For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/zh/articles/gemini-managed-agents-remote-mcp-production-guide.md.
本文解释了为什么 Gemini 托管代理更新对构建真实 AI 代理产品的团队很重要。核心转变在于：从短周期的提示循环，转向支持长时间运行任务、远程工具、自定义业务函数和凭证连续性的运行时模型。 最重要的设计经验是，生产级代理需要的不只是模型能力。它们还需要状态、权限、审批规则、审...
Google 于 2026 年 7 月对 Gemini 托管代理的更新，远不只是一次小幅 API 改进。它让托管代理更接近真正适用于生产环境的代理运行时。
其中重要的新增能力包括后台执行、远程 MCP 服务器集成、自定义函数调用以及凭证刷新。这些并不是为了让模型回答得更流畅，而是关系到代理能否安全地持续工作、从长时间运行的任务中恢复、以正确的权限调用工具，并留下足够的证据，供开发者审查实际发生了什么。
Google 在 2026 年 7 月的这次更新，不应被理解为一次常规的 API 补丁。它表明 Gemini 托管代理正被推进为面向生产级 AI 代理的、更完整的运行时层。
关键能力包括后台执行、远程 MCP 服务器集成、自定义函数调用和凭证刷新。这四项能力都位于运行时层，解决的是任务时长、工具访问、身份认证、恢复能力以及可审计性等实际问题。
在此之前，许多 AI 代理产品都是围绕一种简单的提示循环构建的：应用组装上下文，模型决定下一步动作，程序调用工具，然后再把结果放回上下文窗口中。这种模式很适合演示。但一旦代理进入真实的业务工作流，就会迅速遇到更棘手的问题：状态管理、凭证、工具权限、长任务执行、故障恢复以及可靠日志。
这次 Gemini 更新，正是直接指向这些生产环境问题。
有用的代理往往需要的不止几秒钟。它们可能要读取文档、浏览网页、运行测试、生成代码、等待 CI、准备报告，或者跨多个系统比对数据。
把这些全部塞进一次同步 HTTP 请求中，是非常脆弱的做法，用户体验也不好。一个生产级代理不应该像一次可能会超时的聊天请求，而应该更像一项可以启动、监控、暂停、取消、重试或恢复的作业。
后台执行改变了产品模型。现在，一个代理任务可以拥有任务 ID、状态、进度更新、取消支持、失败原因以及最终输出。这让代理更容易集成到真实应用中，尤其适用于用户需要稍后再回来查看发生了什么的场景。
这也改变了界面设计。聊天界面关注的是一轮对话；代理界面关注的是工作状态。用户需要看到代理正在读取什么、调用了哪些工具、是否被阻塞，以及下一步操作是否需要审批。
对于使用 NxCode 或类似 AI 工作流产品进行构建的团队来说，仅有最终答案是不够的。工作流还应保留可审计的执行证据：提示词、工具调用、工具输出、错误、文件变更以及最终产物。
MCP 之所以重要，是因为它减少了工具集成的混乱。过去，每个模型、IDE 和内部系统都可能需要各自独立的连接器。这就造成了
重复的集成工作，并使权限更难管理。
模型上下文协议（MCP）为智能体访问外部资源和工具提供了更标准的方式。Remote MCP 将这一理念带入云托管智能体场景。托管智能体可以连接远程文档、问题跟踪系统、可观测性平台、数据服务或内部工具，而无需依赖本地工具服务器。
这就是机会所在。边界则在于安全性。
每个 MCP 服务器也都是一个权限边界。它所暴露的工具会影响模型的行为。它返回的内容可能包含提示注入。它拥有的权限范围也可能比用户原本打算授权的更广。
正因如此，生产环境不应将 Remote MCP 视为即插即用的捷径。只读工具和可写工具应当分离。破坏性操作应受到限制。每一次工具调用都应被记录。高风险操作应在智能体继续执行之前要求人工批准。
MCP 很适合更广泛的工具生态，但对于内部产品操作，自定义函数调用仍然是更合适的选择。
例如，价格计算、套餐权益检查、草稿创建、拉取请求创建、内部记录查询或特定业务校验。这些函数应具备清晰的类型、收窄的权限和可预测的行为。最终授权仍应在应用程序代码中完成，而不是交给模型决定。
凭证刷新看起来像是一个很小的基础设施功能，但实际上它是长时间运行智能体信任边界的一部分。
短期令牌更安全，但后台任务需要连续性。更安全的模式是：只授予当前任务所需的最小权限范围，在刷新过程中避免扩大权限范围，并将敏感操作置于升级审批之后。模型不应看到原始密钥，日志也绝不能泄露令牌。
不要一次性把所有 AI 功能都迁移到托管智能体中。先按照风险和可逆性对工作流进行分类。
一个有用的初步划分是：
输入一句想法，We0 AI 即可生成展示站、页面与 CMS。发布上线后并帮你获取客户和流量。
用户注册赠送一次完整项目生成
适合先体验一次完整生成流程，快速看到项目初稿。
只读工作可以实现更高程度的自动化。写入操作需要更严格的控制。对于每个工具，都应定义其权限范围、负责人、数据敏感级别、审批规则和日志要求。
最适合试点的工作流，是那些当前需要多个手动步骤、但仍可在预发布或沙箱环境中进行验证的任务。典型例子包括研究资料收集、代码修复草稿、支持工单调查、文档生成以及内部数据核对。
更安全的工作流是先让智能体产出证据和计划。只有在人工审核之后，它才应执行不可逆操作。
2026-07-08
Gemini 托管代理是 Gemini API 中可配置的代理运行时。它们可以在云托管的沙盒环境中进行推理、执行代码、管理文件并使用工具。
后台执行使长时间运行的任务可以持续进行，而无需始终保持一个 HTTP 连接打开。这对于研究、代码生成、测试、报告创建和多系统数据检查等工作流非常有用。
在这里，Remote MCP 意味着托管代理可以连接到远程的 Model Context Protocol 服务器，而不必仅依赖本地工具服务器。这使得将代理连接到外部系统、私有 API、文档、问题跟踪器或内部数据服务变得更加容易。
Remote MCP 只有在经过谨慎的权限设计后才能用于生产环境。团队应将只读工具与可写工具分离，记录每一次工具调用，限制破坏性操作，并为高风险操作添加人工审批。
自定义函数调用更适合产品特定的业务操作，例如验证权限、计算价格、创建草稿或发起拉取请求。MCP 更适用于更广泛的工具和数据源集成模式。
长时间运行的代理可能需要使用在任务完成前就会过期的访问令牌。凭证刷新可以保证任务连续性，但必须遵循最小权限原则，并避免将机密暴露给模型或日志。
至少，团队应记录提示词、工具调用、工具输出、错误、文件变更、审批决策和最终产物。这些记录能让代理行为更易于审计、调试和改进。
协议](https://modelcontextprotocol.io/docs/getting-started/intro)：用于将 AI 应用连接到外部工具和数据源的官方 MCP 文档。
本文解释了为什么 Gemini 托管代理更新对于构建真实 AI 代理产品的团队很重要。关键转变在于：从短周期提示循环转向一种运行时模型，该模型支持长时间运行的工作、远程工具、自定义业务函数以及凭据连续性。
最重要的设计经验是，生产级代理所需的不仅仅是模型能力。它们还需要状态、权限、审批规则、审计日志，以及只读工作与不可逆操作之间的清晰边界。
对于生产级 AI 代理而言，真正的问题不仅是模型能做什么，而是系统是否能够控制、观察并恢复代理所执行的操作。
从一句话开始，几分钟内拿到完整网站。
