Managed Agents Gemini API: Model 3.6 Flash, Hooks, dan Kontrol Biaya

Google DeepMind merilis pembaruan besar untuk Managed Agents di Gemini API. Secara default, agent antigravity-preview-05-2026 kini menggunakan model Gemini 3.6 Flash yang lebih kuat, tanpa perlu perubahan kode. Fitur baru utama adalah environment hooks, yaitu script kustom yang dijalankan sebelum atau sesudah setiap panggilan tool di dalam sandbox remote, berguna untuk validasi keamanan, linting, atau audit. Selain itu, ditambahkan budget control (max_total_tokens) untuk membatasi konsumsi token dalam loop otonom, scheduled triggers dengan cron untuk menjalankan agent secara berkala, dan akses free tier untuk proyek tanpa billing aktif. Pembaruan ini memungkinkan developer membangun agent yang lebih terkontrol dan siap produksi langsung dari satu API call.

Penjelasan Mendalam

Environment hooks bekerja dengan mendefinisikan file .agents/hooks.json di lingkungan sandbox. Konfigurasi mendukung dua event: pre_tool_execution dan post_tool_execution. Setiap hook dapat berupa tipe command (menjalankan binary/script lokal di sandbox) atau http (POST ke endpoint eksternal). Field matcher menggunakan regex untuk menargetkan tool tertentu, misalnya code_execution|write_file. Jika pre-hook mengembalikan {"decision": "deny"}, panggilan tool akan dibatalkan dan alasan penolakan masuk ke konteks model. Post-hook memungkinkan validasi hasil seperti yang dilakukan OffDeal untuk verifikasi logo menggunakan Gemini Vision setelah agent menulis file. Budget control diimplementasikan lewat parameter max_total_tokens di agent_config. Saat batas tercapai, interaksi berstatus incomplete dan sandbox tetap hidup. Developer dapat melanjutkan dengan previous_interaction_id dan anggaran baru. Scheduled triggers membuat resource persisten yang mengikat agent, environment, prompt, dan cron schedule, dengan sandbox yang sama di setiap eksekusi.

Kenapa Ini Penting

Bagi praktisi AI Indonesia, update ini menghilangkan hambatan utama dalam membangun agent otonom: kontrol biaya dan validasi kode di lingkungan remote. Dengan hooks, developer bisa menerapkan pipeline kualitas (misal audit keamanan) langsung di sandbox tanpa perlu server terpisah. Akses free tier juga memudahkan prototyping tanpa komitmen biaya, mempercepat adopsi agentic AI di berbagai proyek.

Untuk Siapa

Developer AI yang membangun agent untuk otomatisasi tugas kompleks seperti audit kode, generasi laporan, atau pengelolaan file. Juga cocok untuk tim yang membutuhkan agent terkelola dengan validasi ketat dan anggaran terkontrol tanpa mengelola infrastruktur sendiri.

Contoh Use Case

• Audit dan upgrade dependensi di repository secara otomatis dengan pre-hook keamanan yang memblokir tool berbahaya.
• Pipeline generasi laporan investasi dengan post-hook verifikasi gambar (logo, grafik) menggunakan Gemini Vision.
• Jadwal pembersihan file cache atau database secara berkala menggunakan scheduled triggers di sandbox persisten.
• CI/CD pipeline yang menjalankan agent untuk menjalankan test suite dan memperbaiki kode secara otonom dengan budget terbatas.
• Layanan chatbot customer service yang menjalankan kode backend untuk query data dengan validasi pre-execution mencegah injeksi.

Cara Mulai

1. Buat proyek di Google AI Studio dan dapatkan API key; aktifkan Gemini Interactions API jika perlu.
2. Install SDK: npm install @google/genai (atau pip untuk Python).
3. Gunakan client.interactions.create dengan agent "antigravity-preview-05-2026" dan environment "remote".
4. Tambahkan agent_config untuk menentukan model (misal "gemini-3.6-flash") dan batas token (max_total_tokens).
5. Buat file .agents/hooks.json di environment sandbox dengan konfigurasi pre/post tool execution hooks sesuai kebutuhan.

Peran: Ahli coding dan integrasi AI
Konteks: Saya menggunakan Gemini API Managed Agents dengan default model 3.6 Flash dan ingin memanfaatkan environment hooks untuk memvalidasi keamanan sebelum eksekusi kode.
Tugas: Buatkan konfigurasi hooks.json yang menjalankan script Python gate.py sebelum setiap panggilan code_execution dan write_file. Script harus memeriksa apakah kode mengandung pola berbahaya seperti exec() atau sql injection, dan jika ditemukan, tolak eksekusi dengan alasan. Untuk semua tool, tambahkan post-hook yang menjalankan auto_lint.py setelah tool selesai untuk memformat kode.
Format Output: Output berupa struktur JSON untuk hooks.json, dan kode Python sederhana untuk gate.py serta auto_lint.py.
Batasan: Gunakan Bahasa Indonesia untuk komentar, pastikan timeout 10 detik untuk pre-hook dan 15 detik untuk post-hook.

Insight Bisnis

Fitur hooks dan budget control memungkinkan agensi atau konsultan menawarkan layanan AI agent terkelola (Managed Agent as a Service) dengan jaminan kualitas dan biaya prediktif. Contoh: layanan audit kode otomatis untuk startup dengan biaya per eksekusi tetap.

FAQ