हुक्स आणि नियंत्रणांसह Google ने Gemini Managed Agents चा विस्तार केला

Google ने Gemini Managed Agents मध्ये अधिक operational controls जोडले

production मध्ये agent deployments अधिक सहजपणे govern करण्याच्या उद्देशाने Google ने Gemini API मधील Managed Agents feature चा अनेक updates सह विस्तार केला आहे. 28 जुलैच्या Google AI Blog वरील एका post मध्ये कंपनीने सांगितले की Managed Agents आता डिफॉल्टने Gemini 3.6 Flash वापरतात आणि त्यात environment hooks, budget controls, scheduled triggers, model selection, आणि free-tier access जोडले गेले आहे.

एकत्रितपणे पाहता, हे बदल raw model novelty पेक्षा agentic workflows ला developers infrastructure प्रमाणे अधिक manage करू शकतील अशा गोष्टीत रूपांतरित करण्याबद्दल आहेत. Google ही system एक single API surface म्हणून मांडत आहे, जी isolated cloud sandbox मध्ये reasoning, code execution, package installation, file management, आणि web retrieval समन्वयित करू शकते. नवीन controls त्या orchestration ला अधिक predictable, auditable, आणि cost-aware बनवण्यासाठी आहेत.

हे framing महत्त्वाचे आहे, कारण AI tooling मधील सध्याचा स्पर्धात्मक बदल chat interfaces पलीकडे जाऊन operational agents कडे सरकत आहे, जे tools, code, आणि external systems वर कृती करू शकतात. अनेक teams साठी practical barrier केवळ agent काय करू शकतो हा नसून, त्याला किती सुरक्षितपणे मर्यादित करता येते हाही आहे. Google चे नवीनतम update स्पष्टपणे त्या चिंतेवर केंद्रित आहे.

Gemini 3.6 Flash डिफॉल्ट बनतो

सर्वात तातडीचा बदल असा की Google चा antigravity-preview-05-2026 agent आता डिफॉल्टने Gemini 3.6 Flash चालवतो. कंपनीनुसार, developers ना त्यांच्या पुढील interaction मध्ये नवीन default मिळवण्यासाठी code बदलण्याची गरज नाही. Google Gemini 3.6 Flash ला reasoning, coding, आणि tool use साठी balanced model म्हणून वर्णन करते.

कंपनी interaction किंवा managed agent तयार करताना agent_config.model द्वारे explicit model selection देखील उपलब्ध करून देत आहे. blog post मध्ये तीन supported options नमूद केले आहेत: default म्हणून Gemini 3.6 Flash, previous-generation general agentic workflows साठी Gemini 3.5 Flash, आणि lower-cost, lower-latency पर्याय म्हणून Gemini 3.5 Flash-Lite.

हे model menu एक परिचित enterprise tradeoff दर्शवते. agents तयार करणाऱ्या teams ना बहुतेकदा कामानुसार capability, speed, आणि cost यांमध्ये निवड करावी लागते. agent configuration मध्ये model choice थेट समोर आणून, Google संकेत देत आहे की managed agents हे फक्त एक flagship model वर चालणारे demo layer नाहीत. ते workload-specific tuning असलेले configurable platform बनत आहेत.

3.6 Flash कडे default switch ही एक competitive statement देखील आहे. defaults महत्त्वाचे असतात, कारण ते शांतपणे adoption, benchmarking, आणि developer expectations आकारतात. जेव्हा एखादा provider code changes शिवाय default behavior upgrade करतो, तेव्हा experimentation मधील friction कमी होते आणि installed base मध्ये migration वेगाने होऊ शकते.

Environment hooks sandbox मधील governance ला लक्ष्य करतात

कदाचित अधिक रणनीतिकदृष्ट्या महत्त्वाची भर म्हणजे environment hooks. Google म्हणते की हे hooks developers ना sandbox मध्ये agent ने केलेल्या प्रत्येक tool call च्या आधी किंवा नंतर custom scripts चालवू देतात. कंपनी या feature चे वर्णन tool calls block, lint, किंवा audit करण्याच्या मार्गाप्रमाणे करते.

ही एक उल्लेखनीय क्षमता आहे, कारण tool use ही agent systems आकर्षकतेतून धोका बनण्याची मुख्य ठिकाणांपैकी एक आहे. जो agent tools call करू शकतो, packages install करू शकतो, किंवा files manipulate करू शकतो, त्याला organizational guardrails चीही गरज भासू शकते. Environment hooks developers ना अशा rules आणि checks थेट execution flow मध्ये घालण्याची जागा देतात, फक्त prompting किंवा external monitoring वर अवलंबून न राहता.

व्यवहारात, यामुळे internal policy enforcement, command filtering, quality checks, किंवा regulated workflows शी संबंधित trace logging यांना आधार मिळू शकतो. Google ची भाषा उच्च पातळीवरची आहे, पण दिशा स्पष्ट आहे: कंपनीला Managed Agents अशा environments मध्ये वापरायचे आहेत जिथे oversight अनिवार्य आहे, पर्यायी नाही.

Sandbox-level control वरचा हा भर खरेदीदार आता agent platforms चे मूल्यमापन कसे करतात याशीही जुळतो. team ना काय घडले ते समजावून सांगता येत नसेल, unsafe actions block करता येत नसतील, किंवा constraints सातत्याने लागू झाल्या हे सिद्ध करता येत नसेल, तर capability alone पुरेसे नाही. experimentation आणि production readiness यांच्यातील gap भरून काढण्याचा एक मार्ग hooks आहेत.

Budgets, schedules, आणि free-tier access लक्ष्य प्रेक्षक वाढवतात

Google ने budget controls आणि scheduled triggers देखील जोडल्याचे सांगितले. budget controls cost management साठी आहेत, हा agent workflows साठी व्यावहारिक मुद्दा आहे, कारण ते अनेक steps चालवू शकतात, tools वारंवार invoke करू शकतात, किंवा background मध्ये asynchronously कार्य करू शकतात. scheduled triggers मात्र agents ना केवळ on-demand prompts ऐवजी recurring tasks साठी अधिक उपयुक्त बनवतात.

ही जोडणी सूचित करते की Google agents कडे अशा automations म्हणून पाहत आहे ज्या एका session पुरत्या मर्यादित राहत नाहीत. cost limits असलेला scheduled agent, interactive assistant पेक्षा managed service component सारखा दिसू लागतो. developer teams साठी, यामुळे periodic audits पासून recurring maintenance workflows पर्यंत use cases ची व्याप्ती वाढते.

free-tier access जोडणेही महत्त्वाचे आहे. production features अनेकदा platform lifecycle च्या नंतरच्या टप्प्यापर्यंत enterprise pricing मागे gated राहतात. Managed Agents free tier मध्ये उपलब्ध करून, Google funnel च्या वरच्या भागात व्यापकता आणण्याचा आणि paid usage स्वीकारण्यापूर्वी agent patterns तपासू इच्छिणाऱ्या developers साठी friction कमी करण्याचा प्रयत्न करत आहे.

सध्याच्या market मध्ये हे महत्त्वाचे आहे, कारण developer mindshare बहुतेकदा trial करणे सोपे, instrument करणे सोपे, आणि तुलना करणे सोपे अशा platforms भोवती तयार होते. free access adoption ची हमी देत नाही, पण त्यामुळे लहान teams आणि independent developers feature set तपासण्याची शक्यता वाढते.

हे release आत्ता का महत्त्वाचे आहे

blog post नुसार ही घोषणा Google च्या earlier additions of background tasks and remote MCP server integration वर आधारित आहे. क्रमाने पाहिल्यास, platform आता अधिक durable agent workflows साठी आवश्यक घटक मिळवत आहे: asynchronous execution, external integrations, execution controls, model choice, आणि cost management.

ही प्रगती AI tooling market च्या व्यापक दिशेचे प्रतिबिंब आहे. vendors आता केवळ model quality headlines वर नाही, तर reliability आणि controllability वरही स्पर्धा करत आहेत. developers आधीच जाणतात की agent एखाद्या task वर reasoning करू शकतो. कठीण प्रश्न असा आहे की तो organizational boundaries मध्ये ते वारंवार आणि विश्वासार्हपणे करू शकतो का. Google चे नवीनतम update थेट त्या gap ला लक्ष्य करत आहे.

post मध्ये काही open questions अनुत्तरित राहतात, ज्यात developers प्रत्यक्षात hooks किती व्यापक प्रमाणात वापरतील आणि ही managed agents competing agent frameworks च्या तुलनेत performance आणि ergonomics मध्ये कसे उभे राहतील याचा समावेश आहे. पण Google ने दिलेल्या तपशीलांवरून, हे release cosmetic refresh नसून एक अर्थपूर्ण product step आहे.

मुख्य संदेश सरळ आहे: Google ला Gemini Managed Agents experimental helper वरून production-capable execution layer मध्ये रूपांतरित करायचे आहे. Gemini 3.6 Flash ला default बनवणे लक्ष वेधून घेऊ शकते, पण मोठा बदल म्हणजे operational features ची भर, जी developers ना agent systems sandbox मध्ये सोडल्यानंतर ते प्रत्यक्षात काय करत आहेत हे देखरेख करण्यास मदत करते.

हा लेख Google AI Blog च्या रिपोर्टिंगवर आधारित आहे. मूळ लेख वाचा.