веб-запрос.

Использование управляемых агентов через API Gemini меняет ситуацию. Вы пишете два конфигурационных файла в формате Markdown и предварительно созданный скрипт рендеринга, делаете один вызов API, и загружается настоящая песочница Ubuntu, просматривает веб-страницы, пишет ваши сводки и генерирует PDF-файл. Никаких контейнеров. Никакого развертывания. Никакого кода оркестрации.

В этом практическом занятии вы создадите именно такого агента: от пустой функции до работающего ежедневного дайджеста, шаг за шагом, рассматривая каждую концепцию.

Что вы построите

  • Создайте и запустите свой первый управляемый агент в реальной песочнице Linux.
  • Настройте агента, указав подробные инструкции.
  • Загрузите PDF-файл с результатами работы агента.
  • Продолжите обсуждение, чтобы уточнить сводку, не перезагружая веб-страницу.
  • Сохраните конфигурацию агента и запускайте его по идентификатору в будущих запусках.

Что вам понадобится

  • Python 3.10+
  • API-ключ Gemini с включенной оплатой: aistudio.google.com/api-keys
  • Примерно 1 доллар США в виде кредита API (каждый полный запуск стоит 0,30–1,30 доллара США)

2. Что такое управляемые агенты в API Gemini?

Три уровня систем искусственного интеллекта

Прежде чем углубляться в код, давайте рассмотрим, какое место занимают управляемые агенты по сравнению с двумя альтернативами:

Уровень

Что это такое

Кто управляет инфраструктурой?

Стандартная степень магистра права

Вы задаёте запрос, он отвечает текстом. Нет рук, нет памяти, нет интернета.

Н/Д: оно ничего не может сделать самостоятельно.

Агент, размещающий свои данные самостоятельно

Вы соединяете ADK/LangChain/AutoGen + Docker + инструменты + память.

Вы: всё это (или управляемая платформа, например, Agent Engine)

Управляемый агент

Вы задаёте ему цель. Google создаёт защищённую песочницу. Агент пишет код, запускает его, читает ошибки, ищет информацию в интернете и автоматически исправляет баги.

Google: всё это

Этот практический урок посвящен третьему ряду. Вы предоставляете задание и файлы конфигурации. Google занимается всем остальным.

Что бы вы создали с помощью ADK + Cloud Run

Для создания агента, генерирующего новостные сводки, который просматривает веб-страницы, запускает Python и создает PDF-файлы, вам потребуется все это с помощью ADK + Cloud Run:

# agent.py: define tools and wire up the agent
from google.adk.agents import LlmAgent
from google.adk.tools import google_search, built_in_code_execution

agent = LlmAgent(
    name="digest-agent",
    model=MODEL,
    instruction=AGENTS_MD,          # your editorial voice and rules
    tools=[google_search, built_in_code_execution],
)

# app.py: serve the agent over HTTP
from google.adk.runners import FastApiRunner
runner = FastApiRunner(agent=agent)
app = runner.app

# pdf_tool.py: custom tool, install reportlab, render PDF
# scraper.py: custom tool, fetch each news source
# streaming.py: wire agent events to your SSE endpoint

# Dockerfile: package everything
FROM python:3.12
COPY . /app
RUN pip install google-adk reportlab requests
CMD ["uvicorn", "app:app", "--host", "0.0.0.0"]

# Deploy to Cloud Run
gcloud run deploy digest-agent \
  --image gcr.io/your-project/digest-agent \
  --set-secrets GEMINI_API_KEY=gemini-key:latest \
  --memory 2Gi

Это происходит до того, как агент хотя бы раз запустится. Вам по-прежнему необходима изоляция в песочнице (чтобы агент не мог повредить ваш сервер), установка пакетов, управление состоянием между вызовами инструментов и потоковая инфраструктура для передачи событий клиенту.

На что заменяет это управляемый агент? 

from google import genai
client = genai.Client()

stream = client.interactions.create(
    agent="antigravity-preview-05-2026",
    input="",
    stream=True,
    environment={
        "type": "remote",
        "sources": [          # your config files, mounted at startup
            {
                "type": "inline",
                "target": ".agents/AGENTS.md",
                "content": AGENTS_MD,
            },
            {
                "type": "inline",
                "target": ".agents/skills/digest-pdf/SKILL.md",
                "content": SKILL_MD,
            },
            {
                "type": "inline",
                "target": ".agents/skills/digest-pdf/scripts/generate_pdf.py",
                "content": GENERATE_PDF_PY,
            },
        ],
    },
)

Что требуется для работы ADK + Cloud Run

Что для вас делает служба управляемых агентов

Образ контейнера + Dockerfile + CI/CD

Полностью управляемая песочница Ubuntu (Python 3.12, Node 22, 4 CPU / 16 ГБ ОЗУ)

Развертывание и масштабирование Cloud Run

Предоставляется за каждое взаимодействие, автоматически удаляется через 7 дней бездействия.

изоляция песочницы

Изолирован по взаимодействиям

Пользовательский инструмент для работы с PDF + pip install

Агент устанавливает пакеты в песочницу.

Инфраструктура потоковой передачи SSE

stream=True возвращает итерируемый объект события

Определения инструментов в Python

Встроенные инструменты: просмотр веб-страниц, выполнение кода, файловая система.

Управление состоянием между вызовами инструментов

Встроено в цикл рассуждений агента.

Вы пишете конфигурационные файлы ( AGENTS.md , SKILL.md , готовый скрипт) и делаете один вызов API. Google позаботится обо всем остальном.

Как работает песочница 

interactions.create() call
        │
        ▼
Google provisions Ubuntu sandbox (Python 3.12, Node 22, 4 CPU / 16 GB RAM)
        │
        ▼
Agent reasoning loop:
  plan → fetch URLs → run Python → write files → reason → repeat
        │
        ▼
Events stream back in real time: tool calls, text chunks, completion
        │
        ▼
interaction.completed → environment_id + interaction_id

Песочница сохраняется в течение 7 дней бездействия. Вы можете возобновить её работу, используя environment_id , чтобы уточнить результаты, запустить последующие задачи или создать форк в сохранённом именованном агенте.

3. Настройка

Нажмите кнопку ниже, чтобы открыть этот практический урок в Google Cloud Shell. Все необходимые зависимости уже установлены.

Открыть в Cloud Shell

Вариант B: Локальная настройка 

git clone https://github.com/Saoussen-CH/tech-digest-managed-agent.git
cd tech-digest-managed-agent

При необходимости установите uv :

curl -LsSf https://astral.sh/uv/install.sh | sh

Настройте свой API-ключ 

cp .env.example .env
cloudshell edit .env

Установите свой ключ: 

GEMINI_API_KEY=your-key-here

Установите зависимости 

uv sync

4. Сделайте свой первый звонок агенту.

Откройте стартовый файл 

cloudshell edit run_digest.py

run_digest() содержит один пункт TODO, который нужно заполнить сейчас, и еще три для следующего шага. Два вспомогательных поля уже предварительно заполнены выше:

  • load_source(path) : считывает файл из .agents/ относительно скрипта. Вы будете использовать его в следующем упражнении для монтирования редакторского текста, сценария PDF и средства визуализации в изолированную среду.
  • run_stream(stream) : обрабатывает поток событий и возвращает (environment_id, interaction_id) . Вам не нужно писать цикл обработки событий самостоятельно.

Что добавить

TODO 1: заменить pass на (пока игнорируйте TODO 3 и 4 — они для следующего шага): 

    from google import genai
    client = genai.Client()

    stream = client.interactions.create(
        agent=BASE_AGENT,
        input="Fetch the Hacker News front page and list the top 5 stories.",
        stream=True,
        environment="remote",
    )

    environment_id, interaction_id = run_stream(stream)
    print(f"\nDone. environment_id={environment_id}")

Что делает каждая часть

genai.Client() считывает GEMINI_API_KEY из переменных окружения. Все остальное обрабатывается этим клиентом.

interactions.create() является ключевым вызовом. Для его работы требуется четыре параметра:

  • agent=BASE_AGENT : выбирает агент Antigravity ( antigravity-preview-05-2026 ), универсальный управляемый агент на базе Gemini 3.5 Flash. Он поставляется с тремя встроенными инструментами, включенными по умолчанию: code_execution (запуск Bash, Python, Node.js), google_search и url_context (получение и чтение веб-страниц). Инструменты файловой системы ( read_file , write_file , list_files ) включаются автоматически при передаче параметра environment . Один вызов инициализирует полностью управляемую среду Ubuntu с предустановленными Python 3.12, Node.js 22, git, pip и curl. Не нужно создавать контейнеры или запускать развертывание.
  • input : задача для данного запуска. Агент просматривает Hacker News и анализирует результаты.
  • environment="remote" : создает новую облачную песочницу для этого взаимодействия.
  • stream=True : возвращает итерируемый объект событий вместо блокировки. Без него вызов ожидает 30-90 секунд и возвращает весь вывод сразу в виде interaction.output_text . При потоковой передаче вы видите, как агент рассуждает и действует по мере развития событий. Потоковая передача здесь не является расширенной функцией: это правильный вариант по умолчанию, поскольку 90-секундный «черный ящик» не дает вам никакого сигнала о том, работает ли агент или завис.

То, что вы только что настроили: каждый вызов interactions.create() запускает выделенную песочницу:

Компонент

Спецификация

Операционная система

Изолированная среда Ubuntu Linux

Предустановленные среды выполнения

Python 3.12, Node.js 22, Bash

Вычислить

4 ядра ЦП, 16 ГБ ОЗУ

Управление контекстом

Автоматическое сжатие запускается при достижении объема примерно в 135 000 токенов.

Сетевые технологии

Исходящий веб-доступ через прокси-сервер исходящего трафика

Агент может устанавливать любые пакеты с помощью pip или npm , читать и записывать файлы, а также выполнять исходящие веб-запросы. Ваша машина и учетные данные остаются нетронутыми.

environment_id — это идентификатор только что запущенной песочницы. После interaction.completed песочница не завершает работу: она остается активной до 7 дней. environment_id — это способ вернуться к ней. Передайте его во второй вызов interactions.create() , и агент возобновит работу на той же файловой системе, с теми же файлами и установленными пакетами, как если бы он и не покидал её. На следующем шаге он используется для загрузки PDF-файла без повторного запуска агента, а на шаге после этого — для продолжения диалога.

interaction_id — это идентификатор только что завершившегося диалога. Передайте его в качестве previous_interaction_id в следующем звонке, и агент будет иметь полную память о том, что он сказал и сделал в этом диалоге.

Проверять 

uv run python run_digest.py

Вы должны видеть вывод в реальном времени во время работы агента: 

[agent started]
  [tool] run_code
Here are the top 5 stories currently on the Hacker News front page, retrieved via the official Hacker News API:

1. **Qwen 3.6 27B is the sweet spot for local development** — 471 points
2. **.self: A new top-level domain designed to support self-hosting** — 116 points
...
Done. environment_id=e3de58774073f75a6ef42924c6ce2e88

API возвращает реальный environment_id даже при environment="remote" . Песочница запустилась. Отсутствует конфигурация: нет голосового ввода, нет навыков, нет генератора PDF. Агент просто распечатал истории в текстовом виде и остановился. На следующем шаге они будут добавлены.

Каждая строка вывода соответствует событию из run_stream() :

step.type

Что это такое

Что выводит функция run_stream()

"url_context_call"

агент получает URL-адрес

[tool] url_context (https://...)

"code_execution_call"

агент запускает код в песочнице

[tool] run_code

"google_search_call"

агент ищет в интернете

[tool] google_search

"function_call"

файловые инструменты и другие

[tool] read_file (/workspace/...)

step.delta where delta.type == "text"

агент пишет текст

транслируется напрямую в стандартный вывод

5. Настройка агента

У агента не было никаких инструкций: ни голоса, ни навыков, ни генератора PDF-файлов. На этом этапе вы загружаете файлы конфигурации из папки .agents/ и монтируете их в песочницу.

Что изменить

Внесите четыре изменения в run_digest.py :

TODO 2: После функции load_source() добавьте три константы уровня модуля (они находятся вне run_digest() , в верхней части файла): 

AGENTS_MD       = load_source(".agents/AGENTS.md")
SKILL_MD        = load_source(".agents/skills/digest-pdf/SKILL.md")
GENERATE_PDF_PY = load_source(".agents/skills/digest-pdf/scripts/generate_pdf.py")

Откройте каждый файл, чтобы увидеть, что вы загружаете: AGENTS.md задает стиль редактирования и правила рабочего процесса; SKILL.md — это пошаговое руководство по созданию PDF-файлов; generate_pdf.py — это предварительно созданный рендерер, который будет запускать агент.

Теперь внесите еще два изменения в run_digest() :

TODO 3: изменить environment с "remote" на словарь источников и установить input на "" : 

        environment={
            "type": "remote",
            "sources": [
                {
                    "type": "inline",
                    "target": ".agents/AGENTS.md",
                    "content": AGENTS_MD,
                },
                {
                    "type": "inline",
                    "target": ".agents/skills/digest-pdf/SKILL.md",
                    "content": SKILL_MD,
                },
                {
                    "type": "inline",
                    "target": ".agents/skills/digest-pdf/scripts/generate_pdf.py",
                    "content": GENERATE_PDF_PY,
                },
            ],
        },

TODO 4: добавьте эти строки сразу после print(f"\nDone. environment_id={environment_id}") : 

    set_key(".env", "ENVIRONMENT_ID", environment_id)
    set_key(".env", "INTERACTION_ID", interaction_id)

( set_key уже импортирована в начале файла run_digest.py .)

В ходе выполнения этой операции оба идентификатора записываются в файл .env , поэтому на следующем шаге можно будет загрузить PDF-файл без повторного запуска агента.

Что делает каждый источник

Каждый исходный файл монтируется в файловую систему песочницы при запуске, до начала работы агента. target пути соответствуют тем местам, где, по мнению Antigravity, они должны находиться: 

.agents/
├── AGENTS.md                              ← auto-loaded as global instructions
└── skills/
    └── digest-pdf/
        ├── SKILL.md                       ← auto-discovered and registered as a skill
        └── scripts/
            └── generate_pdf.py            ← pre-built renderer the agent can run

target путь

Переменная

Для чего используется ремень безопасности?

.agents/AGENTS.md

AGENTS_MD

Автоматически загружаются в виде постоянных инструкций: редакционный стиль, рабочий процесс, правила выполнения.

.agents/skills/digest-pdf/SKILL.md

SKILL_MD

Автоматически обнаружен и зарегистрирован как именованный навык; агент вызывает его по имени.

.agents/skills/digest-pdf/scripts/generate_pdf.py

GENERATE_PDF_PY

Встроенный инструмент для рендеринга PDF-файлов; агент записывает файл summaries.json а затем запускает этот скрипт.

Проверять 

uv run python run_digest.py

Теперь выполнение занимает 1-3 минуты. Вы должны увидеть, как агент считывает файлы конфигурации, записывает сводки и сохраняет PDF-файл: 

[agent started]
  [tool] read_file (/.agents/skills/digest-pdf/SKILL.md)
  [tool] list_files (/.agents/skills/digest-pdf/scripts)
  [tool] read_file (/.agents/skills/digest-pdf/scripts/generate_pdf.py)
  [tool] run_code
  [tool] write_file (/workspace/summaries.json)
  [tool] run_code
  [tool] delete_file (/tmp/test_scrape.py)
I have successfully generated today's tech news digest and saved the formatted document to /workspace/digest.pdf.
Done. environment_id=4129ffd75574e308748e9425d7ec828f

Теперь environment_id — это реальное значение: песочница работала с вашими конфигурационными файлами, и агент создал digest.pdf . На следующем шаге он будет загружен.

6. Скачайте PDF-файл

Агент записал digest.pdf в папку /workspace/digest.pdf внутри песочницы. Снимок среды доступен в виде архива tar через API файлов Gemini.

При необходимости установите requests : 

uv pip install requests

Что нужно заполнить

Откройте download_pdf.py . В нём два пункта TODO.

TODO 1: Заполнить вызов requests.get() : 

    r = requests.get(
        f"https://generativelanguage.googleapis.com/v1beta/files/environment-{environment_id}:download",
        params={"alt": "media"},
        headers={"x-goog-api-key": api_key},
        allow_redirects=True,
    )
    r.raise_for_status()

URL-адрес обращается к снимку песочницы. params={"alt": "media"} возвращает необработанные байты вместо метаданных. Ваш существующий GEMINI_API_KEY также используется для аутентификации в Files API.

TODO 2: найти и извлечь PDF-файл из архива tar: 

            member = next(m for m in tar.getmembers() if m.name.endswith("workspace/digest.pdf"))
            tar.extract(member, path=tmp, filter="data")

Префикс пути к архиву tar меняется в зависимости от запуска, поэтому выполняйте поиск по суффиксу, а не указывайте точный путь вручную. filter="data" подавляет предупреждение об устаревании Python 3.13, связанное с небезопасным извлечением архива tar.

Проверять 

uv run python download_pdf.py

Saved digest.pdf (48,231 bytes)

Откройте digest.pdf в той же директории. Он содержит отформатированный дайджест, сгенерированный агентом на основе данных с работающих веб-страниц.

7. Продолжите разговор.

У вас уже есть digest.pdf . Если вам нужен был только этот файл, то всё готово. Этот шаг предназначен для другого: вы просите агента изменить дайджест без повторной загрузки веб-страницы.

Песочница всё ещё активна. У агента по-прежнему есть /workspace/digest.pdf , и он помнит каждую историю, которую он резюмировал. Второй вызов interactions.create() отправляет последующее сообщение в ту же песочницу. Здесь вы просите его добавить примечание «Почему это важно» под каждой историей, и он обновляет PDF-файл на месте, без повторной загрузки и повторного составления резюме.

Что нужно заполнить

Откройте refine_digest.py . В нём три пункта TODO.

Задачи 1 и 2: заполните два параметра для многошагового режима внутри interactions.create() : 

    environment=environment_id,
    previous_interaction_id=interaction_id,

environment=environment_id возобновляет работу в той же песочнице с ее файлами и пакетами. previous_interaction_id=interaction_id предоставляет агенту историю разговоров. Ничего больше не меняется по сравнению с первым звонком.

TODO 3: сохранить новый interaction_id обратно в файл .env после завершения цикла обработки событий: 

set_key(".env", "INTERACTION_ID", interaction_id)

Каждый вызов interactions.create() создает новый interaction_id . Запись его обратно означает, что при следующем запуске это уточнение передается как previous_interaction_id , и цепочка взаимодействий выполняется корректно. Идентификатор песочницы никогда не меняется, поэтому ENVIRONMENT_ID обновлять не нужно.

Два параметра, обеспечивающие работу многооборотного механизма.

ИДЕНТИФИКАТОР

Что оно сохраняет

Аналогия

environment=environment_id

Файлы, установленные пакеты, состояние системы: всё в файловой системе Linux.

Сохранение одного и того же рабочего стола между совещаниями.

previous_interaction_id=interaction_id

История разговора: что агент говорил и делал в предыдущих диалогах.

Вспоминая, что обсуждалось на последнем совещании

Вы можете передать каждый из этих идентификаторов независимо:

  • Только для environment_id : повторное использование файлов и пакетов, но начало нового диалога. Полезно для новой задачи в том же рабочем пространстве.
  • Только previous_interaction_id : продолжить контекст беседы, но в новой песочнице (файлы удалены).
  • Оба варианта: полная непрерывность, которая используется на этом этапе.

Без environment_id : пустая песочница, PDF-файл недоступен. Без previous_interaction_id : отсутствует контекст, агент не может уточнить конкретный раздел.

Проверять 

uv run python refine_digest.py

Поток должен быть быстрым; агент ничего не запрашивает повторно. После завершения: 

Refinement done.
Saved digest_v2.pdf (52,418 bytes)

Откройте digest_v2.pdf и сравните его с digest.pdf . В каждой статье теперь должна быть добавлена ​​строка "Почему это важно".

8. Сохранение конфигурации управляемого агента.

До сих пор каждый вызов передавал AGENTS.md , SKILL.md и generate_pdf.py в режиме inline. Это работает, но ваш вызывающий код передаёт полное содержимое файлов при каждом запуске. agents.create() встраивает конфигурацию в сохранённый именованный агент на стороне Google. Следующий вызов просто передаёт идентификатор агента: 

Inline calls:   send sources on every call
Named agent:    bake once → invoke by ID, no sources

Что нужно заполнить

Откройте save_agent.py . У него есть одно TODO (TODO 1).

Обратите внимание, что константы импортируются непосредственно из run_digest.py (без дублирования): 

from run_digest import BASE_AGENT, AGENTS_MD, SKILL_MD, GENERATE_PDF_PY

TODO 1: Заполнить вызов agents.create() : 

agent = client.agents.create(
    id="my-digest",
    base_agent=BASE_AGENT,
    description="Daily tech digest with editorial voice and PDF generation.",
    base_environment={
        "type": "remote",
        "sources": [
            {
                "type": "inline",
                "target": ".agents/AGENTS.md",
                "content": AGENTS_MD,
            },
            {
                "type": "inline",
                "target": ".agents/skills/digest-pdf/SKILL.md",
                "content": SKILL_MD,
            },
            {
                "type": "inline",
                "target": ".agents/skills/digest-pdf/scripts/generate_pdf.py",
                "content": GENERATE_PDF_PY,
            },
        ],
    },
)

Ключевое отличие от встроенного вызова на предыдущем шаге заключается в base_environment (а не environment ): исходные файлы хранятся на стороне Google и автоматически монтируются при каждом последующем вызове. Запускайте его один раз, а не при каждом запуске дайджеста.

Проверить: сохранить агента 

uv run python save_agent.py

Saved: my-digest
my-digest: Daily tech digest with editorial voice and PDF generation.

Запустите сохраненный агент

Откройте invoke_agent.py . Он вызывает сохраненный агент по ID без указания источников: 

stream = client.interactions.create(
    agent="my-digest",
    input="",
    stream=True,
    environment="remote",
)

Сравните это с встроенным вызовом: agent=BASE_AGENT заменяется на "my-digest" , а полный блок environment с тремя встроенными источниками заменяется на environment="remote" . Конфигурация уже встроена на стороне Google.

Проверка: вызовите сохраненный агент. 

uv run python invoke_agent.py

Вы должны увидеть ту же прямую трансляцию, что и при запуске скрипта непосредственно в программе, но вызов не будет содержать исходных файлов. После запуска значения ENVIRONMENT_ID и INTERACTION_ID в .env будут обновлены, поэтому вы можете продолжить работу с refine_digest.py как и раньше. 

[agent started]
  [tool] read_file
  [tool] write_file
  [tool] run_code
I have successfully created today's tech news digest.
Done. environment_id=9a1c3e02-...

9. Уборка

Песочница автоматически закрывается через 7 дней бездействия. Нет необходимости останавливать серверы. Нет необходимости удалять контейнеры.

Если вы сохранили конфигурацию агента, удалите её: 

uv run python delete_agent.py

10. Резюме

Вы создали управляемого агента с нуля, шаг за шагом, рассматривая каждую концепцию. Вот чему вас научило каждое упражнение:

Упражнение

Концепция

Ключ API

Сделайте свой первый звонок

Создайте реальную песочницу Linux и транслируйте её события в прямом эфире.

interactions.create(agent, input, environment, stream=True) , event.event_type

Настройте агента

Смонтируйте конфигурационные файлы; сохраните идентификаторы в файле .env в ходе того же запуска.

environment.sources , set_key

Скачать PDF

Загрузите PDF-файл, не запуская агент повторно.

API файлов Gemini :download в download_pdf.py

Продолжите разговор

Продолжите разговор, не перезагружая веб-страницу.

environment=environment_id , previous_interaction_id=interaction_id

Сохранение конфигурации агента

Сохранять конфигурацию агента; запускать по идентификатору, источники не требуются.

agents.create() , agents.list()

Ключевые шаблоны

  1. Один вызов, одна песочница : interactions.create() обрабатывает всю инфраструктуру (не нужно развертывать контейнеры, не нужно устанавливать пакеты локально).
  2. Прогрессивная потоковая передача : stream=True превращает 90-секундный «черный ящик» в прямую трансляцию вызовов инструментов и фрагментов текста.
  3. Встроенные источники : монтируются AGENTS.md , SKILL.md и предварительно скомпилированные скрипты в песочницу без каких-либо шагов загрузки или развертывания.
  4. Автоматическое обнаружение файлов : файлы, размещенные в папке .agents/ автоматически распознаются (настройка SDK не требуется).
  5. Двумерное состояние : environment_id отслеживает файлы и пакеты; previous_interaction_id отслеживает контекст разговора; любой из этих параметров может передаваться независимо.
  6. Загрузка снимка : среда представляет собой полный архив файловой системы в формате tar, доступный через API файлов Gemini.
  7. Именованные агенты : agents.create() сохраняет конфигурацию навсегда; последующие вызовы передают только идентификатор агента и environment="remote" , без указания источников.

ADK + Cloud Run против управляемых агентов: разница вкратце

Возможности

ADK + Cloud Run

Управляемые агенты в API Gemini

Создайте песочницу.

docker build + gcloud run deploy

interactions.create()

Определить инструменты

Функции Python, зарегистрированные в агенте.

Встроенные функции: просмотр веб-страниц, выполнение кода, файловая система.

Установить пакеты

pip install в Dockerfile

Агент запускает pip install в изолированной среде.

Трансляция событий

Пользовательская инфраструктура SSE

stream=True

Продолжить сессию

База данных сессий + внедрение контекста

environment_id + previous_interaction_id

Файлы конфигурации

Задается жестко в агенте или внедряется при запуске.

Смонтировано через environment.sources

Инфраструктура для управления

Контейнеры, Cloud Run, IAM, секреты

Никто

Следующие шаги