Gemini API Managed Agents: modello predefinito, hook di ambiente e controlli di budget

Gemini Managed Agents: cosa cambia per gli sviluppatori

Google ha aggiornato le Managed Agents della Gemini Interactions API introducendo quattro funzionalità chiave: il modello predefinito Gemini 3.6 Flash, i hook di ambiente, i controlli di budget e i trigger programmati. L’obiettivo è rendere gli agenti più affidabili, controllabili e pronti per l’uso in produzione, anche senza costi di fatturazione.

---

Modello predefinito Gemini 3.6 Flash

A partire da luglio 2026 l’agente antigravity-preview-05-2026 utilizza Gemini 3.6 Flash come modello di default. Non è necessario modificare il codice esistente; la prossima chiamata all’API lo selezionerà automaticamente. Se si desidera un modello più economico o con latenza ridotta, è possibile specificare un modello diverso tramite agent_config.model:

const client = new GoogleGenAI({});
const interaction = await client.interactions.create({
  agent: "antigravity-preview-05-2026",
  input: "Audit all dependencies in package.json, upgrade outdated packages, and verify the build by running npm test.",
  environment: "remote",
  agent_config: {
    type: "antigravity",
    model: "gemini-3.5-flash-lite" // opzione più economica
  }
});
console.log(interaction.output_text);

I modelli supportati sono:

• Gemini 3.6 Flash (default) – equilibrio tra ragionamento, codifica e uso di tool.
• Gemini 3.5 Flash – generazione più generica.
• Gemini 3.5 Flash‑Lite – latenza minima e costi ridotti.

---

Hook di ambiente: blocco, lint e audit delle chiamate agli strumenti

Gli environment hooks consentono di eseguire script personalizzati prima (pre_tool_execution) o dopo (post_tool_execution) ogni chiamata a uno strumento all’interno del sandbox. Si definiscono in un file .agents/hooks.json e possono filtrare le chiamate con espressioni regolari.

• Security‑gate: prima di code_execution o write_file il comando gate.py decide se consentire o bloccare l’operazione restituendo { "decision": "deny", "reason": "…" }.
• Auto‑format: dopo ogni tool, auto_lint.py applica le regole di stile, garantendo coerenza del codice prodotto.

Gli hook possono anche essere di tipo http, inviando una POST a un endpoint esterno per audit o logging.

Caso d’uso pratico

OffDeal, una banca d’investimento AI‑native, utilizza hook post‑tool per verificare automaticamente la qualità delle immagini dei loghi inseriti in presentazioni. Il risultato è una pipeline di validazione che opera interamente nel sandbox remoto, eliminando la necessità di infrastrutture aggiuntive.

---

Controlli di budget: evitare consumi incontrollati

Le Managed Agents possono eseguire loop autonomi a più turni, consumando rapidamente token. È ora possibile impostare un limite di token totale con max_total_tokens in agent_config:

const interaction = await client.interactions.create({
  agent: "antigravity-preview-05-2026",
  input: "Audit all modules in this repo and generate a migration report.",
  environment: "remote",
  agent_config: {
    type: "antigravity",
    max_total_tokens: 10000 // limite di spesa
  }
});

Se il limite viene raggiunto, l’esecuzione si interrompe in modo sicuro e lo stato dell’ambiente viene preservato. È possibile riprendere il lavoro passando previous_interaction_id in una nuova chiamata, mantenendo il contesto e il budget residuo.

---

Trigger programmati: agenti autonomi su base cron

Con i scheduled triggers è possibile trasformare un agente in un worker ricorrente. Un trigger lega agente, ambiente, prompt e una schedulazione cron a una risorsa persistente. Ogni esecuzione riutilizza lo stesso sandbox, quindi i file creati rimangono disponibili tra le iterazioni.

await client.triggers.create({
  name: "daily‑audit",
  agent: "antigravity-preview-05-2026",
  environment: "remote",
  prompt: "Run a security audit on the repository and send a summary to Slack.",
  schedule: "0 2 * * *" // ogni giorno alle 02:00 UTC
});

Questa funzionalità elimina la necessità di orchestratori esterni (es. Cloud Scheduler) per compiti ripetitivi.

---

Accesso gratuito e implicazioni di costo

Le Managed Agents sono ora disponibili anche nei progetti free tier: basta una chiave API senza attivare la fatturazione. Questo rende più semplice sperimentare flussi agentici senza impegno finanziario. Tuttavia, i controlli di budget rimangono fondamentali per evitare costi inattesi quando si passa a un piano a pagamento.

---

Implicazioni pratiche per gli sviluppatori

---

Cosa valutare prima di adottare le Managed Agents

1. Tipo di workload – Se il compito richiede più turni o interazioni con tool, i trigger e i hook offrono un vantaggio significativo.
2. Vincoli di sicurezza – Implementare hook di pre‑execution per bloccare operazioni potenzialmente pericolose (es. scrittura di file sensibili).
3. Budget – Definire max_total_tokens in fase di progettazione per allineare il consumo al budget mensile.
4. Persistenza dei dati – I sandbox hanno TTL di 7 giorni; i trigger mantengono lo stato, ma è buona norma esportare risultati critici prima della scadenza.
5. Scalabilità – Per carichi elevati, valutare la combinazione di più agenti con trigger distinti o l’integrazione con sistemi di coda esterni.

---

In sintesi, le nuove funzionalità di Gemini API Managed Agents consentono di costruire agenti più sicuri, controllabili e autonomi, con costi prevedibili e senza la necessità di infrastrutture aggiuntive. Sfruttare il modello predefinito, i hook di ambiente, i limiti di token e i trigger programmati può ridurre notevolmente il tempo di sviluppo e aumentare la robustezza delle soluzioni AI.

Fonti

• Google AI Blog