很多人第一次看到 Managed Agents 的 demo，都会以为这只是一次普通的模型调用。
但原文真正讲清楚的事情是：API 在后台帮你启动了一个完整的执行环境，模型不是“回答完就结束”，而是在循环里不断思考、调用工具、读取结果、继续执行，直到任务完成。
核心结论
Managed Agents 不是更长的 prompt，而是一个更完整的运行时。
它至少包含四个层面：
- 创建隔离环境
- 把模型放进执行循环
- 让工具调用在沙箱里完成
- 把状态持久化，方便下次继续跑
1. 一次调用背后，是一整套执行循环
原文里最关键的一句是：interactions.create() 做的不只是发 prompt，而是触发 orchestration。
flowchart LR U[用户输入] --> A[Interactions API] A --> O[Orchestrator] O --> S[隔离沙箱 / Linux VM] S --> M[模型推理] M --> T[工具调用] T --> S S --> O O --> R[最终结果]
这意味着，Managed Agents 解决的不是单轮问答，而是多轮任务执行。
from google import genai
client = genai.Client()
interaction = client.interactions.create(
agent="antigravity-preview-05-2026",
input="Analyze the latest lego set data and create a PDF report with charts",
environment="remote",
)
print(interaction.output_text)
这段代码很短，但背后已经包含环境创建、模型调度、工具路由和结果收集。
2. 沙箱不是附属品，而是 agent 的工作现场
原文提到，每个 interaction 都有自己的隔离 Linux 容器，可以安装依赖、运行脚本、读写文件、访问网络。
这带来的价值很直接：
- 任务隔离，不容易互相污染
- 能跑长任务，不必每次重来
- 出错时更容易复现和恢复
- 代码、数据、图表、报告都能放在同一个工作目录里
如果没有沙箱，agent 很容易退化成“会调用工具的聊天机器人”。
有了沙箱，它才真正具备做工程活的能力。
3. 真正值钱的是环境持久化
Managed Agents 最实用的设计之一，是环境可以跨 interaction 持久化。
原文给了一个很关键的例子：第一次创建环境，第二次复用同一个 environment_id，文件和状态都还在。
i1 = client.interactions.create(
agent="antigravity-preview-05-2026",
input="Install pandas and create analysis.py",
environment="remote",
)
i2 = client.interactions.create(
agent="antigravity-preview-05-2026",
input="Run analysis.py on the Q1 data",
environment=i1.environment_id,
previous_interaction_id=i1.id,
)
这件事的重要性，往往比“模型更大”还高。
因为真实任务通常不是一问一答，而是装依赖、下载数据、生成中间产物、继续分析、最后导出结果。
如果每次调用都要重来一次，agent 的效率会被状态搬运拖垮。
所以你可以把 environment_id 理解成“agent 的工作台编号”。
4. 从 demo 到生产，差别在配置层
原文把用法分成三层，这个划分很有启发。
临时调用适合快速验证：
client.interactions.create(
agent="antigravity-preview-05-2026",
input="Write a Python script that prints hello world",
environment="remote",
)
当你要约束行为时，就该把系统指令和技能一起放进去。
当流程稳定后，再把它注册成一个可复用的 agent ID。
这一步的意义，是把“实验性流程”变成“可运营的系统”。
5. 你该怎么把它学到自己的项目里
如果你要做类似系统，我建议直接记住三件事：
- 把状态放到环境里，不要全塞进 prompt
- 把任务拆成可验证的中间步骤
- 把稳定流程固化成 runtime，而不是临时脚本
换句话说，真正决定 agent 上限的，不只是模型能力，而是你有没有给它一个靠谱的工作环境。
总结
Managed Agents 的核心，不是“更会聊天”，而是“更会干活”。
它把模型、沙箱、工具和状态管理拆成独立层，让 agent 能在受控环境里持续执行复杂任务。
如果只记住一句话，那就是：
agent 不是 prompt 的增强版，agent runtime 才是。