Anmerkung des Autors: Mit diesem Artikel wird geklärt, was Antigravity Orchestrator ist, wie Sie darüber mit /swarm Subagenten aussenden und worin sich das Tool in seiner Positionierung von LangGraph und CrewAI unterscheidet.
Zusammenfassung: Antigravity Orchestrator ist die in die Google-Antigravity-Plattform integrierte Koordinations-Engine für Multi-Agenten-Systeme – und kein leichtgewichtiges Framework, das Sie separat per pip installieren könnten. Dieser Artikel erklärt entlang von vier Aspekten – Produktmatrix, drei Abstraktionsebenen, drei Orchestrierungsmodi und dem /swarm-Schwarmmechanismus –, wie das System funktioniert und wofür es geeignet ist.
Fazit vorab: Antigravity Orchestrator lässt sich als „das in der Antigravity-Plattform verborgene Gehirn für die Aufgabenverteilung“ verstehen. Geben Sie in der IDE, der Web-App oder der CLI Slash-Befehle wie /swarm oder /teamwork ein, ruft es im Hintergrund die Task-API und die Workflow Runtime des SDK auf, zerlegt eine große Aufgabe in mehrere Teilaufgaben, übergibt diese an parallel arbeitende Subagenten und fasst deren Ergebnisse am Ende zu Deliverables zusammen. Im November 2026 hielt der Orchestrator mit Gemini 4 Neon offiziell Einzug in Antigravity. Als Gemini 4 Carbon am 10. November vollständig freigegeben wurde, demonstrierte Sundar Pichai live die /swarm-Fähigkeiten – seither ist diese Funktion einer breiten Öffentlichkeit bekannt.
Ob sich die Einarbeitung lohnt, hängt von zwei Bedingungen ab. Erstens: Lassen sich Ihre Aufgaben in voneinander unabhängige, parallel verarbeitbare Teile zerlegen? Zweitens: Können Sie akzeptieren, dass die Plattform auf Gemini als Optimierungsziel ausgerichtet ist und ihre Kern-Engine nicht quelloffen ist? Sind beide Bedingungen erfüllt, senkt der Orchestrator den Aufwand für den Aufbau der Multi-Agenten-Kollaboration deutlich. Wenn Sie eine modellunabhängige, vollständig quelloffene Lösung suchen, sind Python-Bibliotheken wie LangGraph und CrewAI weiterhin die bessere Wahl.

Antigravity Orchestrator: Wissenskarte und Leseindex
Die folgende Tabelle zeigt die Wissensstruktur des Artikels, die Abhängigkeiten zwischen den Kapiteln sowie die Frage, die jeder Abschnitt beantwortet. Der rote Faden reicht von „Zu was gehört es?“ über „Wie funktioniert es?“ bis zu „Sollte ich es einsetzen – und wie fange ich an?“
| Nr. | Thema | Fragestellung | Bezug zu den Nachbarabschnitten |
|---|---|---|---|
| 1 | Hintergrund der Antigravity-Plattform | In welchem Produkt-Ökosystem läuft der Orchestrator? | Liefert den Plattform-Kontext für Abschnitt 2 |
| 2 | Die drei Abstraktionsebenen des Orchestrators | Was ist er technisch genau? | Die Mechanismen in Abschnitt 3 und 4 bauen auf diesen drei Ebenen auf |
| 3 | Drei Orchestrierungsmodi | Worin unterscheiden sich /swarm, /teamwork und /run-workflow? | Von den drei Modi wird /swarm ausgewählt und in Abschnitt 4 vertieft |
| 4 | Der Schwarm-Mechanismus von /swarm | Wie zerlegt der Haupt-Agent Aufgaben und verteilt Subagenten? | Anhand realer Beispiele liefert er die Grundlage für den Vergleich in Abschnitt 5 |
| 5 | Vergleich mit Frameworks wie LangGraph | Wann ist es die richtige Wahl – und wann nicht? | Bietet Entscheidungskriterien für die Auswahl und überleitet zum Einstieg in Abschnitt 6 |
| 6 | Einstieg und Code | Wie startet man komplett von null? | Setzt die bisherigen Konzepte auf der Code-Ebene um |
| 7 | Best Practices und Auswirkungen | Wie lassen sich Modellwahl, Berechtigungen und Kosten steuern? | Mündet in konkret umsetzbare Empfehlungen |
Wer nur wissen möchte, was es ist, dem reichen die Abschnitte 1 bis 3. Wer eine Technologieauswahl trifft, sollte vor allem die Abschnitte 4 und 5 lesen. Und wer direkt praktisch durchstarten will, kann einfach zu den Abschnitten 6 und 7 springen.
🎯 Technischer Tipp: Der schnellste Weg, Multi-Agent-Orchestrierung zu verstehen, ist den Ablauf „Zerlegen – Parallelisieren – Zusammenführen“ einmal selbst durchzuspielen. Abschnitt 6.3 zeigt eine simulierte Implementierung auf Basis einer OpenAI-kompatiblen Schnittstelle: Über APIYI (apiyi.com) lässt sich mit nur einem Key verschiedene Modelle aufrufen, die dann als Haupt-Agent und Subagenten fungieren.
To Know: Die wichtigsten Begriffe zum Verständnis von Antigravity Orchestrator
| Begriff | Kurz erklärt |
|---|---|
| Agent | Eine Modellinstanz, die Tools aufrufen und mehrstufige Aufgaben selbstständig erledigen kann |
| Haupt-Agent (Orchestrator Agent) | Der zentrale Koordinator, der Aufgaben analysiert und zerlegt, Subagenten verteilt und deren Ergebnisse zusammenführt |
| Subagent | Ein Agent, der eine Teilaufgabe übernimmt – er lässt sich zur Laufzeit dynamisch erstellen oder vorab definieren |
| Fan-out / Fan-in | Fan-out bezeichnet die Verteilung einer Aufgabe an mehrere Ausführende, Fan-in das Zusammenführen mehrerer Ergebnisse an einer zentralen Stelle |
| Artifacts | Die Endprodukte, die ein Agent liefert – etwa Code, Dateien oder lauffähige Anwendungen |
| Workflow Runtime | Die auf Graphen basierende Ausführungs-Engine im Antigravity SDK, die für Zustandsverwaltung und Knotenplanung zuständig ist |
1 Die Plattform, auf der Antigravity Orchestrator läuft: Was ist Antigravity?
1.1 Woher der Name Antigravity kommt
„Antigravity“ lässt sich wörtlich mit „Antigravitation” übersetzen – die Idee dahinter: Die Entwicklung soll sich von den Fesseln des klassischen Solo-Codings lösen und – wie im Zustand der Schwerelosigkeit – „abheben”. Viele Entwickler vermuten, dass der Name vom Python-Easter-Egg import antigravity inspiriert ist. Dieses Easter Egg stammt aus einem xkcd-Comic; führt man diese Zeile aus, öffnet sich der Comic im Browser. Google positioniert Antigravity als Entwicklerplattform für die „agent-first era” (das Zeitalter, in dem Agenten im Mittelpunkt stehen): Die Agenten übernehmen die Hauptarbeit, während Menschen Ziele beschreiben und die Ergebnisse prüfen.
1.2 Antigravity ist eine Produktmatrix
Wer zum ersten Mal von Antigravity hört, hält es oft für eine IDE. Tatsächlich handelt es sich um eine Reihe von Produkten für unterschiedliche Einsatzszenarien, und die Orchestrator-Fähigkeiten verteilen sich über diese Produktformen:
| Produkt | Form | Haupteinsatzzweck |
|---|---|---|
| Antigravity App | Web-Anwendung | Vollwertige Agenten-Programmierung direkt im Browser |
| Antigravity IDE | Desktop-Anwendung | VS-Code-Fork mit tief integrierten Agenten-Fähigkeiten |
| Antigravity CLI | Kommandozeilen-Tool | Terminal-Agent, geschrieben in Go |
| Antigravity SDK | Python-Bibliothek | Entwicklung eigener Agenten |
| Antigravity Extensions | IDE-Plugins | Agenten-Fähigkeiten in bestehende Editoren integrieren |
Diese Tabelle verdeutlicht einen zentralen Punkt: Slash-Befehle tauchen in interaktiven Oberflächen wie App, IDE und CLI auf, während das SDK die programmierbare Schnittstelle bereitstellt. In Abschnitt 2, wo es um die drei Abstraktionsebenen geht, werden Sie sehen, wie diese beiden Aspekte ineinandergreifen.
1.3 Der Release-Zeitplan von Antigravity Orchestrator
Der Orchestrator ist nicht aus dem Nichts entstanden – er ist das Ergebnis einer schrittweisen Weiterentwicklung der Antigravity-Plattform über ein Jahr hinweg. In chronologischer Reihenfolge sind dies die wichtigsten Meilensteine:
- 18. November 2025: Antigravity IDE startet gemeinsam mit Gemini 3 Pro am selben Tag.
- Mai 2026 (Google I/O): Veröffentlichung von Gemini 3.5 Flash sowie von Gemini Spark auf Basis der Antigravity-Runtime.
- 18. Juni 2026: Die Open-Source-Variante Gemini CLI wird eingestellt; die vollständige Migration zur Closed-Source-Antigravity CLI erfolgt.
- November 2026: Gemini 4 Neon und der Orchestrator halten offiziell Einzug in Antigravity.
- 10. November 2026: Gemini 4 Carbon wird vollständig freigeschaltet; Sundar Pichai demonstriert
/swarm.
Aus dieser Timeline lässt sich ein klarer Trend ablesen: Google bündelt die Agenten-Fähigkeiten in Terminal, IDE und Browser zunehmend unter der Antigravity-Runtime, und der Orchestrator bildet darüber die Koordinationsschicht.
2 Was ist der Antigravity Orchestrator: Die drei Abstraktionsebenen im Detail
2.1 Die grundlegende Einordnung des Antigravity Orchestrators
Einige Artikel bezeichnen den Antigravity Orchestrator als „leichtgewichtiges Swarm-Framework“. Diese Beschreibung verleitet jedoch zu der Annahme, es handle sich um eine eigenständige Bibliothek. Präziser ist: Er ist die in die Antigravity-Plattform integrierte Koordinations-Engine für Multi-Agenten-Systeme. Unter der Haube entspricht er der Workflow Runtime und der Task API im SDK; nach oben wird er über Slash-Befehle oder die SDK API ausgelöst. Das „leichtgewichtig“ zeigt sich dabei im Umgang: Man braucht nur einen einzigen Befehl und muss weder Graphstrukturen noch Zustandsmaschinen von Hand schreiben.
2.2 Die drei Layer des Antigravity Orchestrators
Die Fähigkeiten des Orchestrators gliedern sich von oben nach unten in drei Ebenen. Die obere Ebene ruft die darunterliegende auf – je weiter unten, desto näher an den Ausführungsdetails:
Layer 1: Slash-Befehle /swarm, /teamwork, /plan
↓ Für Anwender: ein einziger Befehl löst die Orchestrierung aus
Layer 2: SDK API Agent, Subagent, Task API
↓ Für Entwickler: Agenten und Aufgaben per Code definieren
Layer 3: Workflow Runtime Graph-Ausführungs-Engine, Fan-out/Fan-in, Zustandsverwaltung
Für die Laufzeit: zuständig für Scheduling, Parallelität und Zustand
Der unmittelbare Vorteil dieser Schichtung: „dieselbe Engine, mehrere Einstiegspunkte“. Produktmanager tippen in der IDE einfach /swarm ein, Backend-Entwickler schreiben dieselbe Orchestrierungslogik mit dem SDK – am Ende werden beide von der Workflow Runtime ausgeführt. Wer das verstanden hat, erkennt auch die Unterschiede zwischen den drei folgenden Modi leicht: Auf Layer 1 treten sie lediglich als unterschiedliche Einstiegspunkte auf, auf Layer 3 entsprechen sie unterschiedlichen Graphformen.

3 Die drei Orchestrierungsmodi des Antigravity Orchestrator
Der Orchestrator bietet drei Orchestrierungsmodi an. Sie unterscheiden sich darin, ob die Sub-Agenten laufend miteinander interagieren müssen und ob der Ablauf vorab festgelegt ist. Die falsche Moduswahl ist das häufigste Problem bei Einsteigern – daher zuerst ein Vergleich:
| Modus | Aufruf | Kollaborationsform | Geeignete Aufgaben |
|---|---|---|---|
| Swarm-Modus | /swarm |
Mehrere Sub-Agenten werden einmalig parallel abgeschickt, am Ende werden die Ergebnisse zusammengeführt | Große Aufgaben, die sich in unabhängige Teile zerlegen lassen |
| Teamwork-Modus | /teamwork |
Ein Agenten-Team arbeitet kontinuierlich über mehrere Iterationen hinweg zusammen | Komplexe Projekte mit wiederholter Abstimmung und wechselseitigen Abhängigkeiten |
| Workflow-Modus | /run-workflow |
Vordefinierter gerichteter Graph mit Verzweigungen, Schleifen und bedingtem Routing | Aufgaben mit festgelegtem Ablauf, die zuverlässig reproduzierbar sein müssen |
Für die Entscheidung können Sie die folgenden Fragen der Reihe nach durchgehen. Ist der Ablauf jedes Mal derselbe, wählen Sie Workflow. Ist der Ablauf nicht festgelegt, die Teilaufgaben aber kaum aufeinander angewiesen, wählen Sie Swarm. Müssen die Teilaufgaben dagegen hin- und herabgestimmt werden – etwa wenn eine Schnittstellenänderung im Frontend eine Anpassung im Backend nach sich zieht –, dann ist Teamwork die richtige Wahl. Swarm bietet den höchsten Grad an Parallelisierung und die kürzeste Wartezeit, stellt aber auch die höchsten Anforderungen an die Zerlegbarkeit der Aufgabe.
4 Der /swarm-Schwarmmechanismus des Antigravity Orchestrators
4.1 Der fünfstufige Arbeitsablauf von /swarm
/swarm ist die charakteristischste Fähigkeit des Orchestrators. Der vollständige Ablauf lässt sich in fünf Schritte unterteilen:
- Der Nutzer gibt den Befehl
/swarmein, zusammen mit einer Aufgabenbeschreibung. - Der Hauptagent (Orchestrator Agent) analysiert die Aufgabe und zerlegt sie automatisch in mehrere Teilaufgaben.
- Für jede Teilaufgabe wird dynamisch ein Subagent erstellt – die sogenannten „dynamisch selbstklonierenden Subagenten“.
- Die Subagenten arbeiten parallel, und ihre Ergebnisse laufen beim Hauptagenten zusammen.
- Der Hauptagent führt die Ausgaben zusammen und erzeugt die finalen Artifacts.
Schritt 2 und Schritt 5 bestimmen die Qualität des Endergebnisses. Wird die Aufgabe unsauber zerlegt, arbeiten die Subagenten redundantly oder lassen Teile aus; fehlt es an Integrationsfähigkeit, lassen sich die Einzelteile nicht zu einem brauchbaren Ganzen zusammenfügen. Der Hauptagent sollte daher in der Regel ein Modell mit stärkeren Reasoning-Fähigkeiten verwenden.
4.2 Dynamische und statische Subagenten
Der Antigravity Orchestrator unterstützt zwei Arten von Subagenten, die sich auch innerhalb derselben Aufgabe kombinieren lassen:
- Dynamisch selbstklonierende Subagenten: werden bei Bedarf zur Laufzeit erstellt, erben einen Teil des Kontexts des Hauptagenten und eignen sich für spontan abgetrennte Teilaufgaben.
- Statische benutzerdefinierte Subagenten: vordefinierte Spezialagenten mit festen Systemanweisungen und einem festen Werkzeugsatz, geeignet für wiederkehrende Fachaufgaben wie Code-Reviews oder die Generierung von Tests.
Ein weiteres bemerkenswertes Designmerkmal: Jeder Subagent kann ein anderes Modell verwenden. So lässt sich etwa Carbon für Teile mit anspruchsvollem Reasoning einsetzen, während Hydrogen schnelle, einfache Teile übernimmt. Dieses Prinzip der „Modellzuweisung nach Aufgabenschwierigkeit“ ist der zentrale Hebel, mit dem Multi-Agenten-Systeme ihre Kosten steuern – Abschnitt 7 geht darauf im Detail ein.
4.3 Praxisbeispiel: Wie Pelican Campus Quest zerlegt wurde
Das von Sundar Pichai vorgeführte /swarm-Beispiel ist ein hervorragendes Anschauungsobjekt. Der Hauptagent erhielt die Aufgabe: „Baue ein Open-World-3D-Spiel, in dem man mit einem GBike über das Google-Gelände in Mountain View erkundet.“ Er zerlegte die Aufgabe in drei parallele Stränge:
- 3D-Asset-Modellierung: Der Subagent arbeitet mit Blender und verwendet Materialien, die von Omni / Nano Banana erzeugt wurden.
- Aufbau der Game Engine: Der Subagent nutzt Three.js und WebGL-Shader.
- Audiosystem: Der Subagent kombiniert die Web Audio API mit Musik von Lyria.
Am Ende wurden die drei Teile automatisch zu einem im Browser spielbaren Spiel zusammengeführt. Dass sich dieses Beispiel so gut für Swarm eignet, liegt daran, dass die drei Bereiche – Modell, Engine und Audio – nur auf Schnittstellenebene gemeinsame Formate vereinbaren mussten und sich während der Entwicklung kaum gegenseitig aufhielten. Genau das ist die „Zerlegbarkeit“, von der in Abschnitt 3 die Rede war.
5 Antigravity Orchestrator im Vergleich zu LangGraph, CrewAI und AutoGen
5.1 Vergleichsmaßstab
Der folgende Vergleich betrachtet ausschließlich die Unterschiede in der Positionierung, nicht die Leistung – denn die Formate sind grundlegend verschieden: eines ist eine vollständige Plattform, die anderen sind Python-Bibliotheken. Die Vergleichsdimensionen umfassen Produktpositionierung, Agentenabstraktion, Browser-Integration, Modellbindung, Deployment-Art und Open-Source-Grad.

| Dimension | Antigravity | LangGraph | CrewAI | AutoGen |
|---|---|---|---|---|
| Positionierung | Vollständige IDE + Plattform | Python-Bibliothek | Python-Bibliothek | Python-Bibliothek |
| Agentenmodell | Dynamisches Selbstklonen + statisch | Graphknoten | Rollendefinition | Konversationsagenten |
| Browser-Integration | Native Chrome-Erweiterung | Keine | Keine | Keine |
| Modellbindung | Für Gemini optimiert | Modellunabhängig | Modellunabhängig | Modellunabhängig |
| Deployment | Cloud Run / Docker | Eigenes Deployment | Eigenes Deployment | Eigenes Deployment |
| Open Source | SDK offen, Kern geschlossen | Vollständig Open Source | Open Source | Open Source |
| Empfehlung für Multi-Modell-Anbindung | Innerhalb des Gemini-Ökosystems | Über APIYI apiyi.com einheitlich anbindbar | Wie links | Wie links |
5.2 Auswahlentscheidung
LangGraph bleibt bei der Kontrollierbarkeit der Graphstruktur und beim vollständigen Open-Source-Ansatz führend, verlangt aber, dass Sie IDE-Integration, Browser-Steuerung und Deployment-Kette selbst aufbauen. Antigravity Orchestrator punktet beim Thema „out of the box“: Ein einziger /swarm-Befehl übernimmt Aufteilung, Parallelisierung und Zusammenführung – und der Browser lässt sich nativ bedienen. CrewAI überzeugt durch eine intuitive Rollendefinition, AutoGen ist stark, wenn die Zusammenarbeit über Dialoge getrieben wird; beide setzen allerdings ebenfalls voraus, dass Sie Deployment und Toolchain selbst stemmen.
Daraus lässt sich eine einfache Faustregel ableiten: Setzt Ihr Team Gemini bereits intensiv ein und möchten Sie Multi-Agenten-Funktionen direkt in der IDE nutzen, dann wählen Sie Antigravity; müssen Sie zwischen Modellen verschiedener Anbieter wechseln oder legen Sie Wert auf die Auditierbarkeit der Kern-Engine, dann sind die Open-Source-Bibliotheken die richtige Wahl.
💡 Auswahl-Tipp: Wenn Sie den Weg über Open-Source-Bibliotheken gehen, empfiehlt es sich, die Modellanbindung über eine einheitliche, OpenAI-kompatible Schnittstelle zu lösen. Über APIYI apiyi.com genügt ein einziger Key, um in LangGraph oder CrewAI zwischen Modellen wie GPT, Claude und Gemini zu wechseln – so lassen sich im selben Orchestrierungsgraphen verschiedenen Knoten unterschiedliche Modelle zuweisen.
6. Der Weg zum Einstieg in Antigravity Orchestrator von Grund auf
6.1 Empfohlene Lernreihenfolge
Nach dem Prinzip „erst nutzen, dann selbst schreiben, zuletzt optimieren“ lässt sich der Einstieg in sieben Schritte gliedern:
- Konzepte: Verstehe, was Antigravity ist und warum man es braucht (Abschnitte 1 bis 2 dieses Artikels).
- Installation: Wähle eine der drei Varianten – Web App, IDE-Download oder Installation über die Kommandozeile.
- Erster Agent: Schreibe mit dem SDK einen Hello-World-Agenten.
- Orchestrator verstehen: Lerne das Zusammenspiel von Workflow Runtime und Task API kennen.
- Erster Swarm: Führe
/swarmin der IDE oder per CLI tatsächlich aus. - Subagenten vertiefen: Vergleiche die Ergebnisse dynamischer und statischer Subagenten.
- Best Practices: Modellauswahl, Berechtigungsverwaltung und Kostenkontrolle.
6.2 Den ersten Agenten mit dem Antigravity SDK schreiben
Der minimale Agent des SDK benötigt nur ein Konfigurationsobjekt und einen einzigen Gesprächsaufruf:
from google.antigravity import Agent, LocalAgentConfig
config = LocalAgentConfig(
system_instructions="You are an expert assistant.",
)
async with Agent(config) as agent:
response = await agent.chat("Hello!")
print(await response.text())
Wenn Sie eine Streaming-Ausgabe benötigen, können Sie response einfach direkt iterieren. Auch dem Agenten Tools hinzuzufügen ist ganz einfach – übergeben Sie einfach gewöhnliche Python-Funktionen an tools:
import sys
# Streaming-Antwort
async for token in response:
sys.stdout.write(token)
sys.stdout.flush()
# Eigenes Tool definieren
def get_weather(city: str) -> str:
return f"It's sunny in {city}."
config = LocalAgentConfig(tools=[get_weather])
Die Typannotationen in der Funktionssignatur helfen dem Agenten, die Bedeutung der Parameter zu verstehen. In echten Projekten empfiehlt es sich außerdem, den Tool-Funktionen aussagekräftige Docstrings mitzugeben – so fällt es dem Hauptagenten beim Zerlegen einer Aufgabe leichter zu entscheiden, welches Tool an welchen Sub-Agenten übergeben werden soll.
6.3 Fan-out und Fan-in des Schwarms mit einer OpenAI-kompatiblen Schnittstelle simulieren
Die Kern-Engine des Orchestrators ist Closed Source, doch das Prinzip „Aufteilen – parallel ausführen – zusammenführen“ lässt sich mit beliebigen Modellen nachbilden. Der folgende Code simuliert eine minimale Version von /swarm: Der Haupt-Agent übernimmt Zerlegung und Zusammenführung, die Sub-Agents arbeiten parallel. Es ist keine Implementierung von Antigravity, sondern ein Lehrbeispiel, das den Fünfschritte-Prozess aus Abschnitt 4.1 verständlich macht.
import asyncio
from openai import AsyncOpenAI
client = AsyncOpenAI(
api_key="YOUR_API_KEY",
base_url="https://api.apiyi.com/v1" # OpenAI-kompatible Schnittstelle von APIYI
)
PLANNER_MODEL = "your-reasoning-model" # Haupt-Agent: Modell mit starkem Reasoning, maßgeblich ist die Modellliste der Plattform
WORKER_MODEL = "your-fast-model" # Sub-Agent: schnelles und kostengünstiges Modell
async def ask(model: str, system: str, prompt: str) -> str:
resp = await client.chat.completions.create(
model=model,
messages=[{"role": "system", "content": system},
{"role": "user", "content": prompt}],
)
return resp.choices[0].message.content
Vollständigen Simulationscode des Schwarms anzeigen
import asyncio
from openai import AsyncOpenAI
client = AsyncOpenAI(
api_key="YOUR_API_KEY",
base_url="https://api.apiyi.com/v1" # Ein einzelner Key für mehrere Modelle
)
PLANNER_MODEL = "your-reasoning-model"
WORKER_MODEL = "your-fast-model"
async def ask(model: str, system: str, prompt: str) -> str:
resp = await client.chat.completions.create(
model=model,
messages=[{"role": "system", "content": system},
{"role": "user", "content": prompt}],
)
return resp.choices[0].message.content
async def swarm(task: str, max_workers: int = 3) -> str:
# Schritt 2: Der Haupt-Agent zerlegt die Aufgabe (vor dem Fan-out)
plan = await ask(
PLANNER_MODEL,
"你是主代理。把任务拆成互相独立、可并行的子任务,每行一个,不要编号。",
task,
)
subtasks = [s.strip("- ").strip() for s in plan.splitlines() if s.strip()]
subtasks = subtasks[:max_workers]
# Schritt 3–4: Für jede Teilaufgabe einen Sub-Agenten erstellen und parallel ausführen (Fan-out)
results = await asyncio.gather(*[
ask(WORKER_MODEL, "你是只负责单一子任务的子代理,输出简洁可交付的结果。", s)
for s in subtasks
])
# Schritt 5: Der Haupt-Agent führt die Ergebnisse zusammen (Fan-in)
merged = "\n\n".join(f"【{s}】\n{r}" for s, r in zip(subtasks, results))
return await ask(
PLANNER_MODEL,
"你是主代理。整合子代理的产出,消除重复与冲突,输出最终方案。",
f"原始任务:{task}\n\n子代理产出:\n{merged}",
)
if __name__ == "__main__":
print(asyncio.run(swarm("为一个浏览器小游戏设计美术、玩法和音效三部分方案")))
Dieser Code demonstriert zwei zentrale Punkte: Haupt-Agent und Sub-Agents nutzen unterschiedliche Modelle, und die Teilaufgaben werden über asyncio.gather parallel ausgeführt. Halten Sie ihn neben Abschnitt 4, dann sehen Sie, welche Arbeiten der Orchestrator Ihnen in Layer 3 automatisch abnimmt – darunter Zustandsverwaltung, Wiederholungsversuche bei Fehlern und die Konsolidierung der Ergebnisse.
🚀 Schnellstart: Das obige Beispiel lässt sich direkt ausführen – Sie benötigen nur einen Key von APIYI auf apiyi.com und müssen die beiden Modellnamen durch auf der Plattform verfügbare Modelle ersetzen. Neue Nutzer erhalten ein kostenloses Testguthaben, das für mehrere Runden aus Zerlegung und Zusammenführung ausreicht.
7 Bewährte Praktiken und Auswirkungen des Antigravity Orchestrators
7.1 Modellauswahl: Nach Aufgabenschwierigkeit staffeln
Die Kosten eines Multi-Agenten-Systems steigen mit der Anzahl der Unteragenten um ein Vielfaches – die Staffelung der Modelle ist daher der wichtigste Grundsatz. Aufgaben, die die Gesamtqualität bestimmen, wie das Zerlegen und Zusammenführen, gehören zu leistungsstarken Reasoning-Modellen, etwa Carbon in Antigravity; Formatumwandlungen, Boilerplate-Code und einfache Abfragen übernehmen schnelle Modelle wie Hydrogen. Wer eine ähnliche Architektur außerhalb von Antigravity nachbauen möchte, kann diese Staffelungslogik eins zu eins übernehmen: Über APIYI (apiyi.com) lassen sich in ein und demselben Code verschiedenen Rollen unterschiedliche Modelle zuweisen – erst Qualität und Kosten vergleichen, dann die Konfiguration festlegen.
7.2 Berechtigungsverwaltung: Werkzeugumfang der Unteragenten einschränken
Dynamische Unteragenten erben einen Teil des Kontexts des Hauptagenten. Werden die Werkzeugberechtigungen nicht eingeschränkt, kann ein einzelner Unteragent Aktionen ausführen, die über seinen Verantwortungsbereich hinausgehen. Der sicherere Weg: Fähigkeiten wie das Schreiben von Dateien, das Ausführen von Befehlen und die Steuerung des Browsers gehören in statische, benutzerdefinierte Unteragenten, deren Systemanweisungen und Werkzeugsatz klar definiert sind; dynamische Unteragenten übernehmen ausschließlich Lese- oder Generierungsaufgaben. Bei Vorgängen, die eine Produktivumgebung betreffen, sollte stets ein manueller Bestätigungsschritt vorgesehen bleiben.
7.3 Kostenkontrolle: Erst abschätzen, dann die Parallelität ausbauen
Je höher der Parallelitätsgrad von /swarm, desto kürzer die Wartezeit – aber auch desto höher der Token-Verbrauch. Empfehlung: Beobachten Sie zuerst bei kleinen Aufgaben, in wie viele Teilaufgaben der Hauptagent sie üblicherweise zerlegt und wie viel jede einzelne verbraucht, bevor Sie auf größere Aufgaben hochskalieren. Für budgetempfindliche Teams bietet es sich an, die Zerlegungsstrategie zunächst in einer Open-Source-Orchestrierungsbibliothek mit günstigen Modellen zu validieren. Der nutzungsabhängig abgerechnete Dienst APIYI (apiyi.com) hält die Kosten der Experimente gut kontrollierbar; hat sich der Ablauf bewährt, können Sie zu Antigravity wechseln und die vollständigen Plattformfunktionen nutzen.
7.4 Auswirkungen des Antigravity Orchestrators auf Entwickler
Mit dem Orchestrator verlagert sich die Multi-Agenten-Orchestrierung von „Ingenieuren, die Graphstrukturen von Hand schreiben“ hin zu „Nutzern, die einen einzigen Befehl auslösen“. Das senkt die Einstiegshürde, bringt aber auch eine Plattformbindung mit sich: Die Open-Source-Variante der Gemini CLI wurde eingestellt, die zentrale Engine ist Closed Source und vor allem auf Gemini optimiert. Für Einzelentwickler und Teams, die ohnehin auf Gemini setzen, ist das ein spürbarer Effizienzgewinn; für Teams, die mehrere Modelle, Auditierbarkeit und private Deployments benötigen, bleibt die Kombination aus Open-Source-Framework und einheitlicher Modellzugriffsschicht die flexiblere Wahl.
Die einfachste Entscheidungsregel lautet: Nehmen Sie eine echte Aufgabe aus Ihrem Arbeitsalltag und versuchen Sie, sie in drei voneinander unabhängige Teilaufgaben zu zerlegen. Gelingt das, wird Ihnen /swarm vermutlich viel Zeit sparen; gelingt es nicht, sind der Teamwork- oder der Workflow-Modus – oder schlicht ein einzelner Agent – der besser geeignete Ausgangspunkt.

Weiterführende Quellen
-
xkcd 353 – Python: Der Ursprung des
import antigravityEaster Eggs- Link:
xkcd.com/353 - Beschreibung: Hilft dabei, den kulturellen Ursprung des Namens Antigravity nachzuvollziehen
- Link:
-
Google Antigravity Einführungsvideo: Offizielle Getting-Started-Demo
- Link:
youtube.com/watch?v=nTOVIGsqCuY - Beschreibung: Ideal für Entwickler, die zum ersten Mal mit Antigravity in Berührung kommen
- Link:
-
Sundar Pichai Tweet: Demonstration der /swarm-Fähigkeiten
- Link:
twitter.com/sundarpichai/status/2120198811297694192 - Beschreibung: Offizielle Demo zur Öffnung von Gemini 4 Carbon
- Link:
-
Pelican Campus Quest – spielbare Version: Das durch /swarm generierte Browserspiel
- Link:
aistudio.google.com/apps/bundled/pelican-campus-quest - Beschreibung: Erleben Sie hautnah das Endergebnis des Swarm-Modus
- Link:
Autor: APIYI Technologie-Team
Technischer Austausch: Kontaktieren Sie uns gerne über die Startseite von APIYI unter apiyi.com. Weitere Ressourcen finden Sie in unserem Dokumentationscenter unter docs.apiyi.com
