Google Antigravity 2.32.0: динамические воркфлоу на Python, координация роев Swarm и локальные модели в SDKСтатья · дайджест за 18 ноября
Google Antigravity 2.32.0: динамические воркфлоу на Python, координация роев Swarm и локальные модели в SDK
Статья4 раздела≈ 7 мин

Google Antigravity 2.32.0: динамические воркфлоу на Python, координация роев Swarm и локальные модели в SDK

13 ноября 2026 года вышел релиз Google Antigravity 2.32.0. Главные новинки внутри — команда /run-workflow для динамических воркфлоу, обновлённый рой /swarm с доской задач и поддержка локальных моделей Gemma 4 в Python SDK. Авторы платформы убрали управление цепочками агентов из длинного чата и переложили его на обычный Python-скрипт.

Почему длинный чат ломает агентов и при чём тут Python

Думаю, ты не раз видел знакомую историю в долгой переписке с нейросетью. Даёшь агенту многоступенчатую задачу: прочитать файлы, проверить код, поправить баги и собрать сводку. Первые два шага идут бодро, а на третьем модель забывает формат, пропускает проверку или лезет править лишнее.

В отчётах разработчиков это называют дрейфом промпта, или prompt drift. Пока агент открывает файлы, гоняет поиск и собирает логи тестов, всё это сырьё копится в одном окне. Пользователи уже замечали на практике, что длинные диалоги начинают сбиваться, когда контекст забивается примерно на 40%.

Команда /run-workflow выносит сценарий из чата в код. Ты пишешь задачу обычными словами в приложении или терминале, а планировщик открывает встроенный навык Run Workflow и генерирует короткий Python-скрипт. Отдельно ставить Python не нужно: внутри Antigravity уже зашит рантайм версии 3.8 и выше, хотя через переменную ANTIGRAVITY_PYTHON легко подцепить свой интерпретатор.

Перед запуском среда показывает готовый код и ждёт подтверждения. В приложении на выбор дают четыре варианта: разрешить один раз, разрешить в текущем чате, разрешить всегда или отменить. Разрешение привязывается строго к конкретной версии скрипта — изменишь пару строк, и среда спросит снова.

После старта каждый помощник работает в отдельном чате. Прочитанные исходники и логи остаются внутри его сессии, а наверх уходит только компактный JSON, проверенный по JSON Schema — жёсткой анкете обязательных полей без лишней болтовни. Удачный скрипт легко сохранить в файл вроде scripts/review_changes.py или scripts/roundup.py и повторять при каждом релизе.

Под капотом воркфлоу: фазы, параллель, конвейер и клиентский аудит

Разберём устройство воркфлоу на реальном клиентском аудите из демо Джулиана Голди. На входе есть конспект созвона с владельцем бизнеса и пять папок по отделам: продажи, онбординг, оказание услуг, контент и поддержка.

Внутри Python SDK сценарий собирается из четырёх примитивов. Вызов agent запускает отдельного субагента со своим промптом и выбранной моделью. Блок phase делит работу на главы, чтобы логи и карточки агентов группировались по этапам. Вызов parallel запускает одинаковую задачу по всему списку одновременно и возвращает результаты в исходном порядке, но при падении одной ветки отменяет остальные. Конвейер pipeline гоняет шаги строго по очереди, когда следующему агенту нужен вывод предыдущего — например, сначала сводка за неделю, потом список из трёх дел.

В клиентском аудите дополнительно выручает постоянный агент-рецензент. Сначала он читает конспект созвона с владельцем, затем пять агентов отделов в parallel предлагают по три автоматизации, а в финале тот же рецензент оценивает все 15 идей с оглядкой на исходный разговор.

Посмотрим, как выглядит аналогичный сценарий в коде. Допустим, перед релизом нужно проверить пул-реквест из 40 изменённых файлов:

# dynamic_workflow.py: оркестрация проверки репозитория
from antigravity_sdk import workflow, agent, parallel, phase

@workflow.run
async def audit_repository(files: list[str]):
    # Фаза 1: Параллельный статический аудит файлов
    with phase("Security & Quality Audit"):
        audit_results = await parallel(
            files,
            lambda f: agent(
                model="gemini-4-flash",
                prompt=f"Perform static security analysis of file {f}. Return findings.",
                workspace="share",
            )
        )

    # Фаза 2: Сборка единого отчета старшим ревьюером
    with phase("Report Aggregation"):
        summary = await agent(
            model="gemini-4-pro",
            prompt=f"Aggregate findings into markdown summary: {audit_results}",
            workspace="inherit",
        )
    return summary

Разберём этот код по строкам. Декоратор @workflow.run задаёт точку входа, а первый phase запускает через parallel быструю gemini-4-flash для каждого файла — для массовой проверки десятков файлов обычно ставят flash или flash_lite, оставляя старшую gemini-4-pro на финальную сборку во второй фазе.

Учти два правила из практики. Субагенты внутри скрипта не видят сам Python-файл и друг друга, поэтому всю нужную вводную передавай прямо в prompt. Кроме того, параметр workspace задаёт доступ к файлам: inherit работает в текущей папке, share открывает общее дерево без лишнего копирования на диске, а branch поднимает изолированный Git worktree, чтобы пишущие агенты не перетёрли правки соседа.

Когда линейного скрипта мало: рой Swarm и доска задач

Правило выбора простое: если шаги задачи умещаются на стикере, бери /run-workflow на тарифах Google AI Pro или Google AI Ultra. Когда же финал открыт и агентам нужно спорить, тестировать и реагировать на баги на лету, включается /swarm на платных планах.

В рое роли делятся как в живой команде: планировщик режет цель на куски, двое строителей параллельно правят код, тестировщик гоняет проверки, а браузерный субагент сам открывает сайт, кликает формы и ловит ошибки консоли. Координация идёт на общей доске Swarm Board — она открывается по /swarm board или клавишами Alt+S и рисует живой граф зависимостей. При этом спящие в статусе waiting агенты не тратят токены. В тестах с Gemini 4 рой уже собирал сцену Эйфелевой башни на Three.js и воссоздавал офис примерно из 906 000 треугольников.

Локальные агенты на Gemma 4 без облака и реальные ограничения

Когда в работе мелькают письма клиентов или финансовые таблицы, отдавать данные в облако не хочется. В SDK теперь встроена поддержка открытых моделей Gemma 4 вообще без интернета и API-ключей.

На машинах с 24 ГБ памяти и выше можно гонять 26-миллиардную Gemma 4 через движок LiteRT. На обычном ноутбуке с 16 ГБ ОЗУ компактную Gemma 4 запускают через Ollama, LM Studio или vLLM. В примере с офлайн-агентами такой ноутбук сам сортировал почту каждые 10 минут без права удаления файлов, готовил черновики писем, разбирал заметки и собирал HTML-дашборд из выгрузки Search Console на 30 строк. А в гибридном режиме облако лишь строит план по именам файлов, пока 97,2% токенов крутятся локально.

Подключить локальную модель к скрипту можно четырьмя строчками через Ollama:

# Запуск локальной модели Gemma 4 через SDK без обращения к облаку
from antigravity_sdk import LocalModelClient

client = LocalModelClient(provider="ollama", model="gemma-4:9b")
result = client.generate("Analyze internal financial spreadsheet without leaking data.")
print(result.text)

Здесь LocalModelClient связывает скрипт с локальным сервером ollama и весами gemma-4:9b, а generate прогоняет запрос прямо на твоём железе и возвращает текст в result.text. К такому агенту легко подключаются собственные Python-функции и MCP-серверы, причём закрытые файлы остаются на диске.

У автономности есть и обратная сторона. На 16 ГБ ОЗУ рабочее окно контекста ужимается до 16–32 тысяч токенов, хотя Google советует поднимать лимит в Ollama до 64 000 токенов при наличии памяти, иначе длинный прогон оборвётся на середине. Небольшие локальные модели медленнее облачных флагманов и капризнее к размытым промптам, поэтому им лучше давать отдельную папку и одну понятную цель. Наконец, изолированные ветки branch в рое съедают гигабайты на SSD под копии дерева, а неточный запрос может породить лишнее ветвление в скрипте — поэтому читать код на этапе одобрения всё равно придётся.

Хочу подробный разборГолоса помогают выбрать, что разобрать подробно. За этот материал 0 голосов.
Источники · 5