Google 押注 Antigravity,是因爲它判斷 AI 編碼會從“輔助補全”走向“多代理自主協作”。在這個階段,單個模型的能力並不是勝負手,關鍵在於能否調度一羣代理並行完成工程任務。Antigravity 是 Google 爲此打造的全棧載體:上層用 Orchestrator 做圖執行調度,下層用 Swarm 把任務拆給專業化子代理,背後再接上 Gemini 模型、Google Cloud 與 Chrome 生態。代價同樣明確:核心閉源、安全攻擊面擴大、產品線碎片化,這三個問題會直接影響開發者是否願意跟進。
您讀完此文能瞭解到什麼?
- Google 在 2026 年把開源 Gemini CLI 遷移到閉源 Antigravity CLI 的時間線與含義
- Google 內部代理編碼的採用規模,以及圍繞它的公開爭議
- Swarm 爲什麼被認爲優於單代理,Orchestrator 的三條設計原則是什麼
- Antigravity 與 Microsoft、Anthropic、OpenAI、Cursor、Cognition 的產品對位關係
- Linus Torvalds 使用 Antigravity 的案例說明了什麼,以及這條路線的主要風險
索引:先用概念表和影響速覽幫你建立基礎認知。正文的“客觀事實”部分依次梳理名稱由來、Google 內部採用數據、CLI 遷移、Antigravity 的技術設計、競爭格局和 Linus 案例。“分析判斷”部分討論 Swarm 哲學的合理性與邊界、Google 的結構性優勢、風險清單,並給開發者提供可執行的應對建議。

To Know:理解 Google Antigravity 的關鍵概念
| 概念 | 簡要解釋 |
|---|---|
| Antigravity | Google 的 AI 代理編碼產品體系,覆蓋 App、IDE、CLI、SDK 與 Extensions |
| import antigravity | Python 內置彩蛋,執行後會打開 xkcd 第 353 號漫畫,寓意用 Python 輕鬆“起飛” |
| Agentic Coding(代理編碼) | AI 不只補全代碼,而是自主規劃、調用工具、執行並迭代完成任務 |
| Orchestrator(編排器) | 負責拆解任務、調度子代理、彙總結果的上層控制組件 |
| Swarm(蜂羣) | 多個專業化子代理並行協作的模式,Antigravity 中以 /swarm 形式提供 |
| 有向圖執行 | 任務流程以圖結構組織,支持分支、合併、循環與回退,而非固定線性步驟 |
| HITL(Human-in-the-Loop) | 人機協同,在關鍵節點由人類確認、審批或審查代理產出 |
| MCP | 模型上下文協議,用來讓代理以統一方式接入外部工具和數據源 |
| Prompt Injection | 通過惡意內容誘導代理執行非預期操作的攻擊方式 |
Google Antigravity 影響速覽
| 人羣 | 主要影響 |
|---|---|
| 普通開發者 | 編碼方式從“寫代碼 + 問 AI”轉向“描述目標 + 審查代理產出”,審查能力的重要性上升 |
| Gemini CLI 用戶 | 開源 Gemini CLI 的 AI 訂閱服務已於 2026 年 6 月 18 日停止,需要遷移到 Antigravity CLI 或改用其他工具 |
| 團隊技術負責人 | 需要重新評估權限策略、安全邊界與供應商鎖定風險,而不只看模型能力 |
| 開源社區 | 核心工具從開源轉爲閉源,社區可參與和可審計的空間收窄 |
| 非主力語言場景的工程師 | 跨語言、跨領域的小工具開發門檻明顯下降,Linus 的案例就是典型 |
Google 押注 Antigravity 的客觀事實
Antigravity 名稱由來:從 Python 彩蛋到產品哲學
“反重力”一詞來自 Python 社區的經典彩蛋。在 Python 中執行 import antigravity 會打開 xkcd 第 353 號漫畫,漫畫裏一個人飛在空中,對方問他怎麼飛起來的,他回答“Python!”。Google 借用這個名字,寓意讓開發者從重複勞動中“起飛”。
從產品定位看,這個名字標誌着從 Copilot 式的 AI 輔助編碼,轉向由 AI 自主完成任務的代理時代。參考資料中的技術路線演進可以概括爲三個階段:
- Copilot 時代(2021–2024):單行補全 → 多行建議 → Chat 側邊欄
- Agent 時代(2024–2025):以 Devin、Cursor Agent 爲代表的自主代理與代理循環
- Swarm 時代(2025–2026 之後):以 Antigravity /swarm 爲代表的多代理協作,目標是“虛擬工程團隊”

Google 內部的 Antigravity 採用規模與爭議
Google 工程總監 Addy Osmani 公開表示,每週有超過 4 萬名軟件工程師使用代理編碼。他還提到,Google 員工可以使用內部版本的 Antigravity、Gemini CLI、定製模型、skills、CLI 和 MCP,Orchestrator、代理循環、虛擬 SWE 團隊等系統也都已經在內部投入使用。
爭議來自前 Google 工程師 Steve Yegge。他認爲 Google 內部的 AI 採用情況和傳統企業差不多:約 20% 是重度用戶,20% 拒絕使用,60% 只用基礎工具。Google DeepMind CEO Demis Hassabis 親自回應,稱這篇帖子“完全錯誤,純屬標題黨”。CEO 級別的高管下場駁斥一條社交媒體帖子並不常見,從側面可以看出 Google 對代理編碼敘事的重視程度。
從 Gemini CLI 遷移到 Antigravity CLI
2026 年 5 月,Google 在開發者博客宣佈,開源的 Gemini CLI(TypeScript 編寫,Apache 2.0 協議)將於 6 月 18 日停止 AI 訂閱服務,用戶全面遷移到閉源的 Antigravity CLI(Go 語言編寫)。截至本文發佈的 2026 年 11 月,這一遷移已經完成數月。
這次遷移有三個明顯變化:技術棧從 TypeScript 換成 Go,授權模式從開源變爲閉源,定位從社區實驗變爲核心商業產品。
Antigravity Orchestrator 的三條設計原則
根據素材整理,Antigravity 的 Orchestrator 體現了三條設計取向:
- 圖執行而非線性流程:傳統代理框架多按 Step 1 → Step 2 → Step 3 順序執行,Antigravity 採用有向圖執行,支持分支、合併、循環和回退。其關鍵創新是“動態節點”,也就是下一步在運行時決定,而不是預先編譯好。
- 聲明式而非命令式:開發者定義代理的能力、工具和權限,具體如何完成任務由代理自主決定。
- HITL 作爲一等公民:通過 Policies 系統的 ask_user 模式、工具確認流程(Tool Confirmation Flow)和完成後的 Artifact Review,把人類審查嵌入流程。
素材中給出了一段聲明式配置的示意代碼,展示了這種思路:
# 聲明式:定義代理能力和權限(素材示意代碼,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")],
)
# 代理自主決定如何完成任務
這段配置裏沒有任何“先做什麼、再做什麼”的步驟描述,只劃定了能力範圍(tools)和權限邊界(policies)。禁止執行命令、允許查看文件,這種“白名單 + 黑名單”的寫法,正是 HITL 與安全策略落地的基礎。

Antigravity 與競爭對手的產品對位
| 競爭對手 | 代表產品 | Google 的對位產品 |
|---|---|---|
| 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 |
從表中可以看到,Google 並沒有只針對單一對手,而是用五條產品線逐一回應每個細分市場。Antigravity IDE 基於 VS Code 分支,這一點與 Cursor 的路線相同。
Linus Torvalds 用 Antigravity 寫 Python
2026 年 1 月 11 日,Linus Torvalds 在其 AudioNoise 項目的 README 中寫道,項目裏的 Python 可視化工具“基本上是 vibe-coding 寫出來的”。他說自己對模擬濾波器的瞭解都比對 Python 多,一開始還是“搜一下、照貓畫虎”的寫法,後來乾脆“把中間人——也就是我自己——去掉”,直接用 Google Antigravity 完成了音頻採樣可視化工具。Simon Willison 隨後在博客中對此做了報道。
Antigravity 已暴露的安全問題
Simon Willison 在 2025 年 11 月發文分析了 Google Antigravity 存在的數據外泄風險。素材同樣指出,Prompt Injection 等攻擊面已經被多次證實。這說明代理一旦擁有讀文件、執行命令、訪問網頁的能力,安全問題就不再停留在理論層面。
Google 押注 Antigravity 的分析判斷
判斷一:Swarm 解決的是單代理的結構性瓶頸
單代理的侷限並不只是“模型不夠聰明”,更多是結構問題。上下文窗口有上限,複雜任務又同時需要檢索、實現、測試、文檔等多種能力,長任務還容易出現注意力衰減和幻覺。只靠堆大模型參數,很難同時解決這三個問題。
Swarm 的思路借鑑了蜂羣、蟻羣的去中心化協作:把大任務拆小,每個子代理只負責一個窄領域,可以並行執行,單點失敗也不會拖垮整體。下表對比了兩種模式的差異:
| 維度 | 單代理(Single Agent) | 蜂羣(Swarm) |
|---|---|---|
| 上下文壓力 | 所有信息擠在一個窗口內 | 每個子代理只持有局部上下文 |
| 專業化程度 | 一個代理需兼顧多種能力 | 子代理聚焦單一窄領域 |
| 執行效率 | 串行推進,耗時隨任務線性增長 | 子任務並行,總時長顯著縮短 |
| 容錯能力 | 中途出錯常需整體重來 | 單個子代理失敗可局部重試 |
| 主要代價 | 長任務質量衰減 | 調度開銷、結果一致性與成本上升 |
需要指出的是,Swarm 的優勢是有條件的。如果任務本身難以拆分、子任務之間強耦合,並行帶來的協調成本可能抵消收益。因此 Orchestrator 的拆解與合併能力纔是這套哲學成立的前提,這也解釋了 Google 爲什麼把圖執行和動態節點放在覈心位置。

判斷二:多模型分層是 Swarm 的燃料
Swarm 的另一個隱含前提是模型多樣性。並不是每個子代理都需要最強、最貴的模型。代碼檢索、格式整理這類任務適合輕量模型,架構設計和疑難調試才值得調用旗艦模型。素材提到 Gemini 模型矩陣的 Carbon / Neon / Hydrogen 分層策略,正是爲 Swarm 提供不同檔位的“工種”。
這個思路並不侷限於 Google 生態。自己搭建多代理流程的開發者,同樣可以按任務難度爲子代理分配不同模型。下表是一個通用的分層思路,模型名稱以各平臺實際支持的列表爲準:
| 子代理角色 | 能力要求 | 模型選擇思路 | 調用方式參考 |
|---|---|---|---|
| 任務編排 / 規劃 | 強推理、長上下文 | 旗艦級模型 | API易 apiyi.com 統一接口 |
| 代碼實現 | 代碼能力強、穩定 | 代碼表現突出的主力模型 | 同一 API Key 切換模型名 |
| 檢索 / 摘要 / 格式化 | 速度快、成本低 | 輕量級模型 | 按量計費,適合高頻子任務 |
| 結果審查 | 與實現模型形成交叉校驗 | 不同廠商的模型 | 跨廠商對比減少同源偏差 |
用不同廠商的模型做交叉審查,是降低“同一模型自己檢查自己”這類盲區的常見做法。如果想在不引入多套 SDK 的前提下驗證這種分層設計,可以藉助 OpenAI 兼容的聚合接口。下面是一個最小示例,演示如何用同一個客戶端調用不同模型完成“實現 + 審查”的兩步協作:
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
# 模型名請替換爲平臺模型列表中實際可用的名稱
code = ask("gemini-2.5-pro", "用 Python 寫一個讀取 WAV 並繪製波形的函數")
review = ask("claude-sonnet-4-20250514", f"審查以下代碼的潛在問題:\n{code}")
print(review)
查看完整示例:簡易“編排器 + 並行子代理”實現
import openai
from concurrent.futures import ThreadPoolExecutor
client = openai.OpenAI(
api_key="YOUR_API_KEY",
base_url="https://api.apiyi.com/v1" # API易 統一接入多家模型
)
# 子代理角色 -> 模型映射(名稱以平臺實際支持爲準)
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. 規劃:拆解爲子任務(每行一個)
plan = call(AGENTS["planner"],
"你是任務編排器,把目標拆成 3 個可獨立完成的子任務,每行一個。",
goal)
subtasks = [s.strip() for s in plan.splitlines() if s.strip()][:3]
# 2. 並行執行:Swarm 式子代理
with ThreadPoolExecutor(max_workers=3) as pool:
results = list(pool.map(
lambda t: call(AGENTS["coder"], "你是專注單一子任務的工程師。", t),
subtasks))
# 3. 審查:人類審查前的自動交叉校驗
merged = "\n\n".join(results)
review = call(AGENTS["reviewer"],
"你是代碼審查者,指出風險並給出修改建議。", merged)
return {"subtasks": subtasks, "results": results, "review": review}
if __name__ == "__main__":
out = orchestrate("實現一個音頻採樣可視化的命令行小工具")
print(out["review"])
這個示例只是最小化地模擬“規劃 → 並行 → 審查”的流程,不包含 Antigravity 的動態節點、回退和權限策略。真正用於生產時,還需要補充失敗重試、結果合併校驗,以及人工確認環節。
🚀 實踐建議:在評估是否採用多代理架構之前,先用小規模任務實測不同模型在各個子角色上的表現。通過 API易 apiyi.com 可以用一個 API Key 調用 Gemini、Claude、GPT 等模型,新用戶有免費測試額度,適合快速驗證分層方案的可行性。
判斷三:Google 的結構性優勢在“全棧”,而非單點
單看模型或 IDE,Google 都不是唯一選擇,但它能把多個環節連成閉環,這是其他競爭對手較難複製的地方:
- 自研 Gemini 模型:可以針對代理場景深度優化,成本也更可控
- Google Cloud:Vertex AI、Cloud Run 覆蓋從訓練到企業部署的全鏈路
- Chrome / Web 生態:瀏覽器擴展讓代理能“看到”並“操作”網頁,在瀏覽器測試場景中優勢明顯
- 超過 4 萬名內部用戶:這是規模很大的代理編碼內測羣體,反饋閉環極短
- 搜索與知識圖譜:代理可以獲取實時信息
- Gemini Spark:把 Antigravity 的運行時能力延伸到普通用戶
從 Gemini CLI 遷移到閉源 Antigravity CLI 這一步,可以理解爲 Google 在爲全棧整合清理道路。開源 CLI 適合社區實驗,但很難承載與 Cloud、Chrome、定製模型的深度綁定,以及相應的商業化。這是基於事實的推斷,Google 官方公告的表述以“過渡與升級”爲主。
判斷四:Linus 案例的真正意義在於“跨領域產出”
Linus 的案例經常被解讀爲“大佬背書”,但更值得關注的是他使用的場景:用自己不熟悉的語言,做自己不擅長領域的輔助工具。“把中間人——我自己——去掉”這句話,準確描述了代理從“輔助”到“自主”的轉變。
這對普通開發者的啓示是,代理工具最大的邊際收益未必出現在你的主力領域,而是在那些你“懂需求但不熟實現”的周邊任務上。不過 Linus 本人有極強的判斷力,能判斷產出是否可用。這個前提並不是每個使用者都具備。
判斷五:風險清單決定 Antigravity 的天花板
Google 押注 Antigravity 面臨四類風險,我們認爲它們的影響程度並不相同:
- 安全漏洞(影響最直接):Prompt Injection、數據外泄已有公開分析。代理權限越大,攻擊面越大。Policies 與 HITL 設計能降低風險,但無法消除風險。
- 核心閉源(影響信任):Gemini CLI 從開源轉爲閉源,可能讓部分開源社區開發者持觀望態度,企業安全團隊也更難審計其行爲。
- 生態鎖定(影響企業採購):深度綁定 Google Cloud 後,與 AWS、Azure 的兼容性會成爲多雲企業的顧慮。
- 產品碎片化(影響上手成本):App、IDE、CLI、SDK、Extensions 五條產品線並行,學習曲線較陡,新用戶很難判斷該從哪裏開始。
以下屬於預測:未來一段時間,Antigravity 能否從“Google 內部好用”走向“外部開發者首選”,關鍵可能不在 Swarm 的性能指標,而在 Google 能否在安全與開放性上給出更有說服力的答案。
開發者如何應對 Antigravity 帶來的變化
對於正在評估代理編碼工具的開發者和團隊,可以參考以下做法:
- 把審查能力當作核心技能:代理產出越多,人類越需要判斷“這段代碼是否可信”,Artifact Review 不應流於形式。
- 從最小權限開始:參考聲明式策略的思路,默認禁止執行命令,按需逐項放開。
- 避免單一供應商依賴:編排邏輯與具體模型解耦,保留切換到其他廠商模型的能力。藉助 API易 apiyi.com 這類 OpenAI 兼容的聚合接口,只需修改模型名即可切換,降低鎖定風險。
- 從可拆分任務入手:先在測試生成、文檔補全、腳本工具等低耦合任務上試用 Swarm 模式,再逐步擴大範圍。
如果你的團隊暫時不打算遷移到 Antigravity,但希望先用多模型協作的方式積累經驗,可以用前文示例在 API易 apiyi.com 上搭建一個小型原型。平臺按量計費,適合在評估階段控制成本。
Google 的這次押注,本質上是在回答一個問題:當寫代碼的主體從人變成一羣代理時,誰來定義調度規則、權限邊界和審查流程。Antigravity 給出了 Google 的答案,而這個答案是否會成爲行業標準,還要看它在安全性、開放性和易用性上接下來的表現。
參考資料
- xkcd 353:import antigravity 彩蛋對應的漫畫
- 鏈接:
xkcd.com/353
- 鏈接:
- Google 開發者博客:Gemini CLI 遷移至 Antigravity CLI 的官方公告
- 鏈接:
developers.googleblog.com/an-important-update-transitioning-gemini-cli-to-antigravity-cli
- 鏈接:
- Linus Torvalds AudioNoise README:Antigravity 使用原文
- 鏈接:
github.com/torvalds/AudioNoise
- 鏈接:
- Simon Willison 博客:關於 Linus Torvalds 案例的報道
- 鏈接:
simonwillison.net/2026/Jan/11/linus-torvalds
- 鏈接:
- Simon Willison 博客:Google Antigravity 數據外泄安全分析
- 鏈接:
simonwillison.net/2025/Nov/25/google-antigravity-exfiltrates-data
- 鏈接:
- Simon Willison 博客:Google I/O 2026 報道
- 鏈接:
simonwillison.net/2026/May/20/google-io
- 鏈接:
作者:APIYI 技術團隊
技術交流:歡迎訪問 API易 apiyi.com 首頁聯繫我們,更多多模型接入資料可查閱 docs.apiyi.com 文檔中心