Expanding Managed Agents в Gemini API: фоновые задачи, удаленный MCP и новая эра Vibe Coding

Expanding Managed Agents в Gemini API: фоновые задачи, удаленный MCP и новая эра Vibe Coding

Представьте: вы пишете код для сложного AI-агента, который должен анализировать тысячи документов, подключаться к внешним сервисам и работать круглосуточно. Раньше для этого приходилось разворачивать собственный кластер серверов, настраивать оркестрацию и дежурить ночами. Сейчас Google делает шаг, который может изменить правила игры: Managed Agents в Gemini API расширяются до поддержки фоновых задач и удаленного MCP (Model Context Protocol).

Это не просто очередное обновление. Это фундамент для того, что называют "vibe coding" — когда разработчик задает высокоуровневую цель, а AI-агент сам разбивает ее на подзадачи, выполняет их в фоне и возвращает результат. Давайте разберемся, что именно изменилось и как это использовать уже сегодня.

Что такое Managed Agents в Gemini API?

Managed Agents — это сервис Google, который позволяет создавать, развертывать и масштабировать AI-агентов без управления инфраструктурой. Вы описываете поведение агента, подключаете инструменты и данные, а Google Cloud берет на себя выполнение, мониторинг и масштабирование.

До недавнего времени агенты работали синхронно: вы отправляли запрос и ждали ответа. Это удобно для чат-ботов, но не для задач, которые требуют минут или часов обработки — например, анализ больших массивов данных, генерация отчетов или мониторинг систем.

Фоновые задачи: как это работает

С новым расширением агенты Gemini API получили возможность выполнять background tasks — фоновые задачи, которые запускаются асинхронно. Вы отправляете запрос, агент принимает его, возвращает идентификатор задачи, а результат можно получить позже через callback или polling.

Практический пример

Представьте, что вы разрабатываете сервис для юридической фирмы. Агент должен каждую ночь проверять новые судебные решения, находить релевантные дела и составлять краткие выжимки. Раньше вам пришлось бы держать сервер, который раз в сутки запускает скрипт. Теперь вы просто создаете Managed Agent с триггером по расписанию (например, через Cloud Scheduler), и агент сам выполняет задачу в фоне.

# Пример запуска фоновой задачи через Gemini API
from google.cloud import aiplatform

agent = aiplatform.Agent('projects/my-project/locations/us-central1/agents/my-agent')
task = agent.create_background_task(
    prompt='Проанализируй вчерашние решения арбитражных судов и найди дела, связанные с интеллектуальной собственностью',
    schedule='0 6 * * *'  # Каждый день в 6 утра
)
print(f'Task ID: {task.id}')

По данным Google Cloud Next '26, такой подход снижает затраты на инфраструктуру до 40% для типовых сценариев пакетной обработки.

Удаленный MCP: агенты, которые видят весь мир

Второе ключевое нововведение — поддержка удаленного Model Context Protocol (MCP). Если вы следили за экосистемой AI, то знаете, что MCP — это открытый протокол от Anthropic (да, тот самый, что придумал Claude), который позволяет AI-агентам подключаться к внешним инструментам: базам данных, API, файловым системам и даже к другим AI-агентам.

Раньше MCP работал только локально — вы запускали MCP-сервер на своей машине, и агент мог использовать его инструменты. Теперь Google интегрировал поддержку remote MCP прямо в Managed Agents. Это значит, что ваш агент может подключаться к любым MCP-серверам, развернутым где угодно — в облаке, на частных серверах или даже на Edge-устройствах.

Как это изменит разработку?

Допустим, вы создаете AI-агента для интернет-магазина. Ему нужно:
- Получать данные о заказах из Salesforce (через MCP-коннектор)
- Проверять статус доставки через API логистической компании
- Отправлять уведомления в Telegram, если заказ задерживается

Раньше вам нужно было писать собственный код для каждого интеграции. Сейчас вы просто подключаете готовые MCP-серверы. Например, для работы с Telegram:

ASI Biont поддерживает подключение к Telegram через API — подробнее на asibiont.com/courses

Агент автоматически вызывает нужный инструмент, когда это требуется по сценарию.

Vibe Coding: разработка без стресса

Термин "vibe coding" появился в сообществе разработчиков AI в 2025 году и означает подход, при котором программист описывает желаемое поведение системы на естественном языке, а AI-агент сам пишет код, разворачивает и тестирует его. Managed Agents с фоновыми задачами и удаленным MCP делают эту концепцию реальностью.

Пример сценария

Вы говорите агенту: "Создай сервис, который каждое утро проверяет курс биткоина через CoinGecko API, и если он упал ниже $50,000, отправляет мне в Telegram предупреждение".

Агент:
1. Создает MCP-коннектор к CoinGecko
2. Настраивает MCP-коннектор к Telegram
3. Создает фоновую задачу с расписанием
4. Разворачивает все в Managed Agents
5. Возвращает вам ID задачи и статус "работает"

Весь процесс занимает минуты, а не дни.

Что говорят эксперты?

В официальном блоге Google Cloud (cloud.google.com/blog/products/ai-machine-learning/managed-agents-background-tasks-remote-mcp) отмечается, что нововведение уже протестировано в пилотных проектах с крупными клиентами. Например, компания Jasper (платформа для AI-контента) использовала Managed Agents для автоматизации обработки заявок: агенты в фоне анализируют входящие запросы, извлекают ключевые требования и генерируют черновики ответов. По их данным, время обработки сократилось с 4 часов до 15 минут.

Как начать использовать?

Если вы хотите попробовать Managed Agents с новыми возможностями, вот минимальный roadmap:

1. Включите Gemini API в вашем проекте Google Cloud (требуется аккаунт с включенным биллингом)
2. Создайте агента через консоль или CLI: gcloud ai agents create
3. Подключите MCP-серверы — их можно развернуть на Cloud Run или любом другом сервере с поддержкой HTTP/2
4. Настройте фоновые задачи — используйте параметр background_task в конфигурации агента

Подробная документация доступна на официальном сайте Google Cloud: cloud.google.com/vertex-ai/docs/agents/managed-agents.

Ограничения и что учесть

Как и любая технология, Managed Agents не идеальны. Вот несколько моментов:

• Латентность — фоновые задачи не гарантируют мгновенного выполнения. Если вам нужен ответ за миллисекунды, лучше использовать синхронные вызовы.
• Стоимость — за каждое выполнение фоновой задачи взимается плата (примерно $0.003 за вызов, по данным pricing-страницы Google Cloud). Для высоконагруженных сценариев это может быть существенно.
• Безопасность — удаленный MCP требует настройки аутентификации (OAuth2 или API-ключи). Google рекомендует использовать IAM для управления доступом.

Заключение

Расширение Managed Agents в Gemini API — это не просто релиз очередной фичи. Это сдвиг парадигмы: AI-агенты перестают быть игрушками для чатов и становятся полноценными участниками бизнес-процессов. Фоновые задачи позволяют им работать 24/7 без вашего участия, а удаленный MCP открывает доступ к любой внешней системе.

Для разработчиков, которые хотят оставаться на передовой, сейчас лучшее время, чтобы погрузиться в экосистему MCP и попробовать Managed Agents в деле. Возможно, именно ваш следующий проект будет написан в стиле "vibe coding" — парой фраз на естественном языке.

Источники: Google Cloud Next '26 Keynote, официальная документация Gemini API (cloud.google.com/vertex-ai/docs/agents/managed-agents), блог Jasper AI.