Управляемые агенты через Interactions API

О чём урок

Interactions API предоставляет унифицированный интерфейс для работы с моделями и агентами Gemini. В notebook для начала работы описывается, как использовать его со стандартными моделями Gemini для генерации текста, многоходовых диалогов и использования инструментов. Этот notebook посвящен другому: управляемым агентам с агентом antigravity-preview-05-2026. При вызове Interactions API вы выбираете один из двух режимов: Параметр Что запускается Лучше всего подходит для model="gemini-..." Стандартная модель Gemini Генерация текста, структурированный output, function calling agent="antigravity-preview-05-2026" Управляемый агент в изолированной среде Linux Автономные задачи: code execution, web research, file management С model= вы получаете stateless LLM call (см. notebook для начала работы). С agent= вы запускаете автономного агента, который может рассуждать, планировать, писать и выполнять код, просматривать веб-страницы и управлять файлами — всё это в безопасном sandbox, без необходимости писать какую-либо логику оркестрации. Этот notebook пошагово проведет вас по режиму агента: Простые вопросы — используйте агента как LLM (это работает, но это избыточно!) Многоходовые диалоги — persistent sandbox = встроенная память Использование инструментов — code execution, web search, file operations данных в sandbox — внедрение файлов до запуска агента Создание многоразовых кастомных агентов — объединение инструкций, skills и environment Установите SDK из PyPI. Рекомендуется всегда использовать последнюю версию. Чтобы запустить следующую cell, ваш API key должен быть сохранен в Colab Secret с именем GEMINI_API_KEY. Если у вас еще нет API key или вы не знаете, как создать Colab Secret, см. Authentication для примера. С новым SDK теперь вам нужно только инициализировать client с вашим API key. Самый простой способ использовать управляемого агента — задать ему вопрос, точно так же, как вы бы вызвали стандартную модель Gemini. Передайте agent="antigravity-preview-05-2026" и environment="remote", чтобы создать новый Linux sandbox для агента. Это работает, но это немного похоже на поездку на машине Формулы-1 в продуктовый магазин — агент обладает возможностями code execution, web search и file management, которые простаивают для простого фактического вопроса.

План урока

1. agent= против model=
2. Настройка
3. Установка SDK
4. Настройка вашего API key
5. Инициализация SDK client
6. 1. Простые вопросы — агент как LLM
7. 2. Многоходовые диалоги
8. 3. Использование инструментов — где агент проявляет себя