Gemini 3.5 Flash 智能体计算机操作指南：内置浏览器工具、Managed Agents 与路由集成

2026 年 6 月 24 日，Google 将计算机操作（computer use）作为 Gemini 3.5 Flash 的内置工具正式发布——开发者已经用这个模型进行函数调用、搜索 grounding 和地图 grounding，现在同一个模型可以直接查看截图、推理 UI 元素并在浏览器、桌面和移动端环境中执行操作。在此之前，计算机操作需要一个单独的预览模型。现在只需一次 google/gemini-3.5-flash 调用就能完成。与此同时，Google 还发布了 Managed Agents 后台执行、远程 MCP 服务器集成，以及 Interactions API 正式版（含 Flex Tier 定价，便宜 50%，约 2 分钟延迟 SLA）。这三项更新共同改变了开发者构建和路由 Gemini 智能体工作流的方式。

google/gemini-3.5-flash 是 TheRouter 模型目录中已验证的模型。我们通过 OpenAI 兼容端点将请求路由到该模型。

OpenAI 兼容指供应商提供一个 chat-completions 接口，其请求与响应结构与 OpenAI API 契约足够接近——只需替换三个值（API key、base URL、模型名），原来的 OpenAI SDK 调用即可直接工作。最小实践面是POST /v1/chat/completions 带 messages、model， 并返回 OpenAI 形式的流式响应。

来源：Google Blog — Introducing Computer Use in Gemini 3.5 Flash，获取于 2026-07-21；Gemini API Computer Use 文档，获取于 2026-07-21；Google DeepMind Managed Agents 更新 (the-decoder.com)，获取于 2026-07-21；Gemini API 定价，获取于 2026-07-21；BenchLM — Gemini API 定价 2026 年 7 月，获取于 2026-07-21。

3 分钟快速开始

1. 获取 API 密钥

在 ai.google.dev 创建或获取 Gemini API 密钥。如果计划使用 Enterprise Agent Platform，需要在 Google Cloud 项目中启用 Gemini API。

2. 安装 SDK

pip install google-genai

3. 第一次计算机操作调用

from google import genai
from google.genai import types

client = genai.Client()

response = client.models.generate_content(
    model="gemini-3.5-flash",
    contents="打开浏览器并导航到 therouter.ai",
    config=types.GenerateContentConfig(
        tools=[
            types.Tool(
                computer_use=types.ToolComputerUse(
                    environment=types.Environment(
                        browser=types.EnvironmentBrowser()
                    )
                )
            )
        ]
    ),
)
print(response.text)

就这么简单。模型查看渲染的页面，推理应该点击哪个元素，然后返回结构化的操作指令。不需要单独的计算机操作模型 ID——gemini-3.5-flash 原生支持。

所有支持的模型与能力

为什么选 3.5 Flash 做计算机操作？ Google 选择 Flash 而不是 Pro，因为计算机操作任务会产生大量连续的截图-操作循环。Flash 更低的单 token 成本（$1.50/$9.00 vs $2.00/$12.00）能有效压缩这些高 token 消耗的智能体循环成本。

计算机操作架构

Gemini 3.5 Flash 的计算机操作流程分三个阶段：

1. 截图捕获 — 智能体对当前环境（浏览器视窗、桌面或移动端屏幕）进行截图。
2. 推理 — 模型分析截图，识别 UI 元素，确定下一步操作以完成目标。
3. 操作执行 — 模型输出结构化操作（点击、输入、滚动、导航），由应用程序在目标环境中执行。

这个循环不断重复，直到任务完成或模型判断无法继续。

支持的环境

• 浏览器 — 通过渲染截图和 DOM 级操作与网页交互。
• 桌面 — 通过屏幕捕获控制 macOS、Windows 和 Linux 原生应用。
• 移动端 — Android 设备自动化（iOS 支持预览中）。

多步骤示例：填写表单

from google import genai
from google.genai import types

client = genai.Client()

# 模型自主处理多步骤表单填写
response = client.models.generate_content(
    model="gemini-3.5-flash",
    contents="前往 therouter.ai/contact，填写 name='Test User'、email='test@example.com'，然后提交表单",
    config=types.GenerateContentConfig(
        tools=[
            types.Tool(
                computer_use=types.ToolComputerUse(
                    environment=types.Environment(
                        browser=types.EnvironmentBrowser()
                    )
                )
            )
        ]
    ),
)

模型将其拆分为多个独立步骤——导航、定位名字字段、输入、定位邮箱字段、输入、找到提交按钮、点击——每一步都通过最新截图进行验证。

Managed Agents：后台执行与远程 MCP

2026 年 7 月 8 日，Google 为 Gemini API 中的 Managed Agents 新增了四项能力：

后台执行

异步运行智能体，无需保持 HTTP 连接。启动任务、获取句柄、轮询结果：

from google import genai

client = genai.Client()

# 启动后台智能体任务
operation = client.agentic.create(
    model="gemini-3.5-flash",
    config={
        "tools": [...],
        "execution_mode": "BACKGROUND",
    },
    contents="分析 therouter.ai 上排名前 10 的页面并总结内容",
)

# 轮询完成状态
result = client.agentic.get(operation.name)

这对长时间运行的智能体任务（软件测试流水线、多页面网页抓取、数据处理）至关重要——在这些场景中保持同步 HTTP 连接是不现实的。

远程 MCP 服务器集成

Managed Agents 现在可以直接连接远程 MCP（Model Context Protocol）服务器，让智能体无需自定义函数包装器即可访问内部数据库、API 或工具服务器：

config = {
    "tools": [
        {
            "mcp_server": {
                "uri": "https://your-internal-api.example.com/mcp",
                "credentials": {"type": "bearer", "token": "..."}
            }
        }
    ]
}

自定义函数与沙盒工具并用

开发者现在可以定义自定义函数，与 Google 的内置沙盒工具（代码执行、文件 I/O）同时使用。此前只能二选一。

凭证刷新

可以在交互轮次之间刷新令牌和凭证，而不会丢失智能体的沙盒状态——这对 OAuth 令牌在任务中途过期的长时间企业工作流至关重要。

Interactions API：正式版与 Flex Tier

Interactions API 是通过 Managed Agents 进行多轮智能体对话的接口。它在 2026 年中正式发布（GA），并推出了新的 Flex Tier：

Flex Tier 利用非高峰计算容量，适用于：

• 批量智能体任务——排队执行大量智能体运行，异步收集结果。
• 后台执行工作流——2 分钟以内的延迟可以接受。
• 高流量智能体管道的成本优化。

Standard 层级仍然是交互式用户界面智能体体验的默认选择。

计算机操作安全防护

Google 为 3.5 Flash 的计算机操作采用了"纵深防御"策略：

1. 针对性对抗训练 — 模型专门针对实时浏览器环境中的提示注入进行了训练，防止页面内容劫持智能体。
2. 敏感操作用户确认 — 可选的企业防护功能，在智能体执行不可逆操作（购买、删除、包含 PII 的表单提交）前要求用户明确批准。
3. 自动提示注入检测 — 可选系统，在执行过程中识别到间接提示注入时自动停止任务。

生产部署清单：

• 为所有生产部署启用两项可选防护。
• 在沙盒浏览器环境中运行智能体（Google 推荐 Browserbase 或类似方案）。
• 对高风险操作实施人工审核。
• 应用严格的访问控制——将智能体权限限制在任务所需的最小范围。
• 通过审计日志监控智能体操作。

常见错误与解决方案

TheRouter 集成

google/gemini-3.5-flash 在 TheRouter 的模型目录中。你可以通过 TheRouter 的统一端点路由请求：

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_THEROUTER_KEY",
    base_url="https://therouter.ai/api/v1",
)

response = client.chat.completions.create(
    model="google/gemini-3.5-flash",
    messages=[
        {"role": "user", "content": "Gemini 3.5 Flash 有哪些主要特性？"}
    ],
)

对于标准的 chat completions、函数调用和搜索 grounded 请求，TheRouter 通过 OpenAI 兼容接口路由到 google/gemini-3.5-flash。

计算机操作与 Managed Agents 说明： computer_use 内置工具和 Managed Agents API 使用 Google 专有的 SDK 调用（google-genai Python 包），超出了 OpenAI 兼容的 chat completions 规范。这些功能需要直接集成 Gemini API。TheRouter 路由标准的 chat 和函数调用请求到 Gemini；对于计算机操作和 Managed Agents 工作流，请直接使用 Google SDK，将非智能体的 Gemini 流量通过 TheRouter 路由，以获得统一计费和故障转移。

路由智能体工作流：实用模式

生产智能体系统的常见架构：

1. 规划调用 → 通过 TheRouter 路由（标准 chat completions，如果 Gemini 限流可以 fallback 到其他模型）。
2. 计算机操作执行 → 直接 Gemini API（需要 computer_use 工具和 Google SDK）。
3. 结果汇总 → 通过 TheRouter 路由（标准 chat completions，可以使用任何模型）。

这种混合方式让你在支持的调用上获得统一计费和故障转移，同时对需要专有功能的调用使用 Google 原生 SDK。

常见问题

Q：我需要单独的模型来使用计算机操作吗？ A：不需要。自 2026 年 6 月 24 日起，计算机操作是 gemini-3.5-flash 的内置工具。Gemini 2.5 时代的单独计算机操作预览模型不再需要。

Q：计算机操作调用的定价是多少？ A：计算机操作调用按标准 Gemini 3.5 Flash 费率计费：输入 $1.50/百万 token，输出 $9.00/百万 token。每个截图-操作循环都会消耗 token（截图作为图像 token 计费）。Flex Tier 对批量/后台工作负载提供 5 折。

Q：我可以通过 OpenAI 兼容 API 使用计算机操作吗？ A：不可以。computer_use 工具需要 Google genai SDK。标准 chat completions 和函数调用可以通过 OpenAI 兼容端点（包括通过 TheRouter）使用；计算机操作需要原生 Gemini API。

Q：计算机操作支持哪些环境？ A：浏览器、桌面（macOS/Windows/Linux）和移动端（Android；iOS 预览中）。

Q：后台执行如何与 Managed Agents 配合？ A：使用 execution_mode: "BACKGROUND" 启动智能体任务，获取操作句柄，然后轮询完成状态。无需保持 HTTP 连接。通过 Interactions API 使用。

Q：Flex Tier 适合面向用户的实时智能体吗？ A：Flex Tier 目标延迟约 2 分钟。对于交互式用户界面体验，使用 Standard 层级。Flex 最适合批量处理、后台任务和成本敏感的管道。

Q：Managed Agents 可以连接我的内部 MCP 服务器吗？ A：可以，自 2026 年 7 月 8 日起。在工具配置中配置 mcp_server，填入服务器 URI 和凭证。智能体可以在 Google 内置沙盒工具旁边调用 MCP 工具。

---

最后更新：2026 年 7 月 21 日。定价和能力依据获取日期的官方来源验证。能力持续演进，请查阅 Gemini API 文档 获取最新信息。