Combine Built-in Tools and Function Calling in the Gemini Interactions API
介紹如何在 Gemini 互動 API 中結合內建工具與自訂函式呼叫，讓模型自動決定工具執行順序與上下文傳遞。讀者可學習如何設定自訂函式並與搜尋、網頁閱讀等內建工具協作，提升代理任務效率。
Philipp Schmid
30 筆內容・被提到 1 筆
寫 agent 設計模式、context engineering 與 LLM 應用的實作教學
他的來源
最受歡迎
依人氣
Getting Started with Gemini Deep Research API
教學文章示範如何使用 Gemini Deep Research Agent 透過 Interactions API 執行複雜研究任務、生成圖片並翻譯結果。讀者將學習如何啟動背景研究、接收即時進度更新，並結合其他模型處理後續工作。
Gemini Managed Agents: Developer Guide
介紹如何透過單一 API 呼叫建立、自訂並部署能進行推理、執行程式碼與管理檔案的 Gemini 管理式代理。讀者可學習使用 Interactions API 在隔離的 Linux 沙盒中開發生產級代理，並掌握多輪對話、資料載入與安全網路設…
Control an Android Phone with Gemini 3.5 Flash Computer Use
示範如何使用 Gemini 3.5 Flash 的電腦操作功能，透過 ADB 控制 Android 模擬器執行點選、輸入等指令。讀者可學習如何建立程式迴圈，讓 AI 根據截圖自主完成設定開啟等任務。
How Autoresearch will change Small Language Models adoption
介紹 Autoresearch 如何讓 AI 代理自動執行數百次模型訓練實驗並自動最佳化程式碼。透過固定時間預算、單一檔案範圍與 Git 記憶等設計，實現無人工介入的模型改進。
Create your own voice for Gemini 3.8 TTS
介紹如何使用 Gemini 3.8 Flash TTS 複製自己的聲音或從句子設計新聲音，包含錄音步驟與提示詞變更重點。看完後能掌握如何透過 API 自訂語音並避免舊提示詞失效的問題。
How Foundational Models Became Superhuman in Bash
探討基礎模型如何超越人類在 Bash 環境中的程式設計能力，透過合成複雜工作流提升效能。讀者可了解模型如何組裝工具、處理多檔案編輯與故障定位，以及為何將 Bash 作為主要執行介面比微工具更有效。
Google Maps and Google Search now work together in the Gemini API
介紹 Gemini API 新增功能，允許在同一個請求中同時使用 Google Maps 與 Google Search，並結合自定義函式或 MCP 伺服器執行實際操作。
Evaluating Agents Beyond the First Prompt
EvoCode-Bench 是一種新的多輪程式碼評估基準，透過持續的工作空間與演進的需求測試，揭露單一輪次分數會嚴重高估程式碼代理的可靠性。
Getting started with the Gemini Interactions API
介紹 Gemini 互動 API 的開發指南，涵蓋文字生成、串流、多輪對話、多媒體輸入與工具使用等單一端點功能。讀者可學習如何建立 API 金鑰、使用 SDK 傳送請求，並掌握結構化輸出與代理程式的實作方法。
最新內容
依發布時間
Credentials API for Gemini Managed Agents
介紹 Gemini 管理代理的 Credentials API，讓使用者將 API 金鑰儲存於伺服器端，透過 egress proxy 在傳輸時注入，避免金鑰洩漏到 Linux sandbox 內。
Create your own voice for Gemini 3.8 TTS
介紹如何使用 Gemini 3.8 Flash TTS 複製自己的聲音或從句子設計新聲音，包含錄音步驟與提示詞變更重點。看完後能掌握如何透過 API 自訂語音並避免舊提示詞失效的問題。
How Foundational Models Became Superhuman in Bash
探討基礎模型如何超越人類在 Bash 環境中的程式設計能力，透過合成複雜工作流提升效能。讀者可了解模型如何組裝工具、處理多檔案編輯與故障定位，以及為何將 Bash 作為主要執行介面比微工具更有效。
Setup OpenClaw 2.0 with Gemini in Under 60 Seconds
教導如何在 60 秒內安裝 OpenClaw 2.0 並連結 Gemini 3.8 Flash 模型，讓使用者能在終端機與網頁介面進行具備即時 Google 搜尋能力的對話。
Recursive Self-Improvement
探討 AI 代理如何透過編輯自身工具與程式碼來實現「遞迴自我改進」，並區分僅最佳化現有指標與真正提升評估標準的差異。作者指出當前系統雖能自動最佳化程式碼與環境，但缺乏能獨立於代理之外且不斷變強的驗證機制，因此尚未達成真正的遞迴。
Controlling Android with Gemini 3.7 Flash and 150 lines of Python
介紹如何用約 150 行 Python 程式搭配 Gemini 3.7 Flash 模型，透過截圖分析與座標計算自動控制 Android 模擬器。
Google Maps and Google Search now work together in the Gemini API
介紹 Gemini API 新增功能，允許在同一個請求中同時使用 Google Maps 與 Google Search，並結合自定義函式或 MCP 伺服器執行實際操作。
Evaluating Agents Beyond the First Prompt
EvoCode-Bench 是一種新的多輪程式碼評估基準，透過持續的工作空間與演進的需求測試，揭露單一輪次分數會嚴重高估程式碼代理的可靠性。
Building Managed Agents That Use GitHub Without Exposing Your Token
教導如何建立使用 GitHub CLI 的 Gemini 管理代理，透過 egress proxy 將真實的個人存取金鑰注入出站請求，而沙箱環境僅使用假金鑰，確保金鑰不暴露。
Control an Android Phone with Gemini 3.5 Flash Computer Use
示範如何使用 Gemini 3.5 Flash 的電腦操作功能，透過 ADB 控制 Android 模擬器執行點選、輸入等指令。讀者可學習如何建立程式迴圈，讓 AI 根據截圖自主完成設定開啟等任務。
Getting started with the Gemini Interactions API
介紹 Gemini 互動 API 的開發指南，涵蓋文字生成、串流、多輪對話、多媒體輸入與工具使用等單一端點功能。讀者可學習如何建立 API 金鑰、使用 SDK 傳送請求，並掌握結構化輸出與代理程式的實作方法。
How Gemini Managed Agents Works under the Hood
詳細拆解 Gemini 管理代理（Agents）在底層如何運作，從單一 API 呼叫啟動沙盒到模型迴圈執行的完整流程。讀者能理解代理如何透過隔離的 Linux 虛擬機器執行程式碼、讀取檔案並重複推理直到任務完成，適合想深入了解…
Gemini Managed Agents: Developer Guide
介紹如何透過單一 API 呼叫建立、自訂並部署能進行推理、執行程式碼與管理檔案的 Gemini 管理式代理。讀者可學習使用 Interactions API 在隔離的 Linux 沙盒中開發生產級代理，並掌握多輪對話、資料載入與安全網路設…
How Agents Manage Other Agents: Four Subagents Patterns in 2026
介紹 2026 年管理子代理的四種模式，從簡單的工具呼叫到團隊自主協作。讀者可根據任務複雜度選擇合適的架構，並了解不同模式對模型能力的要求與結果收集方式。
How to use Deep Research with the Gemini API
介紹如何使用 Gemini API 的 Deep Research 功能，透過自動規劃、搜尋與綜合來生成詳細報告。讀者可學習如何設定 API 參數、執行背景任務、規劃協作研究流程，並利用原生圖表與外部 MCP 伺服器擴展工具能力。
How to correctly use MCP servers with your AI Agents
說明盲目啟用 MCP 伺服器會增加成本並降低效能，提供兩種正確使用模式。透過明確的內嵌工具注入與子代理宣告，讓使用者或系統按需載入工具，避免不必要的上下文膨脹。
8 Tips for Writing Agent Skills
提供八個實戰技巧，教導如何撰寫高效能的 Agent 技能，涵蓋從定義技能型別、撰寫精確描述到設定自由度的完整流程。讀者可學習如何避免常見錯誤，透過測試與評估最佳化技能表現。
How to use Gemma 4 with the Gemini API and Google AI Studio
介紹如何透過 Gemini API 與 Google AI Studio 使用 Gemma 4 開放模型，包含安裝 Python SDK、設定 API 金鑰及進行文字生成、多輪對話、圖片理解與函式呼叫等實作步驟。
How Kimi, Cursor, and Chroma Train Agentic Models with RL
深入解析 Kimi、Cursor 與 Chroma 三家如何運用強化學習訓練代理模型，涵蓋並行代理協作、程式碼自主編輯與搜尋上下文自我修剪等技術。讀者可了解如何設計獎勵機制、處理長上下文限制，以及將訓練環境與生產系統對齊以解決獎勵作弊問題。
Combine Built-in Tools and Function Calling in the Gemini Interactions API
介紹如何在 Gemini 互動 API 中結合內建工具與自訂函式呼叫，讓模型自動決定工具執行順序與上下文傳遞。讀者可學習如何設定自訂函式並與搜尋、網頁閱讀等內建工具協作，提升代理任務效率。
Developer Guide: Nano Banana 2 with the Gemini Interactions API
開發指南示範如何使用 Gemini 互動 API 與 Nano Banana 2 模型，透過文字、網頁搜尋與圖片搜尋，結合參考照片生成個人化的日本旅遊宣傳冊。
How Autoresearch will change Small Language Models adoption
介紹 Autoresearch 如何讓 AI 代理自動執行數百次模型訓練實驗並自動最佳化程式碼。透過固定時間預算、單一檔案範圍與 Git 記憶等設計，實現無人工介入的模型改進。
Practical Guide to Evaluating and Testing Agent Skills
提供系統化測試與最佳化 AI 代理技能的實作指南，透過確定性檢查與 Gemini API 範例，教導讀者如何定義成功標準、建立輕量評估工具並迭代改進。
Writing a Good AGENTS.md
教導如何撰寫高產出效果的 AGENTS.md 檔案，透過資料分析指出少即是多，避免冗長指令與重複內容。讀者能學會如何結構化專案說明、選擇必要工具並使用漸進式揭露策略，以提升程式碼代理的執行效率與降低成本。
Agents: Inner Loop vs Outer Loop
解釋 AI 代理的內迴圈與外迴圈差異，內迴圈指單一任務中代理自我驗證工作，外迴圈指跨任務累積經驗。讀者能理解可靠代理如何透過系統提示或後訓練做出決策，並掌握建立持久記憶與技能檔案的方法。
Can We Close the Loop in 2026?
探討 AI 代理如何透過「自我覺知」與「閉環驗證」成為可靠夥伴，並分析 Spotify 等生產系統的架構案例。讀者可了解當前代理自主性的限制與未來演進方向。
Multimodal Function Calling with Gemini 3 and Interactions API
介紹如何使用 Gemini 3 與 Interactions API 實現多模態函式呼叫，讓 AI 能直接處理工具傳回的圖片而非文字描述。讀者可學習如何建立能讀取檔案、擷取截圖或分析圖表的 AI 代理，並掌握互動流程的四個步驟。
Getting Started with Gemini Deep Research API
教學文章示範如何使用 Gemini Deep Research Agent 透過 Interactions API 執行複雜研究任務、生成圖片並翻譯結果。讀者將學習如何啟動背景研究、接收即時進度更新，並結合其他模型處理後續工作。
The Agent Client Protocol Overview
介紹 Agent Client Protocol (ACP) 如何作為開放標準，統一不同 AI 編碼代理（如 Claude Code、Gemini CLI）與編輯器（如 Zed、JetBrains）之間的通訊介面。
Gemini Interactions API Quick Start
介紹 Gemini Interactions API 如何簡化建立代理應用，透過單一端點處理多輪對話、工具呼叫與長程任務。讀者可學習如何設定 API Key、進行多模態互動及呼叫內建工具。
出現在別人的節目
其他來源裡提到或訪談這位人物的內容
Why AI Agents Should Have Their Own Sandbox — Philipp Schmid, Google DeepMind
Google DeepMind 的 Philipp Schmid 介紹 Gemini Interactions API，讓 AI Agent 能在雲端獨立沙盒中執行程式與任務。
※ 摘要僅根據標題與說明
