2026. július 9., csütörtök · Eszközök

A Google DeepMind háttérfuttatást és MCP-támogatást ad a Gemini API menedzselt ágenseihez

A Google DeepMind négy új funkcióval bővítette a Gemini API-ban elérhető Managed Agents szolgáltatást. A The Decoder beszámolója szerint a fejlesztők mostantól aszinkron módon, háttérben futtathatják az ágenseket (Background Execution), anélkül hogy nyitott HTTP-kapcsolatot kellene fenntartaniuk. Emellett távoli MCP (Model Context Protocol) szervereket csatlakoztathatnak közvetlenül belső adatbázisokhoz vagy API-khoz. Az újdonságok között szerepel, hogy egyedi függvények is használhatók a beépített sandbox-eszközök mellett, továbbá a hitelesítő tokenek frissíthetők interakciók között a sandbox állapot elvesztése nélkül. A bővítés azt követően érkezik, hogy a frissült Android Bench benchmarkon a Google saját Gemini modelljei a riválisok mögött végeztek kódgenerálásban, ami rámutat a cég ágensfejlesztési infrastruktúrájának fejlesztési kényszerére.

Miért fontos?

Az új funkciók a Gemini-alapú ágensek valós alkalmazhatóságát javítják, különösen háttérfuttatással és külső rendszerek MCP-n keresztüli integrálásával.

Források

Ars Technica The Decoder

Említve a tudásbázisban

Kapcsolódó témák

Napi összefoglalók AI eszközök #Google DeepMind#Gemini API

Napi összefoglaló

Ez a hír a 2026. július 9., csütörtök napi AI összefoglaló része.

Kapcsolódó hírek

Google frissítette a Gemini API menedzselt ügynökeit: alapértelmezett a 3.6 Flash

A Google hivatalos bejelentése szerint a Gemini API-ban futó menedzselt ügynökök (Managed Agents) mostantól alapértelmezetten a Gemini 3.6 Flash modellt használják, ehhez nincs szükség kódmódosításra. Az újdonság emellett úgynevezett környezeti hookokat vezet be: ezekkel egyéni szkripteket lehet futtatni minden eszközhívás előtt vagy után a homokozó-környezetben, például letiltva, ellenőrizve vagy naplózva a kód futtatását vagy fájlírást végző műveleteket. A vállalat szerint a fejlesztők explicit módon is választhatnak modellt a 3.6 Flash, a 3.5 Flash és a legkisebb késleltetésű 3.5 Flash-Lite közül. A frissítés emellett költségkeret-vezérlést, ütemezett triggereket és ingyenes hozzáférési szintet is bevezet a menedzselt ügynökökhöz.

A Google DeepMind jelnyelvi AI-t hoz a Pixel telefonokra

A Google DeepMind bemutatta a sign-language-to-text (SL2T) nevű, több nyelvet kezelő AI-modelljét, amely a vállalat állítása szerint minőségben és általánosíthatóságban áttörést jelent a jelnyelvi fordításban. A modell a Pixel 11 készülékeken a Gboard és a Live Transcribe funkciókban debütál, kezdetben amerikai jelnyelvről (ASL) angolra fordítva: a felhasználók jelelhetnek a telefonjuknak ott, ahol eddig gépelniük kellett volna, például keresésnél, üzenetírásnál vagy a Gemini utasításainál. A cég szerint a belső tesztelők gyorsabbnak és természetesebbnek találták a jelelést, mint a gépelést. A fejlesztők hangsúlyozzák, hogy a világ több mint 200 jelnyelvet használó, becslésük szerint 70 millió siket és nagyothalló embere eddig kimaradt a beszélt nyelvi AI-forradalomból. A vállalat további eszközöket és nyelveket ígér a jövőben.

Egymillió kattintás LinkedIn AI-szemét gombjára

A LinkedIn július 30-án vezette be a „Ez AI-szemétnek tűnik” gombot, amely a posztok hármaspont menüjéből érhető el. Hari Srinivasan termékigazgató csütörtöki bejegyzése szerint a funkciót eddig több mint egymillióan használták, és a platform szerint az AI-generáltként besorolt tartalmak megtekintése 40 százalékkal csökkent néhány hét alatt. A LinkedIn a gomb mellett új, továbbfejlesztett osztályozókat is bevezetett az AI-tartalmak felismerésére, és megszüntette a posztokat AI-val „javító” funkciót. A cég azt is közölte, hogy hamarosan üzenetben jelzi a felhasználóknak, ha mások szerint a posztjuk mesterséges intelligenciával készültnek tűnik. Mindezek az állítások a LinkedIn saját közléséből származnak, független megerősítés a számokról a forrásban nem szerepel.

LinkedIn multi-ügynökös AI-rendszert épített kódellenőrzésre

A LinkedIn mérnökei saját cikkük szerint olyan multi-ügynökös AI-alapú kódellenőrző platformot fejlesztettek, amely a cég méretéhez igazodva váltja fel az egyetlen, kész AI-modellre épülő megoldásokat. A vállalat állítása szerint az egymodelles rendszerek vakfoltokkal küzdenek, nehezen testreszabhatók a szervezeti szabályokhoz és repó-specifikus konvenciókhoz, és korlátozott az üzemeltethetőségük. Ezt a LinkedIn több, egymástól független modellt és következtetési módszert használó AI-értékelővel, rétegzett testreszabással, valamint egy Kubernetes-alapú, eseményvezérelt architektúrával orvosolja, amely figyeli a késleltetést és a szolgáltatói hibákat. A cég szerint, ha több ügynök önállóan ugyanazt a hibát jelzi, azt erős bizonyítéknak tekintik, az egyedi találatokat viszont nem fogadják el automatikusan. Az állítások kizárólag a LinkedIn saját közléséből származnak.