Agentes Gerenciados da API Gemini: 4 recursos de produção e como eles se comparam ao Bedrock AgentCore (2026)

Resumo. Em 7 de julho de 2026, o Google DeepMind expandiu os Agentes Gerenciados na API Gemini com 4 capacidades voltadas para uso em produção: execução em segundo plano de longa duração (background: true), integração com servidor remoto do Protocolo de Contexto de Modelo (MCP), chamada de função personalizada juntamente com ferramentas de sandbox e atualização de credenciais de rede. Os agentes gerenciados operam dentro da API de Interações Gemini, onde um único endpoint lida com raciocínio, execução de código, instalação de pacotes, gerenciamento de arquivos e acesso à web dentro de um sandbox em nuvem isolado. A mudança principal é que uma tarefa longa não precisa mais de uma conexão HTTP aberta: você passa background: true, a API retorna um ID de interação imediatamente, e seu cliente consulta ou reconecta mais tarde. O ponto óbvio de comparação é o Amazon Bedrock AgentCore, que mede 12 componentes e cobra sua Runtime a $0.0895 por vCPU-hora e $0.00945 por GB-hora na us-east-1 em junho de 2026, com a inferência de modelo frequentemente representando 50 a 70 por cento do gasto total do agente. Os dois produtos resolvem o mesmo problema, um lugar gerenciado para executar agentes, com apostas diferentes: Gemini se acopla fortemente a uma família de modelos por trás de um único endpoint, enquanto o AgentCore é um conjunto de serviços nativo da AWS, agnóstico a modelos, que você monta. Este guia detalha os 4 recursos do Gemini no nível da API, fornece padrões de código funcionais e expõe quando cada plataforma é a escolha certa para uma equipe de produção.

"Essas atualizações transformam os agentes gerenciados em trabalhadores assíncronos que operam dentro de ambientes de desenvolvimento reais sem bloquear sua aplicação", escreveram Philipp Schmid, Engenheiro de Relações com Desenvolvedores do Google DeepMind, e Mariano Cocirio, Gerente de Produto do Google DeepMind, no post de lançamento.

O que são realmente os "Agentes Gerenciados na API Gemini"

Os Agentes Gerenciados são parte da API de Interações Gemini. Você chama um endpoint, e o Gemini lida com o loop do agente para você: raciocínio, execução de código, instalação de pacotes, gerenciamento de arquivos e extração de informações da web dentro de um sandbox em nuvem isolado. Essa é a diferença em relação a uma chamada de completions de chat simples. Com uma chamada de modelo simples, você possui o loop, a execução da ferramenta e o sandbox. Com agentes gerenciados, o Google executa o sandbox e o loop, e você envia instruções e lê resultados.

Essa decisão de design é importante para uma equipe de plataforma. Ela remove o trabalho de provisionar e proteger um ambiente de execução, e remove o código de cola que mantém um modelo, um executor de ferramentas e um sistema de arquivos em sincronia. Também entrega o controle desse ambiente ao Google, que é exatamente a troca que uma equipe precisa ponderar. As quatro adições de julho de 2026 empurram todos os agentes gerenciados de um recurso amigável para demonstrações para algo que você pode executar em produção sem manter uma solicitação aberta ou criar proxies manualmente.

Os exemplos abaixo usam o @google/genai SDK JavaScript, o SDK que o Google mostra em seu próprio material de lançamento. Equivalentes em Python e cURL estão disponíveis na documentação do agente Antigravity. Trate os trechos aqui como a forma de cada chamada; confirme as assinaturas exatas contra o guia rápido oficial de agentes gerenciados antes de enviar.

As 4 novas capacidades, no nível da API

1. Execução em segundo plano de longa duração

Manter uma conexão HTTP aberta para uma tarefa de agente de vários minutos é frágil: balanceadores de carga expiram, redes móveis caem e uma nova implantação mata todas as solicitações em andamento. A solução do Google é uma flag background: true. Passe-a e a interação será executada assíncronamente no servidor. A API retorna um ID imediatamente, e seu cliente usa esse ID para consultar o status, transmitir progresso ou reconectar mais tarde enquanto o agente continua trabalhando remotamente.

// Iniciar uma interação de longa duração em segundo plano
const started = await ai.interactions.create({
  agent: myAgentId,
  input: "Refatore a suíte de testes do repositório e abra um resumo.",
  background: true,          // retorna imediatamente com um ID de interação
});

// Mais tarde, de qualquer cliente, consulte pelo ID
const status = await ai.interactions.get({ interaction: started.id });
// status.state passa por running -> requires_action / completed

Essa é a mudança que torna os agentes gerenciados utilizáveis por trás de um aplicativo web ou móvel normal. O aplicativo dispara a tarefa, armazena o ID da interação e mostra o progresso a partir de uma consulta ou de um fluxo em vez de bloquear uma thread de solicitação por minutos.

2. Integração remota com servidor MCP

Os agentes ganham seu valor quando interagem com seus dados. Antes deste lançamento, você escrevia middleware de proxy para expor um banco de dados privado ou uma API interna ao agente. Agora você conecta um agente gerenciado diretamente a um servidor remoto do Protocolo de Contexto de Modelo (MCP) passando uma ferramenta mcp_server no momento da interação, juntamente com ferramentas integradas como Pesquisa do Google ou execução de código. O agente se comunica com seu endpoint de dentro de seu sandbox seguro.

const result = await ai.interactions.create({
  agent: myAgentId,
  input: "Resuma as faturas em atraso deste trimestre.",
  tools: [
    { mcp_server: { url: "https://mcp.internal.example.com", auth: "..." } },
    { code_execution: {} },   // misture ferramentas remotas com as integradas
  ],
});

O MCP se tornou o protocolo comum para conectar agentes a ferramentas, então um caminho remoto-MCP de primeira linha remove uma categoria inteira de código de integração personalizado. O Google também publica melhores práticas de segurança para estender um agente com ferramentas externas, que você deve ler antes de apontar um