Nota del autor: en este artículo explicamos qué es Antigravity Orchestrator, cómo despacha subagentes mediante /swarm y en qué se diferencia en su enfoque de LangGraph y CrewAI.
Resumen: Antigravity Orchestrator es el motor de coordinación multiagente integrado en la plataforma Google Antigravity, no un framework ligero que puedas instalar por separado con pip. Este artículo te ayuda a entender cómo funciona y en qué casos aplica desde cuatro ángulos: la matriz de productos, las tres capas de abstracción, los tres patrones de orquestación y el mecanismo de enjambre de /swarm.
La conclusión primero: Antigravity Orchestrator puede entenderse como «el cerebro de planificación de tareas escondido dentro de la plataforma Antigravity». Cuando escribes comandos de barra como /swarm o /teamwork en el IDE, la Web App o la CLI, en segundo plano este invoca la Task API y el Workflow Runtime del SDK, divide una gran tarea en varias subtareas, las asigna a subagentes que trabajan en paralelo y, al final, consolida todo en entregables. En noviembre de 2026, Orchestrator llegó oficialmente a Antigravity junto con Gemini 4 Neon. El 10 de noviembre, cuando Gemini 4 Carbon se abrió por completo, Sundar Pichai hizo una demostración en vivo de la capacidad de /swarm, y desde entonces esta función pasó a estar en el radar de todos.
Si vale la pena invertir tiempo en aprenderlo depende de dos condiciones. Primera: si tu tarea puede dividirse en partes independientes entre sí y ejecutables en paralelo. Segunda: si puedes aceptar una plataforma optimizada para Gemini y cuyo motor central es de código cerrado. Cuando se cumplen ambas condiciones, Orchestrator reduce notablemente el costo de montar la colaboración multiagente. Si necesitas una solución agnóstica al modelo y totalmente open source, bibliotecas de Python como LangGraph o CrewAI siguen siendo más adecuadas.

Mapa de conocimiento e índice de lectura de Antigravity Orchestrator
La siguiente tabla resume la estructura de conocimiento del artículo, las dependencias entre secciones y el problema que resuelve cada una. El orden general va desde «qué es» hasta «cómo funciona», y de ahí a «debería usarlo y cómo empezar».
| N.º | Tema | Problema que resuelve | Relación con las secciones anterior y posterior |
|---|---|---|---|
| 1 | Contexto de la plataforma Antigravity | En qué ecosistema de producto se ejecuta Orchestrator | Proporciona el contexto de plataforma para la sección 2 |
| 2 | Las tres capas de abstracción de Orchestrator | Qué es técnicamente | Los mecanismos de las secciones 3 y 4 se construyen sobre estas tres capas |
| 3 | Los tres modos de orquestación | En qué se diferencian /swarm, /teamwork y /run-workflow | De los tres modos se elige /swarm para profundizar en la sección 4 |
| 4 | El mecanismo de enjambre de /swarm | Cómo el agente principal divide tareas y asigna subagentes | Con casos reales, sienta las bases de la comparación de la sección 5 |
| 5 | Comparación con frameworks como LangGraph | Bajo qué condiciones elegirlo y bajo cuáles no | Ofrece criterios de selección y conecta con la ruta de inicio de la sección 6 |
| 6 | Ruta de inicio y código | Cómo empezar desde cero | Lleva los conceptos anteriores al nivel del código |
| 7 | Buenas prácticas e implicaciones | Cómo controlar la selección de modelos, los permisos y los costos | Cierra con recomendaciones accionables |
Si solo quieres saber qué es, con leer las secciones 1 a 3 es suficiente. Si estás preparando una decisión técnica, te recomiendo concentrarte en las secciones 4 y 5. Si prefieres ponerte manos a la obra, puedes saltar directamente a las secciones 6 y 7.
🎯 Consejo técnico: la forma más rápida de entender la orquestación multiagente es ejecutar por ti mismo el flujo de «dividir—paralelizar—consolidar». La sección 6.3 presenta una implementación simulada basada en la interfaz compatible con OpenAI, donde puedes usar APIYI apiyi.com para invocar distintos modelos con una sola clave API y hacer que actúen como agente principal y subagentes.
To Know: Términos imprescindibles para entender Antigravity Orchestrator
| Término | Explicación breve |
|---|---|
| Agente (Agent) | Instancia de modelo capaz de invocar herramientas y completar tareas de varios pasos de forma autónoma |
| Agente principal (Orchestrator Agent) | Coordinador general encargado de analizar y descomponer tareas, asignar subagentes e integrar los resultados |
| Subagente (Subagent) | Agente que se encarga de una subtarea; puede crearse dinámicamente en tiempo de ejecución o definirse de antemano |
| Fan-out / Fan-in | Fan-out significa distribuir una tarea entre varios ejecutores; fan-in, reunir múltiples resultados en uno |
| Artifacts | Los entregables finales que produce el agente, como código, archivos o aplicaciones ejecutables |
| Workflow Runtime | Motor de ejecución basado en grafos del SDK de Antigravity, responsable de la gestión de estados y la programación de nodos |
1 La plataforma donde vive Antigravity Orchestrator: ¿qué es Antigravity?
1.1 ¿De dónde viene el nombre Antigravity?
«Antigravity» significa literalmente «antigravedad», y transmite la idea de liberar el desarrollo de las ataduras de la codificación en solitario tradicional, para que «despegue» como si estuviera en estado de ingravidez. Muchos desarrolladores creen que el nombre toma prestado el easter egg de Python import antigravity. Este easter egg proviene de una tira cómica de xkcd: al ejecutar esa línea de código, la tira se abre en el navegador. Google posiciona Antigravity como la plataforma para desarrolladores de la «agent-first era» (la era en la que los agentes van primero); es decir, los agentes son los protagonistas del trabajo, mientras que las personas se encargan de describir objetivos y revisar los resultados.
1.2 Antigravity es una matriz de productos
Mucha gente, al escuchar por primera vez sobre Antigravity, lo confunde con un IDE. En realidad, se trata de un conjunto de productos orientados a distintos escenarios, y las capacidades de Orchestrator se reparten entre estas formas de producto:
| Producto | Formato | Uso principal |
|---|---|---|
| Antigravity App | Aplicación web | Programación con agentes con todas las funciones, dentro del navegador |
| Antigravity IDE | Aplicación de escritorio | Basado en una bifurcación de VS Code, con integración profunda de capacidades de agentes |
| Antigravity CLI | Herramienta de línea de comandos | Agente de terminal escrito en Go |
| Antigravity SDK | Biblioteca de Python | Desarrollo de agentes personalizados |
| Antigravity Extensions | Extensiones de IDE | Incorporar capacidades de agentes en editores existentes |
Esta tabla deja claro un hecho clave: los comandos de barra (slash) aparecen en interfaces interactivas como la App, el IDE y la CLI, mientras que el SDK concentra la interfaz programable. Cuando veamos las tres capas de abstracción en la sección 2, se verá cómo ambas se conectan entre sí.
1.3 Cronología de lanzamiento de Antigravity Orchestrator
Orchestrator no apareció de la nada: es el resultado de la evolución gradual de la plataforma Antigravity a lo largo de un año. En orden cronológico, estos son los hitos clave:
- 18 de noviembre de 2025: Antigravity IDE y Gemini 3 Pro debutan el mismo día.
- Mayo de 2026 (Google I/O): lanzamiento de Gemini 3.5 Flash y de Gemini Spark, basado en el runtime de Antigravity.
- 18 de junio de 2026: el Gemini CLI de código abierto deja de dar servicio, con la migración completa al Antigravity CLI de código cerrado.
- Noviembre de 2026: Gemini 4 Neon y Orchestrator llegan oficialmente a Antigravity.
- 10 de noviembre de 2026: Gemini 4 Carbon se abre por completo, con Sundar Pichai haciendo una demostración de
/swarm.
Esta cronología revela una tendencia evidente: Google está agrupando de manera unificada las capacidades de agentes del terminal, del IDE y del navegador bajo el runtime de Antigravity, y Orchestrator es la capa de coordinación que se sitúa sobre ese runtime.
2 Qué es Antigravity Orchestrator: desglose en tres capas de abstracción
2.1 La posición esencial de Antigravity Orchestrator
Algunos artículos describen Antigravity Orchestrator como un «framework de enjambre ligero», una expresión que puede llevar a pensar que se trata de una biblioteca independiente. La descripción más precisa es la siguiente: es el motor de coordinación multiagente integrado en la plataforma Antigravity. En la capa inferior corresponde al Workflow Runtime y la Task API del SDK, mientras que en la capa superior se activa mediante comandos de barra o la API del SDK. Lo «ligero» se refleja en la experiencia de uso: el usuario solo necesita un comando, sin tener que escribir a mano la estructura del grafo ni las máquinas de estados.
2.2 La estructura de tres capas de Antigravity Orchestrator
Las capacidades del Orchestrator se dividen en tres capas de arriba hacia abajo. Las capas superiores invocan a las inferiores, y cuanto más abajo, más cerca se está de los detalles de ejecución:
Layer 1: Comandos de barra /swarm, /teamwork, /plan
↓ Orientado al usuario: un solo comando desencadena la orquestación
Layer 2: SDK API Agent, Subagent, Task API
↓ Orientado al desarrollador: agentes y tareas definidos con código
Layer 3: Workflow Runtime Motor de ejecución de grafos, Fan-out/Fan-in, gestión de estado
Orientado al runtime: se encarga de la programación, el paralelismo y el estado
La ventaja directa de esta estratificación es «un mismo motor, varias entradas». Un product manager puede teclear /swarm directamente en el IDE, mientras que un desarrollador backend puede escribir la misma lógica de orquestación con el SDK; en ambos casos, la ejecución final corre a cargo del Workflow Runtime. Entendido esto, las diferencias entre los tres modos que veremos más adelante resultan fáciles de comprender: solo se presentan como entradas distintas en la Layer 1 y corresponden a distintas topologías de grafo en la Layer 3.

3 Los tres modos de orquestación de Antigravity Orchestrator
Orchestrator ofrece tres modos de orquestación; la diferencia está en si los subagentes necesitan interactuar de forma continua y en si el flujo está definido de antemano. Elegir el modo equivocado es uno de los problemas más frecuentes entre los principiantes, así que veamos primero una comparación:
| Modo | Método de activación | Forma de colaboración | Tareas adecuadas |
|---|---|---|---|
| Modo enjambre (Swarm) | /swarm |
Despacha varios subagentes de una sola vez para que trabajen en paralelo y al final consolida los resultados | Tareas grandes que se pueden dividir en partes independientes |
| Modo equipo (Teamwork) | /teamwork |
Un equipo de agentes colabora de manera continua, con varias rondas de interacción | Proyectos complejos que requieren discusiones repetidas y dependencia mutua |
| Modo flujo de trabajo (Workflow) | /run-workflow |
Un grafo dirigido predefinido que admite ramas, bucles y enrutamiento condicional | Tareas con un flujo fijo que deben reproducirse de forma estable |
Para decidir, puedes hacerte las preguntas en este orden. Si el flujo es el mismo cada vez, elige Workflow. Si el flujo no es fijo, pero las subtareas casi no necesitan comunicarse entre sí, elige Swarm. Si las subtareas deben alinearse de ida y vuelta —por ejemplo, cuando el frontend cambia una interfaz y el backend tiene que ajustarse en consecuencia—, elige Teamwork. Swarm ofrece el mayor paralelismo y los tiempos de espera más cortos, pero también es el que más exige en cuanto a la divisibilidad de la tarea.
4 El mecanismo de enjambre /swarm de Antigravity Orchestrator
4.1 El flujo de trabajo de cinco pasos de /swarm
/swarm es la capacidad más representativa de Orchestrator, y su proceso completo se divide en cinco pasos:
- El usuario emite el comando
/swarmjunto con una descripción de la tarea. - El agente principal (Orchestrator Agent) analiza la tarea y la descompone automáticamente en varias subtareas.
- Se crean dinámicamente subagentes para cada subtarea, es decir, «subagentes dinámicos autoclonados».
- Los subagentes se ejecutan en paralelo y los resultados confluyen de nuevo en el agente principal.
- El agente principal integra las salidas y genera los Artifacts finales.
Los pasos 2 y 5 determinan la calidad final. Si la descomposición no es limpia, los subagentes duplicarán u omitirán trabajo entre sí; si la capacidad de integración es insuficiente, las distintas partes no podrán ensamblarse en un conjunto utilizable. Por eso, el agente principal normalmente necesita un modelo con mayor capacidad de razonamiento.
4.2 Subagentes dinámicos y subagentes estáticos
Antigravity Orchestrator admite dos tipos de subagentes, que pueden combinarse dentro de una misma tarea:
- Subagentes dinámicos autoclonados: se crean bajo demanda en tiempo de ejecución, heredan parte del contexto del agente principal y son ideales para las subtareas que surgen sobre la marcha.
- Subagentes estáticos personalizados: agentes especializados definidos previamente, con instrucciones de sistema y conjuntos de herramientas fijos, adecuados para etapas especializadas que se repiten, como la revisión de código o la generación de pruebas.
Otro diseño que merece atención es que cada subagente puede usar un modelo diferente. Por ejemplo, utilizar Carbon para las partes que requieren razonamiento profundo y Hydrogen para las partes rápidas y simples. Esta práctica de «asignar modelos según la dificultad de la tarea» es el mecanismo central con el que los sistemas multiagente controlan los costos; la sección 7 lo desarrollará en detalle.
4.3 Caso práctico: cómo se descompuso Pelican Campus Quest
El caso de /swarm demostrado por Sundar Pichai es un excelente ejemplo didáctico. La tarea que recibió el agente principal fue: «construir un juego 3D de mundo abierto para explorar en GBike por el campus de Google en Mountain View». La descompuso en tres líneas de trabajo paralelas:
- Modelado de activos 3D: el subagente usa Blender y toma como referencia los recursos generados por Omni / Nano Banana.
- Construcción del motor de juego: el subagente usa Three.js y shaders de WebGL.
- Sistema de audio: el subagente usa la Web Audio API junto con la música de Lyria.
Al final, las tres partes se integraron automáticamente en un juego jugable en el navegador. Este caso es ideal para Swarm porque los tres bloques (modelo, motor y audio) solo necesitan acordar los formatos a nivel de interfaz y, durante el desarrollo, apenas tienen que esperarse mutuamente; esto es precisamente la «descomponibilidad» de la que hablaba la sección 3.
5 Antigravity Orchestrator frente a LangGraph, CrewAI y AutoGen
5.1 Criterios de comparación
La comparación que sigue se centra únicamente en las diferencias de posicionamiento y no evalúa el rendimiento, porque sus formatos son totalmente distintos: uno es una plataforma completa y los demás son librerías de Python. Las dimensiones comparadas incluyen el posicionamiento del producto, la abstracción de agentes, la integración con el navegador, la vinculación de modelos, el modo de despliegue y el nivel de apertura del código.

| Dimensión | Antigravity | LangGraph | CrewAI | AutoGen |
|---|---|---|---|---|
| Posicionamiento | IDE completo + plataforma | Librería de Python | Librería de Python | Librería de Python |
| Modelo de agentes | Autoclonación dinámica + estática | Nodos de grafo | Definición de roles | Agentes conversacionales |
| Integración con el navegador | Extensión de Chrome nativa | No | No | No |
| Vinculación de modelos | Optimizado para Gemini | Independiente del modelo | Independiente del modelo | Independiente del modelo |
| Despliegue | Cloud Run / Docker | Por cuenta propia | Por cuenta propia | Por cuenta propia |
| Código abierto | SDK abierto, núcleo cerrado | Totalmente abierto | Abierto | Abierto |
| Recomendación de acceso a varios modelos | Dentro del ecosistema Gemini | Acceso unificado vía APIYI apiyi.com | Ídem | Ídem |
5.2 Criterios de elección
LangGraph mantiene la delantera en la controlabilidad de la estructura de grafos y en ser totalmente de código abierto, pero obliga a montar por tu cuenta la integración con el IDE, el manejo del navegador y la cadena de despliegue. Antigravity Orchestrator gana en la experiencia «listo para usar»: con un solo comando /swarm resuelve la división de tareas, la ejecución en paralelo y la consolidación de resultados, y además puede manejar el navegador de forma nativa. CrewAI ofrece un enfoque de definición de roles muy intuitivo y AutoGen destaca por impulsar la colaboración mediante conversaciones; ambos también exigen que te encargues del despliegue y de la cadena de herramientas.
De ahí se deduce una regla sencilla: si tu equipo ya trabaja a fondo con Gemini y quiere capacidades multiagente directamente en el IDE, elige Antigravity; si necesitas alternar entre varios modelos o le das importancia a la auditabilidad del motor central, ve con las librerías de código abierto.
💡 Consejo de elección: si tomas la ruta de las librerías de código abierto, te recomiendo unificar la capa de acceso a modelos con una interfaz compatible con OpenAI. Con APIYI apiyi.com, una única clave API te permite cambiar entre modelos como GPT, Claude y Gemini dentro de LangGraph o CrewAI, lo que facilita asignar un modelo distinto a cada nodo dentro del mismo grafo de orquestación.
6 Ruta para empezar de cero con Antigravity Orchestrator
6.1 Orden de aprendizaje recomendado
Siguiendo el enfoque de «primero saber usarlo, luego saber escribirlo y por último saber depurarlo», la ruta de iniciación se puede dividir en siete pasos:
- Conceptos: entender qué es Antigravity y por qué lo necesitas (secciones 1 a 2 de este artículo).
- Instalación: elige una de las tres opciones disponibles: Web App, descarga del IDE o instalación por línea de comandos.
- Tu primer agente: escribe un agente de Hello World con el SDK.
- Entender el Orchestrator: descubre cómo se relacionan Workflow Runtime y Task API.
- Tu primer Swarm: ejecuta
/swarmen el IDE o en la CLI para verlo en acción. - Profundizar en los subagentes: compara los resultados de los subagentes dinámicos frente a los estáticos.
- Buenas prácticas: selección de modelos, gestión de permisos y control de costos.
6.2 Escribe tu primer agente con el SDK de Antigravity
El agente mínimo del SDK solo necesita un objeto de configuración y una llamada de conversación:
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())
Si necesitas salida en streaming, simplemente itera directamente sobre response. Añadir herramientas al agente también es muy fácil: basta con pasar funciones Python normales al parámetro tools:
import sys
# Respuesta en streaming
async for token in response:
sys.stdout.write(token)
sys.stdout.flush()
# Herramienta personalizada
def get_weather(city: str) -> str:
return f"It's sunny in {city}."
config = LocalAgentConfig(tools=[get_weather])
Las anotaciones de tipo en la firma de la función ayudan al agente a comprender el significado de cada parámetro. En proyectos reales conviene escribir docstrings bien claros para las funciones de herramienta: así le resultará más fácil al agente principal decidir qué herramienta asignar a cada subagente al descomponer la tarea.
6.3 Simulación del fan-out y fan-in del enjambre con una interfaz compatible con OpenAI
El motor central de Orchestrator es de código cerrado, pero la idea de «descomponer — paralelizar — consolidar» se puede replicar con cualquier modelo. El siguiente código simula una versión mínima de /swarm: el agente principal se encarga de descomponer y consolidar, mientras que los subagentes se ejecutan en paralelo. No es una implementación de Antigravity, sino un ejemplo didáctico que ayuda a comprender el flujo de cinco pasos de la sección 4.1.
import asyncio
from openai import AsyncOpenAI
client = AsyncOpenAI(
api_key="YOUR_API_KEY",
base_url="https://api.apiyi.com/v1" # Interfaz compatible con OpenAI de APIYI
)
PLANNER_MODEL = "your-reasoning-model" # Agente principal: un modelo con buen razonamiento; guíate por la lista de modelos de la plataforma
WORKER_MODEL = "your-fast-model" # Subagente: un modelo rápido y de bajo costo
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
Ver el código completo de la simulación del enjambre
import asyncio
from openai import AsyncOpenAI
client = AsyncOpenAI(
api_key="YOUR_API_KEY",
base_url="https://api.apiyi.com/v1" # Una sola clave para invocar modelos de varios proveedores
)
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:
# Paso 2: el agente principal descompone la tarea (antes del 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]
# Pasos 3-4: se crea un subagente para cada subtarea y todos se ejecutan en paralelo (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
])
# Paso 5: el agente principal consolida los resultados (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")))
Este código ilustra dos puntos clave: el agente principal y los subagentes usan modelos distintos, y las subtareas se ejecutan en paralelo mediante asyncio.gather. Si lo pones junto a la sección 4, verás qué parte del trabajo realiza Orchestrator automáticamente por ti en la Layer 3: gestión de estado, reintentos ante fallos y consolidación de los artefactos generados.
🚀 Inicio rápido: el ejemplo anterior se puede ejecutar tal cual; solo necesitas obtener una clave en APIYI (apiyi.com) y reemplazar los dos nombres de modelo por modelos disponibles en la plataforma. Los usuarios nuevos cuentan con una cuota de prueba gratuita, suficiente para varias rondas de experimentos de descomposición y consolidación.
7 Mejores prácticas e impacto de Antigravity Orchestrator
7.1 Selección de modelos: estratificar según la dificultad de la tarea
El costo de un sistema multiagente se multiplica conforme aumenta el número de subagentes, así que la estratificación de modelos es la regla de oro. Las fases que determinan la calidad global —como la descomposición y la integración— conviene confiárselas a un modelo con capacidad de razonamiento potente, como Carbon en Antigravity; la conversión de formatos, el código repetitivo y las consultas simples pueden asignarse a un modelo rápido, como Hydrogen. Al replicar una arquitectura similar fuera de Antigravity, también puedes aplicar esta misma idea de estratificación: mediante APIYI (apiyi.com) especificas distintos modelos para distintos roles dentro del mismo código, comparas calidad y gasto, y solo después fijas la configuración.
7.2 Gestión de permisos: limitar el alcance de herramientas de los subagentes
Los subagentes dinámicos heredan parte del contexto del agente principal; si los permisos de las herramientas no se restringen, un subagente podría realizar operaciones que exceden sus responsabilidades. Lo más prudente es: colocar las capacidades de escritura de archivos, ejecución de comandos y control del navegador en subagentes estáticos personalizados, definiendo claramente sus instrucciones de sistema y su conjunto de herramientas; los subagentes dinámicos solo deben encargarse de tareas de lectura o de generación. Para las operaciones que involucren entornos de producción, conviene mantener siempre un paso de confirmación humana.
7.3 Control de costos: primero estimar y luego ampliar el paralelismo
Cuanto mayor sea el paralelismo de /swarm, menor será el tiempo de espera, pero también mayor el consumo de tokens. Se recomienda empezar con tareas pequeñas para observar cuántas subtareas suele generar el agente principal y cuánto consume cada una, antes de decidir si se amplía a tareas más grandes. Para los equipos sensibles al presupuesto, primero se puede validar la estrategia de división con modelos de bajo costo en una biblioteca de orquestación de código abierto; la facturación por uso de APIYI (apiyi.com) facilita controlar el costo de los experimentos, y una vez confirmado que el flujo funciona, se puede migrar a Antigravity para obtener todas las capacidades de la plataforma.
7.4 El impacto de Antigravity Orchestrator en los desarrolladores
La aparición de Orchestrator significa que la orquestación multiagente está pasando de «el ingeniero escribe a mano la estructura del grafo» a «el usuario lo activa con un solo comando». Esto reduce la barrera de entrada, pero también trae consigo una dependencia de la plataforma: el Gemini CLI de código abierto ya dejó de dar servicio, el motor central es de código cerrado y está optimizado principalmente para Gemini. Para los desarrolladores individuales y los equipos que trabajan principalmente con Gemini, es una mejora evidente en eficiencia; para los equipos que necesitan múltiples modelos, auditoría y despliegue privado, un framework de código abierto más una capa unificada de acceso a modelos sigue siendo la combinación más flexible.
La forma definitiva de decidir es sencilla: toma una tarea real que tengas entre manos e intenta dividirla en tres subtareas independientes entre sí. Si puedes dividirla, es muy probable que /swarm te ahorre mucho tiempo; si no puedes, el modo Teamwork o Workflow, o incluso un agente único, es el punto de partida más adecuado.

Referencias
-
xkcd 353 – Python: el origen del famoso easter egg
import antigravity- Enlace:
xkcd.com/353 - Descripción: útil para comprender el origen cultural del nombre Antigravity
- Enlace:
-
Video de introducción a Google Antigravity: demostración oficial para primeros pasos
- Enlace:
youtube.com/watch?v=nTOVIGsqCuY - Descripción: ideal para desarrolladores que se acercan a Antigravity por primera vez
- Enlace:
-
Tuit de Sundar Pichai: demostración de la capacidad /swarm
- Enlace:
twitter.com/sundarpichai/status/2120198811297694192 - Descripción: la demostración oficial cuando se abrió Gemini 4 Carbon
- Enlace:
-
Versión jugable de Pelican Campus Quest: juego de navegador generado por /swarm
- Enlace:
aistudio.google.com/apps/bundled/pelican-campus-quest - Descripción: aprecia de primera mano el resultado final del modo enjambre (swarm)
- Enlace:
Autor: Equipo técnico de APIYI
Intercambio técnico: te invitamos a contactarnos desde la página de inicio de APIYI en apiyi.com; para más recursos, visita el centro de documentación en docs.apiyi.com
