Google 押注 Antigravity,是因为它判断 AI 编码会从“辅助补全”走向“多代理自主协作”。在这个阶段,单个模型的能力并不是胜负手,关键在于能否调度一群代理并行完成工程任务。Antigravity 是 Google 为此打造的全栈载体:上层用 Orchestrator 做图执行调度,下层用 Swarm 把任务拆给专业化子代理,背后再接上 Gemini 模型、Google Cloud 与 Chrome 生态。代价同样明确:核心闭源、安全攻击面扩大、产品线碎片化,这三个问题会直接影响开发者是否愿意跟进。
您读完此文能了解到什么?
- Google 在 2026 年把开源 Gemini CLI 迁移到闭源 Antigravity CLI 的时间线与含义
- Google 内部代理编码的采用规模,以及围绕它的公开争议
- Swarm 为什么被认为优于单代理,Orchestrator 的三条设计原则是什么
- Antigravity 与 Microsoft、Anthropic、OpenAI、Cursor、Cognition 的产品对位关系
- Linus Torvalds 使用 Antigravity 的案例说明了什么,以及这条路线的主要风险
索引:先用概念表和影响速览帮你建立基础认知。正文的“客观事实”部分依次梳理名称由来、Google 内部采用数据、CLI 迁移、Antigravity 的技术设计、竞争格局和 Linus 案例。“分析判断”部分讨论 Swarm 哲学的合理性与边界、Google 的结构性优势、风险清单,并给开发者提供可执行的应对建议。

To Know:理解 Google Antigravity 的关键概念
| 概念 | 简要解释 |
|---|---|
| Antigravity | Google 的 AI 代理编码产品体系,覆盖 App、IDE、CLI、SDK 与 Extensions |
| import antigravity | Python 内置彩蛋,执行后会打开 xkcd 第 353 号漫画,寓意用 Python 轻松“起飞” |
| Agentic Coding(代理编码) | AI 不只补全代码,而是自主规划、调用工具、执行并迭代完成任务 |
| Orchestrator(编排器) | 负责拆解任务、调度子代理、汇总结果的上层控制组件 |
| Swarm(蜂群) | 多个专业化子代理并行协作的模式,Antigravity 中以 /swarm 形式提供 |
| 有向图执行 | 任务流程以图结构组织,支持分支、合并、循环与回退,而非固定线性步骤 |
| HITL(Human-in-the-Loop) | 人机协同,在关键节点由人类确认、审批或审查代理产出 |
| MCP | 模型上下文协议,用来让代理以统一方式接入外部工具和数据源 |
| Prompt Injection | 通过恶意内容诱导代理执行非预期操作的攻击方式 |
Google Antigravity 影响速览
| 人群 | 主要影响 |
|---|---|
| 普通开发者 | 编码方式从“写代码 + 问 AI”转向“描述目标 + 审查代理产出”,审查能力的重要性上升 |
| Gemini CLI 用户 | 开源 Gemini CLI 的 AI 订阅服务已于 2026 年 6 月 18 日停止,需要迁移到 Antigravity CLI 或改用其他工具 |
| 团队技术负责人 | 需要重新评估权限策略、安全边界与供应商锁定风险,而不只看模型能力 |
| 开源社区 | 核心工具从开源转为闭源,社区可参与和可审计的空间收窄 |
| 非主力语言场景的工程师 | 跨语言、跨领域的小工具开发门槛明显下降,Linus 的案例就是典型 |
Google 押注 Antigravity 的客观事实
Antigravity 名称由来:从 Python 彩蛋到产品哲学
“反重力”一词来自 Python 社区的经典彩蛋。在 Python 中执行 import antigravity 会打开 xkcd 第 353 号漫画,漫画里一个人飞在空中,对方问他怎么飞起来的,他回答“Python!”。Google 借用这个名字,寓意让开发者从重复劳动中“起飞”。
从产品定位看,这个名字标志着从 Copilot 式的 AI 辅助编码,转向由 AI 自主完成任务的代理时代。参考资料中的技术路线演进可以概括为三个阶段:
- Copilot 时代(2021–2024):单行补全 → 多行建议 → Chat 侧边栏
- Agent 时代(2024–2025):以 Devin、Cursor Agent 为代表的自主代理与代理循环
- Swarm 时代(2025–2026 之后):以 Antigravity /swarm 为代表的多代理协作,目标是“虚拟工程团队”

Google 内部的 Antigravity 采用规模与争议
Google 工程总监 Addy Osmani 公开表示,每周有超过 4 万名软件工程师使用代理编码。他还提到,Google 员工可以使用内部版本的 Antigravity、Gemini CLI、定制模型、skills、CLI 和 MCP,Orchestrator、代理循环、虚拟 SWE 团队等系统也都已经在内部投入使用。
争议来自前 Google 工程师 Steve Yegge。他认为 Google 内部的 AI 采用情况和传统企业差不多:约 20% 是重度用户,20% 拒绝使用,60% 只用基础工具。Google DeepMind CEO Demis Hassabis 亲自回应,称这篇帖子“完全错误,纯属标题党”。CEO 级别的高管下场驳斥一条社交媒体帖子并不常见,从侧面可以看出 Google 对代理编码叙事的重视程度。
从 Gemini CLI 迁移到 Antigravity CLI
2026 年 5 月,Google 在开发者博客宣布,开源的 Gemini CLI(TypeScript 编写,Apache 2.0 协议)将于 6 月 18 日停止 AI 订阅服务,用户全面迁移到闭源的 Antigravity CLI(Go 语言编写)。截至本文发布的 2026 年 11 月,这一迁移已经完成数月。
这次迁移有三个明显变化:技术栈从 TypeScript 换成 Go,授权模式从开源变为闭源,定位从社区实验变为核心商业产品。
Antigravity Orchestrator 的三条设计原则
根据素材整理,Antigravity 的 Orchestrator 体现了三条设计取向:
- 图执行而非线性流程:传统代理框架多按 Step 1 → Step 2 → Step 3 顺序执行,Antigravity 采用有向图执行,支持分支、合并、循环和回退。其关键创新是“动态节点”,也就是下一步在运行时决定,而不是预先编译好。
- 声明式而非命令式:开发者定义代理的能力、工具和权限,具体如何完成任务由代理自主决定。
- HITL 作为一等公民:通过 Policies 系统的 ask_user 模式、工具确认流程(Tool Confirmation Flow)和完成后的 Artifact Review,把人类审查嵌入流程。
素材中给出了一段声明式配置的示意代码,展示了这种思路:
# 声明式:定义代理能力和权限(素材示意代码,非完整 SDK 用法)
config = LocalAgentConfig(
system_instructions="You are an expert...",
tools=[get_weather, search_code],
policies=[deny("run_command"), allow("view_file")],
)
# 代理自主决定如何完成任务
这段配置里没有任何“先做什么、再做什么”的步骤描述,只划定了能力范围(tools)和权限边界(policies)。禁止执行命令、允许查看文件,这种“白名单 + 黑名单”的写法,正是 HITL 与安全策略落地的基础。

Antigravity 与竞争对手的产品对位
| 竞争对手 | 代表产品 | Google 的对位产品 |
|---|---|---|
| Microsoft / GitHub | Copilot + Copilot Agent | Antigravity IDE + Extensions |
| Anthropic | Claude Code + Agent SDK | Antigravity SDK + CLI |
| OpenAI | Codex CLI + Swarm | Antigravity /swarm + CLI |
| Cursor | Cursor IDE | Antigravity IDE(VS Code 分支) |
| Cognition | Devin | Antigravity /swarm + Orchestrator |
从表中可以看到,Google 并没有只针对单一对手,而是用五条产品线逐一回应每个细分市场。Antigravity IDE 基于 VS Code 分支,这一点与 Cursor 的路线相同。
Linus Torvalds 用 Antigravity 写 Python
2026 年 1 月 11 日,Linus Torvalds 在其 AudioNoise 项目的 README 中写道,项目里的 Python 可视化工具“基本上是 vibe-coding 写出来的”。他说自己对模拟滤波器的了解都比对 Python 多,一开始还是“搜一下、照猫画虎”的写法,后来干脆“把中间人——也就是我自己——去掉”,直接用 Google Antigravity 完成了音频采样可视化工具。Simon Willison 随后在博客中对此做了报道。
Antigravity 已暴露的安全问题
Simon Willison 在 2025 年 11 月发文分析了 Google Antigravity 存在的数据外泄风险。素材同样指出,Prompt Injection 等攻击面已经被多次证实。这说明代理一旦拥有读文件、执行命令、访问网页的能力,安全问题就不再停留在理论层面。
Google 押注 Antigravity 的分析判断
判断一:Swarm 解决的是单代理的结构性瓶颈
单代理的局限并不只是“模型不够聪明”,更多是结构问题。上下文窗口有上限,复杂任务又同时需要检索、实现、测试、文档等多种能力,长任务还容易出现注意力衰减和幻觉。只靠堆大模型参数,很难同时解决这三个问题。
Swarm 的思路借鉴了蜂群、蚁群的去中心化协作:把大任务拆小,每个子代理只负责一个窄领域,可以并行执行,单点失败也不会拖垮整体。下表对比了两种模式的差异:
| 维度 | 单代理(Single Agent) | 蜂群(Swarm) |
|---|---|---|
| 上下文压力 | 所有信息挤在一个窗口内 | 每个子代理只持有局部上下文 |
| 专业化程度 | 一个代理需兼顾多种能力 | 子代理聚焦单一窄领域 |
| 执行效率 | 串行推进,耗时随任务线性增长 | 子任务并行,总时长显著缩短 |
| 容错能力 | 中途出错常需整体重来 | 单个子代理失败可局部重试 |
| 主要代价 | 长任务质量衰减 | 调度开销、结果一致性与成本上升 |
需要指出的是,Swarm 的优势是有条件的。如果任务本身难以拆分、子任务之间强耦合,并行带来的协调成本可能抵消收益。因此 Orchestrator 的拆解与合并能力才是这套哲学成立的前提,这也解释了 Google 为什么把图执行和动态节点放在核心位置。

判断二:多模型分层是 Swarm 的燃料
Swarm 的另一个隐含前提是模型多样性。并不是每个子代理都需要最强、最贵的模型。代码检索、格式整理这类任务适合轻量模型,架构设计和疑难调试才值得调用旗舰模型。素材提到 Gemini 模型矩阵的 Carbon / Neon / Hydrogen 分层策略,正是为 Swarm 提供不同档位的“工种”。
这个思路并不局限于 Google 生态。自己搭建多代理流程的开发者,同样可以按任务难度为子代理分配不同模型。下表是一个通用的分层思路,模型名称以各平台实际支持的列表为准:
| 子代理角色 | 能力要求 | 模型选择思路 | 调用方式参考 |
|---|---|---|---|
| 任务编排 / 规划 | 强推理、长上下文 | 旗舰级模型 | API易 apiyi.com 统一接口 |
| 代码实现 | 代码能力强、稳定 | 代码表现突出的主力模型 | 同一 API Key 切换模型名 |
| 检索 / 摘要 / 格式化 | 速度快、成本低 | 轻量级模型 | 按量计费,适合高频子任务 |
| 结果审查 | 与实现模型形成交叉校验 | 不同厂商的模型 | 跨厂商对比减少同源偏差 |
用不同厂商的模型做交叉审查,是降低“同一模型自己检查自己”这类盲区的常见做法。如果想在不引入多套 SDK 的前提下验证这种分层设计,可以借助 OpenAI 兼容的聚合接口。下面是一个最小示例,演示如何用同一个客户端调用不同模型完成“实现 + 审查”的两步协作:
import openai
client = openai.OpenAI(
api_key="YOUR_API_KEY",
base_url="https://api.apiyi.com/v1" # API易 OpenAI 兼容接口
)
def ask(model: str, prompt: str) -> str:
resp = client.chat.completions.create(
model=model,
messages=[{"role": "user", "content": prompt}]
)
return resp.choices[0].message.content
# 模型名请替换为平台模型列表中实际可用的名称
code = ask("gemini-2.5-pro", "用 Python 写一个读取 WAV 并绘制波形的函数")
review = ask("claude-sonnet-4-20250514", f"审查以下代码的潜在问题:\n{code}")
print(review)
查看完整示例:简易“编排器 + 并行子代理”实现
import openai
from concurrent.futures import ThreadPoolExecutor
client = openai.OpenAI(
api_key="YOUR_API_KEY",
base_url="https://api.apiyi.com/v1" # API易 统一接入多家模型
)
# 子代理角色 -> 模型映射(名称以平台实际支持为准)
AGENTS = {
"planner": "gemini-2.5-pro",
"coder": "claude-sonnet-4-20250514",
"reviewer": "gpt-4o",
}
def call(model: str, system: str, prompt: str) -> str:
resp = client.chat.completions.create(
model=model,
messages=[
{"role": "system", "content": system},
{"role": "user", "content": prompt},
],
)
return resp.choices[0].message.content
def orchestrate(goal: str) -> dict:
# 1. 规划:拆解为子任务(每行一个)
plan = call(AGENTS["planner"],
"你是任务编排器,把目标拆成 3 个可独立完成的子任务,每行一个。",
goal)
subtasks = [s.strip() for s in plan.splitlines() if s.strip()][:3]
# 2. 并行执行:Swarm 式子代理
with ThreadPoolExecutor(max_workers=3) as pool:
results = list(pool.map(
lambda t: call(AGENTS["coder"], "你是专注单一子任务的工程师。", t),
subtasks))
# 3. 审查:人类审查前的自动交叉校验
merged = "\n\n".join(results)
review = call(AGENTS["reviewer"],
"你是代码审查者,指出风险并给出修改建议。", merged)
return {"subtasks": subtasks, "results": results, "review": review}
if __name__ == "__main__":
out = orchestrate("实现一个音频采样可视化的命令行小工具")
print(out["review"])
这个示例只是最小化地模拟“规划 → 并行 → 审查”的流程,不包含 Antigravity 的动态节点、回退和权限策略。真正用于生产时,还需要补充失败重试、结果合并校验,以及人工确认环节。
🚀 实践建议:在评估是否采用多代理架构之前,先用小规模任务实测不同模型在各个子角色上的表现。通过 API易 apiyi.com 可以用一个 API Key 调用 Gemini、Claude、GPT 等模型,新用户有免费测试额度,适合快速验证分层方案的可行性。
判断三:Google 的结构性优势在“全栈”,而非单点
单看模型或 IDE,Google 都不是唯一选择,但它能把多个环节连成闭环,这是其他竞争对手较难复制的地方:
- 自研 Gemini 模型:可以针对代理场景深度优化,成本也更可控
- Google Cloud:Vertex AI、Cloud Run 覆盖从训练到企业部署的全链路
- Chrome / Web 生态:浏览器扩展让代理能“看到”并“操作”网页,在浏览器测试场景中优势明显
- 超过 4 万名内部用户:这是规模很大的代理编码内测群体,反馈闭环极短
- 搜索与知识图谱:代理可以获取实时信息
- Gemini Spark:把 Antigravity 的运行时能力延伸到普通用户
从 Gemini CLI 迁移到闭源 Antigravity CLI 这一步,可以理解为 Google 在为全栈整合清理道路。开源 CLI 适合社区实验,但很难承载与 Cloud、Chrome、定制模型的深度绑定,以及相应的商业化。这是基于事实的推断,Google 官方公告的表述以“过渡与升级”为主。
判断四:Linus 案例的真正意义在于“跨领域产出”
Linus 的案例经常被解读为“大佬背书”,但更值得关注的是他使用的场景:用自己不熟悉的语言,做自己不擅长领域的辅助工具。“把中间人——我自己——去掉”这句话,准确描述了代理从“辅助”到“自主”的转变。
这对普通开发者的启示是,代理工具最大的边际收益未必出现在你的主力领域,而是在那些你“懂需求但不熟实现”的周边任务上。不过 Linus 本人有极强的判断力,能判断产出是否可用。这个前提并不是每个使用者都具备。
判断五:风险清单决定 Antigravity 的天花板
Google 押注 Antigravity 面临四类风险,我们认为它们的影响程度并不相同:
- 安全漏洞(影响最直接):Prompt Injection、数据外泄已有公开分析。代理权限越大,攻击面越大。Policies 与 HITL 设计能降低风险,但无法消除风险。
- 核心闭源(影响信任):Gemini CLI 从开源转为闭源,可能让部分开源社区开发者持观望态度,企业安全团队也更难审计其行为。
- 生态锁定(影响企业采购):深度绑定 Google Cloud 后,与 AWS、Azure 的兼容性会成为多云企业的顾虑。
- 产品碎片化(影响上手成本):App、IDE、CLI、SDK、Extensions 五条产品线并行,学习曲线较陡,新用户很难判断该从哪里开始。
以下属于预测:未来一段时间,Antigravity 能否从“Google 内部好用”走向“外部开发者首选”,关键可能不在 Swarm 的性能指标,而在 Google 能否在安全与开放性上给出更有说服力的答案。
开发者如何应对 Antigravity 带来的变化
对于正在评估代理编码工具的开发者和团队,可以参考以下做法:
- 把审查能力当作核心技能:代理产出越多,人类越需要判断“这段代码是否可信”,Artifact Review 不应流于形式。
- 从最小权限开始:参考声明式策略的思路,默认禁止执行命令,按需逐项放开。
- 避免单一供应商依赖:编排逻辑与具体模型解耦,保留切换到其他厂商模型的能力。借助 API易 apiyi.com 这类 OpenAI 兼容的聚合接口,只需修改模型名即可切换,降低锁定风险。
- 从可拆分任务入手:先在测试生成、文档补全、脚本工具等低耦合任务上试用 Swarm 模式,再逐步扩大范围。
如果你的团队暂时不打算迁移到 Antigravity,但希望先用多模型协作的方式积累经验,可以用前文示例在 API易 apiyi.com 上搭建一个小型原型。平台按量计费,适合在评估阶段控制成本。
Google 的这次押注,本质上是在回答一个问题:当写代码的主体从人变成一群代理时,谁来定义调度规则、权限边界和审查流程。Antigravity 给出了 Google 的答案,而这个答案是否会成为行业标准,还要看它在安全性、开放性和易用性上接下来的表现。
参考资料
- xkcd 353:import antigravity 彩蛋对应的漫画
- 链接:
xkcd.com/353
- 链接:
- Google 开发者博客:Gemini CLI 迁移至 Antigravity CLI 的官方公告
- 链接:
developers.googleblog.com/an-important-update-transitioning-gemini-cli-to-antigravity-cli
- 链接:
- Linus Torvalds AudioNoise README:Antigravity 使用原文
- 链接:
github.com/torvalds/AudioNoise
- 链接:
- Simon Willison 博客:关于 Linus Torvalds 案例的报道
- 链接:
simonwillison.net/2026/Jan/11/linus-torvalds
- 链接:
- Simon Willison 博客:Google Antigravity 数据外泄安全分析
- 链接:
simonwillison.net/2025/Nov/25/google-antigravity-exfiltrates-data
- 链接:
- Simon Willison 博客:Google I/O 2026 报道
- 链接:
simonwillison.net/2026/May/20/google-io
- 链接:
作者:APIYI 技术团队
技术交流:欢迎访问 API易 apiyi.com 首页联系我们,更多多模型接入资料可查阅 docs.apiyi.com 文档中心