Gemini API 实战：用文件构建 AI Agent

在 Google DeepMind 的这场官方实操分享中，两位产品经理 Mariano 和 Philip 分别从 AI Studio 的应用开发与 Interactions API 的 Agent 构建两个维度，系统展示了谷歌当前的 AI 开发工具链。核心信息只有一个：从想法到生产，正在变得前所未有地快，而构建 Agent 也不再需要写复杂的 Python 循环——你只需要写文件。

Gemini 生态：从模型到多模态

Mariano 首先回顾了 Gemini 家族的迭代节奏。从 Gemini 1.5，到广受好评的 Gemini 2.5，再到当前主打的 Gemini 3.5 Flash（分享中作者的日常首选模型），谷歌在前沿模型上保持了高频更新。同时，开源侧的 Gemma、生成媒体模型 Nano Banana 2、以及文本转语音（TTS）模型也在同步推进。

Gemini 3 之所以被 Cursor、GitHub、Figma、Vercel 等头部厂商广泛采用，关键在于其多模态能力。它可以接收系统指令、文本、图像、音频、视频、语音、URL 等多种输入，并输出文本、图像、音频、视频、函数调用或代码。

值得深入理解的是，多模态（Multimodal）指模型能够同时理解和生成多种类型数据的能力。传统语言模型只能处理文本，而多模态模型通过统一的表征空间（embedding space）将不同模态的数据映射到同一语义维度，从而实现跨模态的推理与关联。这背后依赖于 Transformer 架构的扩展——将图像切分为 patch、将音频转为频谱特征后与文本 token 一同输入模型。Gemini 从设计之初就采用原生多模态架构（natively multimodal），而非将独立的视觉、语音模块拼接，这使其在跨模态任务上表现更连贯。对开发者而言，这意味着一次 API 调用即可完成「看图说话」「听音识意」等复合任务，大幅简化了以往需要串联多个专用模型的工作流。

这种「混搭」能力让开发者能够构建过去难以实现的复合型应用。Mariano 举例说，他自己就搭了一个 Agent，通过 Workspace 集成读取收件箱，然后生成一段小播客，供早晨煮咖啡时收听。

AI Studio：从想法到应用的一站式平台

AI Studio（ai.studio / ai.dev）是这次分享的重点。它不仅是测试新特性的 Playground，更进化成了完整的应用构建环境。

全栈开发的零配置体验

Mariano 作为全栈 Web 开发者，最看重的是全栈 Node.js 应用支持。现在你可以在 AI Studio 内完成整个应用的搭建，平台会自动配置 Node.js 服务端与前端，提供完整的 npm 生态访问权限，并内置服务端 API 密钥的秘密管理。他坦言，认证和密钥管理一直是前端开发中最令人头疼的部分，而现在这些痛点被内置能力直接消解了。

此外，原生 Firebase 集成带来了开箱即用的「使用 Google 登录」认证、Firestore（NoSQL 数据库）的自动预置，未来还将支持 Cloud SQL。与 Workspace 的集成通过自动化 OAuth 实现，无需在 Cloud Console 手动配置，这大幅降低了对接 Gmail、Docs、Drive 等企业数据的门槛。

这里的 OAuth（Open Authorization）是一套开放的授权标准，允许第三方应用在无需获取用户密码的情况下，获得对用户在某服务上特定资源的访问权限。当应用需要读取用户的 Gmail 或 Drive 数据时，OAuth 通过颁发有时效、有范围限制的访问令牌（access token）来实现最小权限授权。传统上，配置 OAuth 需要在 Google Cloud Console 手动创建凭据、设置回调 URL、声明 scope 权限，流程繁琐且容易出错。而 API 密钥（API Key）则是标识调用方身份的静态凭证，一旦泄露即可能被滥用，因此「秘密管理（Secret Management）」将密钥存储在服务端加密保管、避免暴露于前端代码，是生产环境的基本安全实践。AI Studio 将这些能力内置化，正是在消解开发者长期面临的认证复杂度痛点。

自然语言生成原生安卓应用

一个被作者称为「game-changer」的能力是：通过自然语言生成原生 Kotlin 与 Jetpack Compose 应用。据 Mariano 透露，自上月发布以来，已有超过 100 万个应用被创建。整个流程无需本地环境配置，浏览器内即有模拟器实时运行，还支持一键安装到手机或一键发布到 Play Console 测试。

理解这一能力的分量，需要了解其背后的技术栈。Kotlin 是 JetBrains 开发、被谷歌于 2017 年确立为 Android 官方首选的编程语言，相比 Java 更简洁、空安全（null safety）特性更强，能显著减少崩溃隐患。Jetpack Compose 则是谷歌在 2021 年推出的现代化声明式 UI 工具包，开发者只需描述「界面应该是什么样」，框架自动处理状态变化时的重绘，取代了传统基于 XML 布局和命令式操作的繁琐方式。这套「Kotlin + Compose」组合是当前原生 Android 开发的主流范式。AI Studio 能够通过自然语言直接生成符合这一现代标准的代码，意味着生成的不是过时或玩具级的原型，而是可直接进入生产迭代的工程化产物，这也是「game-changer」评价的技术底气所在。

提升开发效率的细节改进

AI Studio 还引入了多项体验优化：

• 聚焦标注模式（Focus Annotation）：直接点击页面某个组件，就能针对该组件精确下达修改指令，不必再费力用文字描述「英雄区下方第二段落的标题」。
• 设计预览（Design Previews）：模型生成过程中会先给出几种不同风格的低保真预览（如高密度活泼、优雅暗色、沉浸式 UI），开发者可提前选定风格，避免生成完成后再返工。
• Tab 自动补全：针对提示词的写作瓶颈，输入几个字后停顿片刻，模型即实时补全并增强你的 prompt。

无缝导出到本地

当你在 AI Studio 中构建到一定阶段、想回到熟悉的 IDE（如 Anti-Gravity）继续开发时，可以一键导出——不丢失任何上下文、历史记录，代码结构清晰，甚至会询问是否连同密钥一起导出。Mariano 现场演示了一个「每日拉伸」应用，从提示词到可运行的暗色主题 App，包括 Nano Banana 生成的图片，全程近乎零手工介入。

Interactions API：统一的 Agent 接口

下半场由来自德国的 Philip 介绍了正式 GA（General Availability）的 Interactions API——谷歌全新的统一接口，用于调用 Gemini 模型和 Gemini Agent。

从「回合制」到「步骤化」数据模型

Philip 指出，AI 应用正从简单问答转向 agentic 用例——我们定义任务和目标，让模型去达成。为此，Interactions API 做了几项关键设计：

• 模型与 Agent 统一：用同一套代码即可选择使用 Gemini 模型，或使用 Anti-Gravity、Deep Research 等 Agent。
• 告别 user/model 回合制：过去 ChatGPT 时代的「用户输入—模型输出」交替结构，已无法承载推理（reasoning）、函数调用、函数结果这些新的复杂交互类型。Interactions API 转向步骤化（steps）数据模型，每种交互都成为独立数据类型，既方便开发者构建，也让模型更易推理。
• 服务端状态管理：只需发送新输入并提供上一轮的 ID，API 自动维护上下文（也可选择自行管理）。
• 异步后台执行：针对长时任务，创建请求后返回一个 ID，通过轮询获取状态或流式接收事件更新。
• 一方与三方工具混用：过去 Google Search 无法与自定义函数一起使用，现在可以自由组合。例如构建一个搜索 React 最新 CVE 漏洞、再调用内部数据库的安全事件 Agent。

这里从回合制到步骤化的转变值得展开。早期对话式 AI（如 ChatGPT）采用「user/model」严格交替的回合制（turn-based）数据结构，每次对话被建模为用户消息与模型回复的往复序列。这种结构在纯问答场景下清晰简洁，但随着模型能力演进，出现了推理链（chain-of-thought reasoning）、函数调用（function calling）、工具执行结果返回等新交互类型——这些既非「用户输入」也非「最终回复」，硬塞进回合制框架会造成语义混乱。步骤化数据模型将每一次推理、每一次工具调用、每一个结果都建模为独立的、带类型的数据单元，形成一条可追溯的执行轨迹。这不仅让开发者更容易解析和调试 Agent 行为，也为模型自身提供了更结构化的上下文，有助于其在长链条任务中保持推理的连贯性。

远程环境：托管的隔离沙箱

一个 environment 参数是 Interactions API 的独特之处。远程环境是运行在 Google Cloud 内的隔离沙箱，Agent 可以在其中执行命令、创建文件，而无需在本地机器上做任何操作。

沙箱（Sandbox）是一种安全机制，将程序运行限制在受控、隔离的环境中，使其无法影响宿主系统或访问未授权资源。当 Agent 需要执行任意代码、安装依赖、读写文件时，直接在开发者本地机器运行存在巨大安全风险——恶意或错误的代码可能破坏系统或泄露数据。将执行环境搬到云端隔离沙箱中，本质上是容器化（如基于 gVisor、Firecracker 等轻量虚拟化技术）与云原生架构的应用。持久化能力则意味着沙箱状态在多次请求间保留，避免了每次都重新拉起环境、重装依赖的开销。

这些环境是持久化的：你先让 Agent 安装 Pandas 等依赖，后续请求就能直接用 Pandas 分析 CSV 文件，无需重复配置。资源可以通过 GitHub 仓库、GCS bucket 或内联文件挂载进环境，且支持私有仓库与私有 bucket。

首次启动沙箱约需 8 到 10 秒。Philip 现场演示时，Agent 报告了环境信息：Ubuntu、Linux、8 核 AMD 虚拟 CPU、15GB 内存，并预装了 Python、pip、curl。这 8 到 10 秒的冷启动时间反映了在安全隔离与启动效率之间的工程权衡，而 Ubuntu、多核 CPU、预装 Python 等配置则表明这是一个功能完整的类 Linux 工作站，足以支撑数据分析、代码构建等真实计算任务。

Agent 就是「文件的组合」

本场分享最颠覆认知的观点，是 Philip 对 Agent 本质的重新定义：

Agent 不再是那些奇怪而复杂的 Python 或 JavaScript 循环，我们只是写文件，然后把这些文件提供出去，就构建了自己的 Agent。

以现场演示的「AI 谈话电台」applet 为例，它的 agent 文件夹结构极其简单：一个 agents.md 文件定义角色（把任何内容转成电台节目），一份 workflow 描述工作流（先做研究、写脚本、生成语音、生成配乐、混音、生成封面图），再配上若干 skill。每个 skill 就是一段说明文档加一个 Python 脚本——比如 TTS 生成技能，其脚本调用 Interactions API 的 Flash TTS 模型。换言之，Anti-Gravity Agent 运行在 Gemini API 之上，通过 skills 反过来调用其他 Gemini 模型完成子任务。

配套的 Agents API 让你把「文件 + 环境」封装成可复用的 Agent，无需每次请求都重新提供资源配置。典型场景如构建一个 GitHub 代码评审 Agent：先让 Agent 安装 GitHub CLI，取得该环境的 ID，之后每次创建 Agent 都复用这个预装好 CLI 的环境。

谷歌还提供了一个实验性的 Gemini API CLI——它不是编码 Agent（区别于 Claude Code、Gemini CLI、Anti-Gravity CLI），而是专门用于调用 API、创建 Agent 的 API CLI。

凭证安全：网络代理机制

针对「Agent 调用 Gemini API 会不会滥用凭证」的疑问，谷歌构建了一层网络代理：一方面限定 Agent 可访问的 URL 或域名，另一方面提供 header 转换。真实凭证保存在代理层而非沙箱内，Agent 只知道自己「能调用 Gemini API」，当发起外部请求时，代理才注入真实凭证。这意味着凭证可随时轮换、移除，Agent 始终无法接触到真实密钥。

这一设计体现了「零信任（Zero Trust）」安全理念——即默认不信任任何环节，包括 Agent 自身运行的沙箱。传统做法是将 API 密钥注入运行环境，但一旦沙箱被攻破或 Agent 行为异常，密钥即面临泄露风险。网络代理（proxy）作为 Agent 与外部服务之间的中间层，扮演「凭证保管员」角色：Agent 发出请求时只携带占位标识，代理层在转发前才注入真实凭证并完成 header 转换，同时通过 URL/域名白名单限制 Agent 只能访问被允许的端点。这样，即便 Agent 代码被完全暴露，攻击者也无法从中提取真实密钥；而运维方可以在代理层随时轮换（rotate）或吊销凭证，无需改动 Agent 本身。这种「密钥与执行体分离」的架构，是构建可信托管 Agent 服务的关键安全基石。

关键结论

整场分享传递了三个清晰信息：

1. AI Studio 让「从想法到生产」大幅加速，是所有开发的起点；
2. Interactions API 已正式 GA，为 agentic 工作流提供统一、对齐多模态的接口；
3. Agent 的本质是文件的组合，Markdown 加少量脚本即可定义功能强大的托管 Agent。

对于开发者而言，最直接的行动路径是：访问 ai.studio 获取 API 密钥（有慷慨的免费额度和可设置的花费上限），在 AI Studio 中快速搭建原型，再一键导出到 Anti-Gravity 深入开发。谷歌正在用「零配置」「一键部署」「文件即 Agent」的理念，系统性降低 AI 应用与 Agent 的构建门槛。

核心要点