1 Запрос и источники
2 Синтез и Max
3 MCP / API в продукт

Gemini Deep Research Max,
MCP и API: долгий отчёт за один запуск

Объединяете глубокий обход источников, режим Max и вызовы Gemini API или MCP — на выходе структурированный материал для SEO и GEO без ручной рутины.

Канал в Telegram
Gemini API Deep Research MCP

Коротко: 21 апреля 2026 Google представил два режима исследовательского агента на базе Gemini 3.1 Pro — Deep Research (скорость) и Deep Research Max (максимальная полнота), доступные в public preview в платных тирах Gemini API через Interactions API. Агент объединяет открытый веб и проприетарные потоки, поддерживает MCP (Model Context Protocol), визуализации и фоновые сценарии. Источник: официальный анонс Google, документация Deep Research.

Для ЦА Kov4eg — предпринимателей, маркетологов и команд, которые строят автоматизацию контента и ии агенты для бизнеса, это важный сигнал: «глубокое исследование» перестаёт быть только кнопкой в чате и превращается в программируемый шаг пайплайна с измеримой стоимостью и ограничениями.

gemini-research — zsh
$ agent=deep-research-max-preview-04-2026
# background=true, store=true, MCP по URL
→ отчёт + визуализации → CMS / Make / Cursor

Что такое Gemini Deep Research и Deep Research Max в 2026 году

Определение: Gemini Deep Research в API — это агент, который сам планирует цепочку действий (поиск, контекст по URL, при необходимости код и файлы), собирает материал и выдаёт развёрнутый отчёт. Deep Research Max — вариант с упором на test-time compute и максимальную полноту, в том числе для асинхронных сценариев вроде «ночного» отчёта. Оба варианта заявлены как замена декабрьского превью одного агента и опираются на Gemini 3.1 Pro. Источник: блог Google от 21.04.2026.

В потребительских продуктах и корпоративном контексте Google связывает ту же линейку с Gemini App, NotebookLM, Google Search и Google Finance — то есть позиционирует агент не как изолированный демо-режим, а как часть экосистемы Google Gemini.

Обычный режим vs Max: скорость, глубина, когда какой выбирать

Итог для практики: выбор между режимами — это компромисс времени, стоимости и глубины.

По официальной документации для превью-версий агента указаны две строки в agent:

Параметр (ориентиры, preview) Deep Research (deep-research-preview-04-2026) Deep Research Max (deep-research-max-preview-04-2026)
Поисковых запросов (оценка)~80до ~160
Входные токены (оценка)~250k (~50–70% cached)до ~900k (~50–70% cached)
Выходные токены (оценка)~60k~80k
Оценка стоимости за задачу~$1–$3~$3–$7

Источник: ai.google.dev — Deep Research. В доке прямо сказано, что цифры оценочные и могут меняться.

Когда брать Deep Research: дедлайн «сегодня», черновик для внутреннего митинга, первичный обзор рынка, быстрый разбор публичных источников, прототип маркетингового брифа.

Когда смотреть на Deep Research Max: due diligence, сверка множества источников, отчёт, который пойдёт к руководству или в исследования искусственного интеллекта / R&D-контур, задачи, где важнее полнота, чем минутная латентность. Асинхронность и background здесь созвучны идее «запустил вечером — утром забрал».

По данным research (не подтверждено в каноническом посте 21.04): в вторичных обзорах и соцсетях иногда фигурируют проценты вроде «93.3% на DeepSearchQA» для Max — в загруженном тексте канона от 21.04 такие цифры не процитированы; для E-E-A-T такие утверждения без первичной ссылки лучше не использовать.

Отчёты, диаграммы и формат выдачи для бизнеса

В анонсе отмечены нативные графики и инфографика (в т.ч. HTML и/или Nano Banana), совместное планирование (collaborative planning) и стриминг промежуточных шагов — удобно для прозрачности «как агент рассуждал». Источник: блог Google.

В документации для визуализаций указан параметр visualization: "auto" в agent_config; также сказано, что явная просьба построить графики в промпте даёт более предсказуемый результат. Источник: ai.google.dev — Deep Research.

Для маркетинга и контента: это снижает трение между «сырой простынёй текста» и слайдами/дашбордом: один прогон агента может дать и нарратив, и опорные визуализации — с последующей ручной полировкой в редакторе или автоматизацией контента на выходе (Make, n8n, внутренние шаблоны).

Gemini API и документация: где настраивают агента

Коротко: агент не вызывается через привычный generate_content — только через Interactions API, статус preview, обязательны background=true и при фоне — store=true. Источник: документация Deep Research.

Ключ API, тарифы, лимиты и статус превью

  • Доступ: public preview в платных тирах Gemini API; для стартапов и enterprise в Google Cloud заявлено «скоро». Источник: блог Google 21.04.2026.
  • Оценка денег за задачу — см. таблицу выше ($1–7 вилка между режимами по доке).
  • Время: максимум 60 минут исследования, обычно до 20 минут. Источник: ai.google.dev.

Speakable-формулировка: «Подключение — через платный Gemini API и превью-агента; бюджет закладывайте по ориентирам документации, лимиты по времени — до часа.»

Interactions API и связка с агентными сценариями

Interactions API описан как единый интерфейс для моделей и агентов: состояние, фоновые задачи, MCP; для агентов background=true обязателен; в бета возможны breaking changes. Источник: Interactions API.

Практические детали из документации Deep Research (проверять актуальность на ai.google.dev при внедрении):

  • Версии агента: deep-research-preview-04-2026 и deep-research-max-preview-04-2026.
  • Для стрима — stream=true; для кратких «мыслей» в стриме — thinking_summaries: "auto" в agent_config.
  • Инструменты по умолчанию: Google Search, URL Context, Code Execution; опционально MCP и File Search.
  • Collaborative planning: многоходовые сценарии с previous_interaction_id.

Ограничения (док): Interactions API в public beta; нельзя custom Function Calling; можно удалённые MCP; нет structured outputs; при Google Search grounding действуют отдельные ограничения. Источник: ai.google.dev — Deep Research.

Визуализация · не hero

Два контура агента и внешние MCP

Слева на схеме — быстрый цикл исследования; справа — удлинённый контур Max. Пульсирующие «спутники» — удалённые MCP и закрытые источники, которые агент подключает параллельно веб-поиску.

  • Deep Research: меньше шагов, быстрее ответ — для оперативных задач.
  • Deep Research Max: больше глубины и асинхронных сценариев (например, «ночной» отчёт).
  • MCP: мост к CRM, файлам, партнёрским потокам данных — без смешения с hero-сценой.

Дальше в статье — как именно подключается MCP в агенте, лимиты и безопасность при смешении веба и внутренних данных.

Схема упрощена: не интерфейс API, а редакционная метафора двух режимов и внешних инструментов.

MCP (Model Context Protocol) в исследовательском агенте

Определение для русскоязычного SEO: Model Context Protocol — открытый способ подключать к агенту внешние инструменты и данные по единому контракту. В выдаче Wordstat заметны запросы вроде «mcp сервер что это» и «model context protocol» — аудитория ищет не аббревиатуру, а смысл: «как подключить свой стек».

В конфиге агента MCP задаётся как инструмент с type: mcp_server, url, headers, allowed_tools. Источник: ai.google.dev — Deep Research.

Зачем подключать внешние MCP и закрытые источники

В каноническом посте акцент на смешивании открытого веба и проприетарных потоков «одним вызовом API», плюс MCP для кастомных и профессиональных данных. Для финансов, life sciences и маркетинга это ближе к реальности, чем «только публичный веб»: внутренние CRM, DAM, BI, платные базы, корпоративные вики.

Google заявляет сотрудничество по дизайну MCP-серверов с FactSet, S&P Global, PitchBook — формулировка «активно сотрудничаем», без публичных деталей коммерческого доступа в том же абзаце. Источник: блог Google 21.04.2026.

По данным research: утверждения сторонних статей, что MCP «гарантирует, что данные не покидают источник», — упрощение; в доке описан удалённый endpoint с заголовками аутентификации, без универсальной юридической/архитектурной гарантии для всех случаев.

Практика: локальный MCP, Cursor, корпоративные данные, приватность

Для команд, которые уже используют mcp сервер cursor и локальные коннекторы, картина такая: Gemini API может дергать удалённый MCP — это стык между агентом в облаке Google и вашим сервисом. Отсюда три практических правила:

  1. Минимизировать allowed_tools и поверхность данных — что именно может читать агент.
  2. Разделять контуры: публичное исследование vs доступ к персональным/регулируемым данным — разные ключи, разные политики логирования.
  3. Учитывать предупреждения доки о безопасности: риски prompt injection из файлов, вредоносного веб-контента и эксфильтрации, если одновременно включены веб и чувствительные внутренние источники. Источник: ai.google.dev — Deep Research.

Для нейросетей для бизнеса: это не «включил MCP и забыл», а вопрос ИБ и комплаенса — особенно если отчёт потом уходит клиенту или в регуляторный контур.

Сценарии: маркетинг, контент, финансы, R&D

Позиция вендора в анонсе (формулировки продуктовых менеджеров) — enterprise workflows: финансы, life sciences, маркетинг; агент как «первый шаг» в агентных пайплайнах, с акцентом на конфликтующих источниках и взвешивании доказательств. Это позиция вендора, не независимый бенчмарк, но полезна для понимания задумки. Источник: блог Google.

Маркетинговые исследования и конкурентный анализ

  • Сбор публичных сигналов: сайты конкурентов, обзоры, отчёты аналитиков (где легально), новости.
  • Сведение в единый отчёт с разделами «рынок — игроки — риски — гипотезы».
  • Выход: бриф для креатива, основа для автоматизация создания контента (черновики постов, FAQ, сравнительные таблицы) — с обязательной человеческой вычиткой.

Мультимодальные входы (PDF, CSV, изображения, аудио, видео) из анонса полезны, если у вас уже есть корпоративные материалы: презентации, записи интервью, сканы. Источник: блог Google 21.04.2026.

Длинные отчёты, due diligence, внутренние базы

Deep Research Max логично ставить туда, где важна полнота и допустима асинхронность. Можно отключить веб в пользу своих данных — если конфигурация и политика это позволяют (в анонсе указана такая возможность совместно с File Search и др.). Источник: блог Google 21.04.2026.

DeepSearchQA: Google позиционирует открытый бенчмарк (900 заданий, 17 областей); датасет на Hugging Face, техотчёт на arXiv. Источник: карточка датасета, пост про API-агента декабрь — для сравнения эволюции линейки.

Смежные продукты: NotebookLM, приложение Gemini — границы темы

NotebookLM — высокий смежный интерес в Wordstat; продукт удобен для работы с загруженными документами и «источнико-ориентированными» ответами в интерфейсе Google. Gemini App — потребительский фронт экосистемы гугл гемини.

Граница для этой статьи: фокус — Gemini API + Deep Research / Max + MCP и программируемые пайплайны. NotebookLM и приложение стоит упоминать как соседние входы в ту же модельную и продуктовую линейку, но не подменять ими API-сценарии: у интегратора другие требования (ключи, лимиты, Interactions API, версии агента).

По данным research: спекуляции о том, что приложение «обделено» относительно API, не подтверждены каноном; в анонсе — акцент на API preview и скоро Google Cloud без детального паритета с приложением.

Риски и ограничения (галлюцинации, доступ к данным, регуляторика)

Итог: любой «исследовательский» агент остаётся генеративной системой: нужны проверки фактов, цитаты, иногда второе мнение эксперта.

  1. Галлюцинации и уверенная ошибка — критично для финансов и юридических выводов; выводы агента — черновик, не замена compliance.
  2. Безопасность по доке: prompt injection, вредоносный веб-контент, риск эксфильтрации при смешении веба и чувствительных данных. Источник: ai.google.dev — Deep Research.
  3. Beta / preview: возможны изменения API и стоимости; закладывайте мониторинг и версионирование agent.
  4. Нет structured outputs в текущей рамке доки — если вам нужен жёсткий JSON для внизстрим-автоматизации, придётся парсить текст или строить обвязку иначе. Источник: ai.google.dev.
  5. Регуляторика: отчёты для регуляторов или пациентских данных требуют отдельной политики; MCP не снимает GDPR/152-ФЗ и отраслевые нормы.

Сравнение с OpenAI / Perplexity в духе «кто лучше в deep research» в этом материале намеренно не верифицировалось свежими бенчмарками (по research: обзоры 2025 года с устаревшими моделями вводят в заблуждение). Если сравниваете — фиксируйте дату, модель и API, а не бренд в вакууме.

FAQ (короткие ответы под нейро/голосовую выдачу)

Чем отличается Deep Research от Deep Research Max?

Max — больше поисковых шагов, больше объём токенов и выше ориентир по цене; обычный режим — быстрее и дешевле для черновиков. Источник: ai.google.dev.

Где включить Gemini Deep Research в API?

Через Interactions API, агент в preview, нужны background=true и store=true для фона. Источник: документация.

Что такое MCP в этом агенте?

Подключение удалённого MCP-сервера с URL, заголовками и списком разрешённых инструментов — чтобы агент ходил в ваши системы и базы по контракту протокола. Источник: ai.google.dev.

Сколько стоит одна задача Deep Research?

В доке — ориентир примерно $1–$3 (обычный) и $3–$7 (Max); цифры оценочные. Источник: ai.google.dev.

Можно ли без интернета, только по своим файлам?

В анонсе указано, что можно совмещать веб и свои данные или отключать веб в пользу своих источников (в связке с File Search и др.). Источник: блог Google 21.04.2026.

Есть ли 93.3% на DeepSearchQA у Max?

По research: в каноническом посте от 21.04 эта цифра не найдена; вторичные источники могут ошибаться — опирайтесь на официальный первичный материал с точной формулировкой.

Что такое Model Context Protocol простыми словами?

Это способ стандартизировать, какие внешние инструменты может вызывать агент и как он получает контекст — удобно для mcp сервер в компании и для связки с gemini api.

Связка с автоматизацией контента и пайплайнами «контент-завод» (мост к ЦА Kov4eg)

Уникальный угол (по research Kov4eg): один вызов Interactions API — разумная первая стадия контент-фабрики: сбор контекста, список первичных ссылок, структура лонгрида, черновые тезисы и визуализации. Дальше — доработка в Cursor, сценарии в Make.com / n8n, вычитка человеком, публикация в CMS. Так вы связываете нейросеть для маркетинга с измеримыми шагами, а не с «магией одной кнопки».

Для ии агенты для бизнеса полезно думать слоями:

  • Слой сбора: Deep Research / Max + при необходимости MCP к CRM/Notion/BI.
  • Слой синтеза: редакторский стиль, бренд-гайд, юридические ограничения — отдельные промпты или отдельные модели.
  • Слой распространения: соцсети, рассылки, SEO — автоматизация контента ии на выходе.

GEO (оптимизация под цитирование в ИИ): держите на странице короткие блоки «Коротко», «Итог», таблицы с цифрами из первоисточников, и FAQ с прямыми формулировками — так выше шанс, что ответ нейросети ссыгнет на ваш тезис как на структурированный факт, а не перескажет конкурента.

Где продолжить тему внедрения

Инструменты вроде Deep Research — один слой стека. Если вы доводите пайплайны до Make, Cursor и публикации в CMS, имеет смысл держать под рукой практический канал: подписывайтесь на Telegram «Maya Pro» — автоматизация и вайбкодинг.

Чтобы системно собрать цепочку «данные → черновик → выкладка» с разбором на практике, смотрите обучение по автоматизации и вайбкодингу на kv-ai.ru — логичное продолжение темы агентов и контент-фабрики из этой статьи.

Beget — надёжный хостинг и VPS

Материал подготовлен для аудитории Kov4eg: предприниматели, маркетологи, автоматизация контента, вайбкодинг и агентные пайплайны. Цифры тарифов и лимитов — по состоянию документации на момент сбора research (апрель 2026); перед продакшен-внедрением сверяйте ai.google.dev.