跨国深谈← 返回←让开,别挡模型:Google Antigravity 的智能体团队打法

让开,别挡模型:Google Antigravity 的智能体团队打法

关联

人物 Kevin Hou

公司 antigravity · Gemini · Google DeepMind

概念 智能体 · 子智能体 · 生成式 UI · 边车 · 随智能扩展 · 智能体编排 · Agent Manager · 权限系统 · 评估分析

Google 的智能体编程产品 Antigravity 是什么?讲这些的是 Kevin Howell,Antigravity 工程团队其中一部分的负责人,这是他第五次在 AI Eng 演讲。

开场他打了个比方:你执教阿根廷队,第 89 分钟,队里有 Messi——你会跑什么战术?「把球交给 Messi,然后让开。」LLM 不再只是角色球员,如果你在它周围构建合适的产品,它可以成为你的明星球员;而要让明星球员发挥,你必须让开、不挡在模型的道路上。

核心理念:随智能扩展

Kevin 从 2022 年起构建开发者工具,他说所有经验教训里最突出的一条,就是「随智能扩展」:随着模型变得更好,你的产品也应该变得更好,你所服务的模型的前沿能力,应该在用户的产品体验中清晰可见。

他用自己的经历画出了这条进化线:2022 年做自动补全和聊天侧边栏,基于 embeddings、规则文件、AST 语法树解析,应用里的一切都是确定性的——因为那才是模型能处理的;2024 年智能体登上舞台,带来 MCP、自定义工具、权限系统这些新原语;2025 年 Antigravity 推出 Agent Manager(一个管理和编排多个智能体的平台),许多产品效仿这种形态,催生了 skills、hooks、artifacts 等原语。

但这条路不好走。他坦言「随智能扩展」真的不容易——要拿走用户喜爱且熟悉的东西,把他们引导向一条潜在的(他强调这是个关键词)更好的路径,非常难,而且他们不是 100% 都对。他举了两个挨骂的例子:一是给 AI 终端权限,当年大家都怕模型删光整个代码库,但随着模型变好、加上权限系统这些原语的投入,用户构建得更快、发布得更多,而且是安全地做到的;二是从 Windsurf 移除聊天侧边栏、只留智能体,用户对他大喊大叫——但如今回看,多步骤的智能体式研究与执行已成为新范式。

今天的战役:IDE 之于 Agent Manager,如调试器之于 IDE

Antigravity 2.0 把智能体管理器和 IDE 拆成两个独立应用。Kevin 给出的判断是:IDE 之于智能体管理器,就像调试器之于 IDE——你不总需要调试器,但需要深入抽象栈更下一层时,有它很有帮助。他们的预测是:智能体编排——你可以叫它智能体团队、蜂群、软件工厂——就是未来,他们愿意押注这个未来。

由此提出了 2026 时代的三个新原语:子智能体、生成式 UI、Sidecar。

原语一:动态子智能体,与「智能体团队」

在 Google DeepMind 内部做产品的优越之处,是产品与模型之间有直接关系——Kevin 说,多亏了 Antigravity 产品,Gemini 已经学会了如何管理一个智能体团队;多智能体系统在任务分解、协作上还有很大提升空间,但他们已拿到很好的先发优势。今年四月发布的 Gemini 3.5 Flash 把这些能力推向市场,它不仅擅长执行任务,还非常擅长领导团队,更快更便宜,推动了智能与速度成本之间的 Pareto 曲线。

具体怎么用?输入斜杠命令 /teamwork,就进入一个新模式:你指定任务,越具体越好,但智能体的沟通风格是信息不够时它会主动向你要;一切清楚后,领导智能体会管理一个任意规模的团队来完成工作。

Kevin 的比喻是复仇者联盟——前端工程师、后端工程师、基础设施专家、QA、设计,每个子智能体承担专业化角色,动态生成、可独立运行,甚至可以选用与主智能体不同的模型,而选模型的正是主智能体。「再说一次,我们是在用智能进行扩展。」

最酷的一个方面是它能用生成式 UI:用 Flash 这样快的模型,你问「我的任务状态是什么?」事情几乎瞬间发生——你说「给我看一个看板」,它就生成看板;你想要 Chrome 调试器那样的时间线,它也能即时生成,因为 UI 是按需生成的。

这个系统的实战战绩:他们用智能体团队构建过照片编辑器(浏览器内直接编辑 raw 照片)和一个消息应用,每个动用数百个子智能体、运行近半天。而「英雄任务」是从零构建一个完整的操作系统内核,还在上面运行了 Doom。

数据是:93 个子智能体、12 小时、15,000 次请求、20 亿 token、成本低于 1,000 美元。Kevin 为这个里程碑自豪,因为它证明往这类问题里投入更多智能、更多子智能体,Gemini 3.5 Flash 这样的模型就能以强大、可扩展、还算负担得起的方式完成——当然,没人会每天花几千美元去构建操作系统内核,尽管这是可能的。

内部实战:把研究员的评估分析自动化 90%

第二个例子是他们团队内部在用的:自动化研究任务。他们在 Gemini 内部工作,帮 Gemini 在编码和智能体任务上变得更好,内部版 Antigravity 研究人员、工程师、非技术人员都能用;一旦理解了它提供的原语,它就成了自动化自己工作流的强大方式。

典型场景是并排评估分析:取一组任务跑多次 rollout,得到对照和实验两张表,你不仅要弄清差异是什么,还要弄清差异的原因、以及如何迭代出更好的下一版。传统上这是大量 Jupyter Notebook 的手工苦力。而现在,研究员只需用自然语言向智能体提问——这个已被注入 skills、理解了 Google 庞大 monorepo 代码库的智能体——就能把工作流的 90% 自动化,处理数字、返回差值。

真正酷的是它多做的那一步:它启动一个研究专家智能体,针对差值可能的原因提出 100 个假设,然后为每个假设分裂出一个子智能体并行深挖,汇总回单一响应,交给研究员一份可审阅的报告——而且不止于报告,它还组装出生成式 UI,让你下拉筛选、分段切片,真正丰富地与数据交互。过去你要手工构建异步智能体池、设置评判器、用胶带拼数据管道,现在这些全部建立在子智能体图、生成式 UI 这些新原语之上:一个非常手动的流程,现在只需几分钟;用户要做的只是加载一个技能文件,然后开始提问。

原语二与三:Sidecar 和生成式 UI

Sidecar 是 Antigravity 带来的新插件协议,本质就是一个 sidecar 进程——一个长驻的工具,负责监听:让模型能监听外部世界,并为可能发生的事设置自己的触发器,比如短信、web hooks、cron 任务、对接 GitHub PR,不胜枚举。它是一个通用的插件原语;Antigravity 已经在基于时间的场景中使用它,计划任务 cron 概念就来自它,规范会在今年夏天晚些时候发布,供大家在这个原语之上构建。

生成式 UI 则更激进。Kevin 的原话是:他们假设人类编写的专用 UI 已经有点过时了。Antigravity 上的 Gemini Flash 跑出接近每秒 900 个 token,比很多其他前沿模型的体验快 10 倍——几秒钟内,你脑子里的想法就能变成提示词、再变成一个完美嵌入对话视图的用例;而且不依赖模板或 HTML 文件,UI 是内联渲染的,可以是玩 Doom,也可以是柱状图、表格,任何你想比 markdown 或对话更进一步交互的东西。

他把这比作 Steve Jobs 发布 iPhone 时为移除键盘辩护的那句名言:每台手机都有键盘,不管你需不需要;控制按钮固定在塑料里,对每个应用都一模一样。以类似的方式,他们把产品构建成随智能体的需求动态扩展,跳过沉重的基础设施和机械化的 UI,换来一种「不固定在塑料里」的产品体验。

给构建者的建议

子智能体、Sidecar 触发器、生成式 UI,是驱动 Antigravity 的最新原语。Kevin 的收尾建议:他们尽力不挡路、让模型尽情发挥;如果你在围绕智能体构建产品,应该问自己——我的产品里有哪些原语,它们如何随模型的智能而扩展?

现在发布功能已经很容易,关键是决定到底要加哪些功能,好让你的产品能随下一个模型的发布而扩展——那 inevit地会更快、更好、更便宜。有了正确的原语,你可能会对模型能做到的事情感到惊讶。

本集带走

• 「随智能扩展」是产品演进的第一性原理:模型每变强一档,产品形态就该跟着换——确定性工具(2022)→ 智能体+权限系统(2024)→ 并行管理多智能体(2025)→ 智能体编排(2026)。拿走用户熟悉的东西换更优路径,会挨骂,但模型进步会证明你是对的。
• 智能体团队的用法:/teamwork 进入,主智能体动态生成专业化子智能体(前端/后端/QA/设计等),并行执行、各子智能体可自选模型;跑一个 OS 内核的实测数据是 93 个子智能体、12 小时、20 亿 token、不到 1,000 美元。
• 评估分析也能被智能体团队吃掉:研究员用自然语言提问即可自动化 90% 的对比分析,系统自动生成 100 个假设、每个假设派一个子智能体并行验证,最后以可交互的生成式 UI 交付报告——过去要手工搭智能体池、评判器和数据管道。
• Sidecar 让模型「长出耳朵」:一个长驻监听进程,可对接短信、web hooks、cron、GitHub PR 等外部事件并设置触发器,今年夏天发布规范,是个通用的插件原语。
• 生成式 UI 取代预制界面:Flash 近 900 token/秒的速度让 UI 可以按需内联生成——就像 iPhone 砍掉固定键盘,界面不再「固定在塑料里」。

想象你执教阿根廷队,比赛进行到第 89 分钟,而你的队里有 Messi。
Imagine you are coaching Argentina and you’re in the 89th minute and you have Messi on your team.
—— Kevin Hou · [00:44]

这个战术叫「把球交给 Messi,然后赶紧让开」。
It’s called give Messi the ball and get the heck out of the way.
—— Kevin Hou · [00:53]

LLM 不再只是角色球员了。
LLMs aren’t just role players anymore.
—— Kevin Hou · [00:57]

要让你的明星球员发挥,你必须让开,不要挡在模型的道路上。
And to let your star player cook, you have to get out of the model’s way.
—— Kevin Hou · [01:05]

你所服务的任何模型的前沿能力,应该在你用户的产品体验中清晰可见。
And the frontier edge of whatever model you are serving should be apparent inside of your user’s product experience.
—— Kevin Hou · [03:10]

要拿走用户喜爱且熟悉的东西,把他们引导向一条潜在——这是个关键词——更好的路径,真的非常难。
It’s really hard to take away something that users love and are familiar with to lead them down potentially, and that’s a big keyword, a better path.
—— Kevin Hou · [04:31]

我们相信,IDE 之于智能体管理器,就像调试器之于 IDE。
We believe that the IDE is to the agent manager what the debugger was to the IDE.
—— Kevin Hou · [06:01]

我们的预测是,这种智能体编排的理念——你可以称之为智能体团队、蜂群或软件工厂——就是未来,我们愿意押注于那个未来。
And our prediction is that this idea of agent orchestration, you can call it agent teams, you can call it swarms, you can call it software factories, is the future, and we’re willing to bet on that future.
—— Kevin Hou · [06:14]

而且 Flash 现在不仅擅长执行任务,它实际上非常擅长领导团队。
And Flash now isn’t just good at executing tasks, it’s actually really good at leading teams.
—— Kevin Hou · [08:01]

研究人员只需用自然语言询问智能体相关评估,就能将这个工作流程的 90% 自动化。
So researchers were able to automate 90% of this workflow by simply asking the agent about the evals in question using natural language.
—— Kevin Hou · [12:26]

所以我们假设,人类编写的专用 UI 已经有点过时了。
So we hypothesize that human-written specialized UIs are kind of dead.
—— Kevin Hou · [16:05]