01 Deep Research Agent：更新网页搜索、低成本生成研究报告功能

谷歌在博客里提到，Gemini 3 Pro是迄今为止最“真实”的模型，这很大程度上归功于Deep Research Agent的迭代式流程。它会主动提问、阅读结果、识别知识空白，然后继续搜索。新版本的这项能力被大大强化，能够深入网站内部查找特定数据，而不是只在表面扫荡。 更重要的是，谷歌对这个Agent进行了专门优化，让它能以一个非常低的成本，生成高质量的深度研究报告。这从根本上改变了前期调研的成本结构。 对于金融、生物技术和市场调研这类行业，Deep Research Agent的价值在于它能提供快速、准确的初步调研，并基于早期反馈进行测试和修正。它不只是一个搜索引擎，而是一个可以分析复杂信息并输出结构化报告的系统。 * **统一信息综合**：能分析你的文档，也能搜索公开网络数据。最重要的是，它强大的长上下文处理能力，让你可以直接在提示中塞入大量背景信息。 * **报告可控性**：你可以通过提示词定义报告的结构、标题，甚至指定数据表的生成格式。 * **详细引用**：它会提供非常细粒度的来源链接，让你可以随时回去验证数据的真伪。 * **结构化输出**：支持JSON模式，下游应用可以直接解析、使用研究成果，非常方便集成。

02 DeepSearchQA：新Agent基础，涵盖17大领域、900条任务

这才是真正的“幕后功臣”。DeepSearchQA不是一个普通的测试题集，它是谷歌专门为评估像Deep Research这样的Agent在真实、复杂的网页研究任务中的表现而设计的。它弥补了现有基准测试与现实世界之间巨大的鸿沟。 这个基准有多硬核？它包含了900个由专家手工设计的“因果链”任务，覆盖了从分子生物学到宏观经济学的17个领域。这些任务一环扣一环，下一步的答案完全依赖于对上一步的分析。传统的测试只关心答案对不对，但DeepSearchQA评估的是“全面性”——你的Agent能不能生成一个详尽的答案集，覆盖问题的所有方面。这既是检验研究准确性，也是在考察Agent的“记忆力”。 另一个有趣的点是，DeepSearchQA还能衡量Agent的“思考时长”效率。谷歌内部评估后发现，允许Agent执行更多的搜索和推理步骤，其性能会显著提升。换句话说，这个基准可以帮你找到Agent的“思考效率”与“思考时长”之间的最佳平衡点。

03 交互API：集成专为Agent应用开发设计的接口

如果说Deep Research Agent和DeepSearchQA是“发动机”和“测试跑道”，那么Interactions API就是那个“驾驶座舱”。它不是一个简单的API，而是一套专门为Agent应用开发场景设计的交互界面。 开发Agent应用最大的痛点之一，就是处理那些交错出现的消息、思维链、工具调用和状态信息。Interactions API原生集成了处理这种复杂上下文的能力。目前，它除了提供Gemini模型套件，还直接内置了Deep Research Agent。 这意味着什么？你只需要一个API端点，就能同时连接Gemini模型、谷歌内置的Agent，以及未来你自己定制的Agent。这极大地简化了开发流程。 它的设计思路非常务实，主要解决了几个核心问题： * **可选的服务器端状态管理**：把历史记录管理的负担从客户端甩给服务器。这不仅简化了你的代码，减少了上下文管理的错误，还能通过提高缓存命中率来降低成本。 * **可解释和可组合的数据模型**：为复杂的Agent历史记录提供了一套干净的数据架构。开发者可以方便地对交错的信息、思维过程、工具调用及其结果进行调试、流式分析和推理。 * **背景执行**：可以把那些需要长时间运行的推理任务交给服务器，不需要一直保持客户端连接。这对后台任务或自动化流程非常有用。 * **远程MCP工具支持**：模型可以直接调用模型上下文协议（MCP）服务器作为工具。这为Agent连接外部数据源提供了标准化的方式。

04 结语：Gemini生态再扩容，谷歌简化Agent开发模式

总的来说，谷歌这次的动作，不只是更新了一个Agent，更是在围绕Gemini构建一个更完整的开发生态。Deep Research Agent证明了其自身在金融、科研等领域的巨大潜力。而Interactions API的发布，则是这把火的关键助燃剂，它试图把从模型能力到Agent应用之间的开发门槛降到最低。 未来，谷歌还会继续给这个生态添砖加瓦，比如让Deep Research Agent原生生成图表来做可视化分析，通过模型上下文协议（MCP）来连接更丰富的数据源，以及把它接入面向企业的Vertex AI平台。可以预见，在谷歌的规划里，Agent将不再是实验室里的新奇玩意，而是能立刻上手、马上创造价值的标准生产力工具。