Memperluas Managed Agents di Gemini API: Tugas Latar Belakang, Remote MCP, dan Lainnya

Google baru saja melakukan langkah yang tenang namun signifikan bagi developer yang membangun AI agent produksi. Pada 7 Juli 2026, tim Google DeepMind mengumumkan serangkaian kemampuan baru untuk Managed Agents di Gemini API — eksekusi latar belakang, integrasi remote MCP server, custom function calling, dan credential refresh. Memperluas Managed Agents di Gemini API dengan tugas latar belakang dan dukungan remote MCP bukan hanya pembaruan fitur; ini adalah sinyal bahwa industri mulai serius tentang apa yang "production-ready" benar-benar berarti untuk AI agent otonom.

Jika Anda telah frustrasi dengan pekerjaan agent jangka panjang yang tidak stabil, integrasi tool yang rapuh, atau overhead konstan dalam mengelola kredensial antar sesi — pengumuman ini layak mendapat perhatian penuh Anda.

Apa yang Terjadi

Managed Agents di Gemini API memungkinkan developer memanggil satu endpoint dan memindahkan pekerjaan berat — reasoning, eksekusi kode, instalasi paket, manajemen file, dan browsing web — ke sandbox cloud terisolasi. Anda tidak mengelola runtime. Anda tidak perlu mengawasi lingkungan eksekusi. Anda hanya mendeskripsikan apa yang ingin dilakukan dan Gemini menangani sisanya.

Pembaruan Juli 2026 menambahkan empat kemampuan konkret di atas fondasi tersebut:

• Eksekusi latar belakang: Lewatkan background: true ke panggilan interaksi Anda dan API segera mengembalikan ID. Klien Anda tidak perlu membuka koneksi HTTP. Sebagai gantinya, dapat melakukan polling untuk status, streaming pembaruan progress, atau terhubung kembali nanti sementara agent menyelesaikan pekerjaan di server. Ini secara langsung menyelesaikan masalah kerapuhan tugas jangka panjang melalui koneksi terbuka.
• Integrasi remote MCP server: Agent sekarang dapat terhubung ke remote Model Context Protocol (MCP) server, artinya mereka dapat menjangkau tool eksternal dan sumber data tanpa Anda harus membangun custom glue code untuk setiap integrasi.
• Custom function calling: Developer dapat mendefinisikan fungsi mereka sendiri dan mengeksposnya ke agent, memberikan kontrol presisi atas tindakan apa yang dapat diambil agent dalam workflow.
• Credential refresh antar interaksi: Agent sekarang dapat menyegarkan kredensial di tengah sesi, yang penting untuk workflow apa pun yang melampaui batas autentikasi — pikirkan token OAuth yang kedaluwarsa di tengah tugas selama pipeline data multi-langkah.

Contoh SDK dalam pengumuman menggunakan paket JavaScript @google/genai, dengan setara Python dan cURL tersedia di dokumentasi Antigravity agent. Memulai adalah instalasi tunggal: npm install @google/genai.

Yang perlu diperhatikan di sini bukan fitur tunggal — ini adalah polanya. Setiap penambahan ini secara langsung mengatasi mode kegagalan yang dikenal dalam deployment agent produksi. Google jelas mendengarkan feedback developer daripada mengirimkan kemampuan yang mencari use case.

Mengapa Ini Penting untuk Asia

Ekosistem developer Asia membangun AI agent dengan kecepatan yang sering melampaui kematangan infrastruktur tool yang tersedia. Di Asia Tenggara, Korea Selatan, Jepang, dan India, tim melakukan deployment agent untuk segalanya mulai dari koordinasi logistik dan pemrosesan dokumen keuangan hingga otomasi dukungan pelanggan di berbagai bahasa. Benang merah di hampir setiap deployment produksi? Masalah sulit bukan reasoning AI — ini adalah plumbing.

Eksekusi latar belakang sangat penting dalam konteks ini. Banyak workflow bernilai tinggi di pasar Asia secara inheren berjalan lama. Agent kepatuhan memproses pengajuan regulasi di Singapura, agent supply chain merekonsiliasi invoice lintas batas antara Vietnam dan China, atau agent analisis dokumen bekerja melalui ratusan kontrak berbahasa Thai — tidak satupun yang selesai dalam hitungan detik. Membuka koneksi HTTP selama beberapa menit bukan hanya rapuh; di pasar mobile-first dengan konektivitas variabel, sering kali tidak mungkin.

Integrasi remote MCP sama signifikannya untuk lanskap teknologi Asia. Sistem enterprise di seluruh region terfragmentasi — campuran platform ERP legacy, tool SaaS regional, gateway pembayaran lokal, dan API pemerintah yang tidak selalu mengikuti konvensi API Barat. Kemampuan untuk menghubungkan agent ke remote MCP server berarti tim dapat membangun thin adapter layer sekali dan menggunakannya kembali di seluruh workflow agent, daripada membangun kembali integrasi dari awal untuk setiap agent baru.

Credential refresh terdengar seperti catatan kaki tetapi sebenarnya adalah blocker untuk banyak deployment dunia nyata. API pemerintah dan keuangan di pasar seperti Indonesia, Thailand, dan Filipina sering menggunakan token berumur pendek. Agent yang tidak dapat menyegarkan kredensialnya sendiri di tengah tugas tidak dapat menyelesaikan workflow tertentu tanpa intervensi manusia — yang mengalahkan tujuan otomasi sepenuhnya.

Untuk founder yang membangun di MonstarX, platform dev AI-native Asia, pembaruan Gemini API ini mengurangi infrastructure tax dalam membangun produk agent serius. Primitif semakin baik. Pertanyaannya bergeser dari "bisakah kami membuat ini bekerja?" menjadi "apa yang layak dibangun?"

Apa Artinya Ini untuk Developer

Mari kita konkret tentang apa yang benar-benar dapat Anda bangun secara berbeda sekarang.

Pipeline agent async tanpa infrastruktur custom. Sebelum eksekusi latar belakang, menjalankan tugas agent panjang dengan andal berarti membangun job queue Anda sendiri — Redis, BullMQ, atau layanan cloud task — hanya untuk mengelola async execution layer. Sekarang Anda mendapatkan itu gratis dari API. Arsitektur Anda menjadi lebih sederhana. Workflow yang sebelumnya memerlukan queue worker, status database, dan webhook handler sekarang dapat menjadi panggilan API tunggal dengan polling.

Berikut adalah polanya dalam praktik:

// Mulai tugas — mengembalikan segera dengan interaction ID
const interaction = await client.interactions.create({
  model: "gemini-2.0-flash",
  prompt: "Analisis laporan keuangan Q2 dan tandai anomali",
  background: true
});

// Poll atau terhubung kembali nanti
const result = await client.interactions.get(interaction.id);

Itu adalah seluruh infrastruktur async untuk tugas agent jangka panjang. Tidak ada queue. Tidak ada worker process. Tidak ada status table.

Ekosistem tool via remote MCP. Protokol MCP telah mendapatkan traksi sebagai cara standar untuk mengekspos tool ke AI agent. Dukungan remote MCP berarti Anda sekarang dapat menghubungkan agent Gemini ke server MCP-compatible apa pun — tool internal, API pihak ketiga, sumber data khusus — tanpa menulis function wrapper bespoke untuk setiap satu. Jika tim Anda telah berinvestasi dalam membangun MCP server untuk tooling lain, investasi itu sekarang terbawa langsung ke agent Gemini.

Workflow agent composable dengan custom function. Custom function calling memberikan Anda control layer yang kurang dari agent berbasis prompt murni. Anda mendefinisikan fungsi, signature mereka, dan perilakunya. Agent memutuskan kapan memanggilnya. Ini adalah pola yang membuat agent cukup terpercaya untuk di-deploy di produksi — Anda tidak memberikan model akses open-ended ke sistem Anda, Anda memberikannya set tool yang well-defined dengan interface yang dapat diprediksi.

Manajemen kredensial yang tidak merusak sesi panjang. Untuk agent apa pun yang menyentuh API terautentikasi, credential refresh sekarang adalah first-class concern daripada afterthought. Bangun agent yang beroperasi selama berjam-jam tanpa memerlukan manusia untuk re-authenticate di tengah tugas. Ini sangat relevan untuk workflow batch pemrosesan semalam — jenis background job yang paling berharga justru