Construa sua própria equipe de agentes gerenciados - Jack Wotherspoon, Google DeepMind

하이라이트

• Os agentes gerenciados em nuvem executam código, realizam pesquisas na web e escrevem testes em um sandbox na infraestrutura do Google Cloud através de uma única chamada de API.

• A nova API de Interações do Google DeepMind gerencia o histórico de conversas em várias etapas, permitindo que agentes criem arquivos e chamem diferentes ferramentas.

• O Gemini 4 Argon possui uma janela de contexto e saída de cerca de 1 milhão de tokens compartilhada entre entrada, pensamento e saída.

• Os ambientes separados mantêm o estado do sistema de arquivos no sandbox, permitindo fluxos de trabalho multiagente onde diferentes agentes reutilizam os mesmos arquivos criados anteriormente.

• O proxy de segurança injeta tokens e credenciais de forma segura sem que os segredos reais entrem no sandbox do agente.

타임라인

1. 00:00 - 02:12

   Introdução aos Agentes Gerenciados em Nuvem

   Jack Weatherspoon apresenta o conceito de agentes gerenciados ou em nuvem no Google DeepMind. Ele explica que executar um agente na nuvem evita os transtornos de rodar códigos e automações diretamente no próprio notebook, além de permitir o dimensionamento adequado para integrações em aplicativos voltados para clientes.

   • Os agentes gerenciados rodam em sandboxes na nuvem em vez da máquina local do usuário.
   • A execução na nuvem elimina problemas com o controle do navegador e pop-ups locais.
   • A arquitetura permite escalar e compartilhar configurações de agentes facilmente com colegas ou aplicativos.
2. 02:12 - 05:22

   A API de Interações e Arquitetura de Servidor

   O funcionamento por trás dos panos dos agentes gerenciados dispensa a necessidade de gerenciar contêineres, VMs ou regras de firewall manualmente. Com uma única chamada de API utilizando a nova API de Interações, o desenvolvedor obtém acesso a um sandbox integrado com ferramentas de servidor e suporte a funções personalizadas ou servidores MCP.

   • A construção manual de ambientes e harnesses na nuvem é substituída por uma única chamada de API.
   • A nova API de Interações substitui o modelo tradicional de entrada e saída única para acomodar agentes de múltiplas etapas.
   • A infraestrutura do Google Cloud inicializa automaticamente o sandbox com ferramentas integradas de pesquisa web e manipulação de arquivos.
3. 05:22 - 08:50

   Pilares Centrais, Modelos e Recursos do Gemini 4

   Os agentes utilizam o harness antigravidade integrado no Google. As credenciais permitem injetar tokens OAuth do MCP de forma segura, enquanto os gatilhos permitem agendar execuções automáticas, como análises financeiras antes da abertura do mercado. O recém-lançado modelo Gemini 4 Argon amplia significativamente a capacidade de saída para raciocínio matemático e modelagem financeira complexa.

   • Os pilares principais incluem o harness antigravidade, o ambiente isolado, as habilidades, as credenciais e os gatilhos agendados.
   • O modelo Gemini 4 Argon oferece excelente desempenho em tarefas financeiras e análise de dados.
   • A decodificação longa do Gemini 4 permite uma janela compartilhada de cerca de 1 milhão de tokens entre entrada, raciocínio e saída.
4. 08:50 - 14:32

   Primitivas de Estado, Segurança e Fluxos Multiagente

   A separação entre interações e ambientes permite reutilizar o estado de arquivos entre diferentes turnos ou agentes distintos. A segurança é reforçada por um proxy que impede que o agente acesse diretamente os segredos e tokens reais do usuário. Além disso, é possível configurar gatilhos para briefings diários e estruturar pipelines onde vários agentes dividem grandes tarefas em etapas específicas.

   • As interações gerenciam o histórico de conversas, enquanto os ambientes gerenciam o estado do sistema de arquivos no sandbox.
   • Um proxy de segurança intermediário injeta tokens e segredos nas chamadas de API sem expô-los dentro do sandbox.
   • Os fluxos de trabalho multiagente permitem que agentes especializados executem tarefas direcionadas reutilizando o mesmo ambiente de arquivos.
5. 14:32 - 18:38

   Demonstrações Práticas e Aplicações

   Uma demonstração prática ilustra o uso sequencial de múltiplos agentes gerenciados. Um agente pesquisa relatórios financeiros da NVIDIA e armazena os dados, um segundo agente faz a análise quantitativa com base nesses arquivos e um terceiro gera relatórios ou documentos formatados. Outros exemplos mostram a integração com o Google Drive e a criação de relatórios em PDF com gráficos e fontes verificadas.

   • Um agente pesquisador de relatórios da SEC coleta métricas e as salva em arquivos JSON no ambiente compartilhado.
   • Um agente quantitativo subsequente reutiliza o mesmo ambiente para ler as métricas e executar código Python de avaliação.
   • O AI Studio fornece acesso gratuito e uma galeria com exemplos de agentes gerenciados conectados a serviços como o Google Drive.