Google Antigravity 推出 Orchestrator：Carbon 负责思考、Hydrogen 负责执行，官方测试减少 24% 配额消耗

作者注：解读 Google Antigravity Orchestrator 的规划与执行分工机制、官方测试中 24% 配额与 19% 速度数据的含义，以及它与独立模型、并行 Agent 的选型差异。

2026 年 11 月 12 日，Google 发布 Gemini 4 Hydrogen，同时在 Antigravity 中推出 Orchestrator 多模型编排。它的做法是在同一个开发任务里，让 Carbon 或 Argon 负责规划，让 Hydrogen 负责执行。Google 官方对照测试显示，Orchestrator 相比单独使用 Carbon，平均减少 24% 的配额消耗，完成速度提高 19%。

这不是坊间传言，Google Antigravity 官方博客、模型选择文档和 Google 发布总览都已确认这项功能。本文汇总 Google Antigravity Orchestrator 目前已公开的信息，包括工作机制、测试数据的正确读法、套餐与入口，以及什么样的任务适合用它。

核心价值：读完本文，你能判断自己的工程任务该选 Orchestrator、Hydrogen 独立模式，还是 Carbon / Argon 独立模式。

一句话摘要：Antigravity Orchestrator 在单一 Agent 会话中让 Carbon 或 Argon 规划、Hydrogen 执行，Google 官方报告了它在配额和速度上的收益。

to know：阅读前需要了解的 5 个术语

• Planner（规划者）：负责分析任务、制定方案，并在必要时重新规划的模型角色，在 Orchestrator 中由 Carbon 或 Argon 担任。
• Executor（执行者）：按计划修改代码、运行工具、验证结果的角色，在 Orchestrator 中由 Hydrogen 担任。
• Agent：由模型和工具执行环境共同完成多步骤任务的系统，不等于单个模型。
• 配额：平台用来限制可用服务量的额度。配额减少不能直接等同于实际账单减少。
• Harness：组织模型输入、工具执行和任务计分的测试框架。同一个模型放进不同 Harness，分数可能不同。

Google Antigravity Orchestrator 核心信息速览

Google 为什么推出 Antigravity Orchestrator

一个真实的软件开发任务通常包含多种工作：先读懂代码库和依赖关系，再决定改哪里、怎么改，然后批量编辑文件、跑构建和测试，最后检查结果。这些步骤对推理能力的要求差别很大。”决定怎么改”需要深度判断，”按方案改十个文件并跑测试”更看重速度、精准编辑和工具调用的稳定性。

如果整个任务都交给 Carbon 这类高端推理模型，执行阶段的大量重复操作也要按高端模型的节奏和配额来消耗，任务时间和额度开销都会被拉高。只用轻量模型又可能在方案设计或疑难错误上判断失误，导致返工。

Hydrogen 的定位正好填补这一块。Google 将它定义为高效率的日常编程与 Agent 执行模型，强调精准编辑、多工具调用，以及工具失败后调整策略的能力，并明确表示它可以在多模型系统中充当执行者或验证者。Orchestrator 就是把这种分工产品化：贵的模型只用在最需要判断的环节。

Antigravity Orchestrator 如何工作：Carbon 思考，Hydrogen 执行

根据 Google Antigravity 官方文档，Orchestrator 不会在收到请求时只判断一次难度、然后选一个模型干完全程。它会在同一个任务中反复切换规划模型和执行模型。

Orchestrator 的五步工作流程

以官方举的依赖升级场景为例，一次完整流程大致如下：

1. 分析代码库：Carbon（或 Argon）以只读方式梳理代码结构和依赖关系。
2. 制定方案：Planner 确定修改范围和步骤，同时设定什么情况下需要重新规划。
3. 修改代码：Hydrogen 接手具体编辑、升级依赖。
4. 执行测试：Hydrogen 运行构建和测试，验证修改是否生效。
5. 验证结果：通过后检查结果并结束任务；遇到复杂错误则交回 Planner。

Orchestrator 重新规划的触发条件

官方文档列出了几类会把控制权交还 Planner 的情况：验证步骤连续失败两次、接口行为与预期不一致、实施中出现原方案没有覆盖的设计选择。Planner 重新判断后，会调整方案，再交给 Hydrogen 继续执行后续修改和验证。

这个机制很关键。执行模型不会一直盲目重试，而是在”超出原计划”时及时上交决策权，高端模型只在关键节点介入。

动态交接与一次性模型路由的区别

常见的”模型路由”是在请求入口做一次分类：简单任务给小模型，复杂任务给大模型，之后不再变化。Orchestrator 的区别在于，一个任务内部会多次交接，规划和执行由不同模型承担，而且执行过程中随时可能回到规划阶段。它路由的是任务阶段，而不是整条请求。

Orchestrator 官方测试：24% 配额与 19% 速度意味着什么

以下数据全部来自 Google 官方的终端任务对照测试，对比对象是”Orchestrator”与”单独使用 Carbon”。

为什么多模型分工能省配额

收益主要来自执行阶段。代码编辑、依赖更新、反复跑测试这些步骤调用次数多、上下文长，如果都由 Carbon 完成，高端模型会被大量重复调用。交给 Hydrogen 后，Carbon 只负责开头规划和中途重新规划，高端推理的调用量自然下降。从 API 标价也能看出两者的成本差距：截至 2026 年 11 月 13 日，Google AI Studio 官方标准价格中，Hydrogen 输入和输出分别为每百万 tokens 1.50 美元和 7.50 美元；Carbon 在 2026 年 11 月 30 日前为每百万 tokens 2 美元和 10 美元，官方页面注明 12 月 1 日起调整为 4 美元和 20 美元。

需要注意的是，以上是 API 价格，而 Orchestrator 运行在 Antigravity 的订阅配额体系中，两者的计量方式不同。我们不能用 API 价格去推算 Orchestrator 的”真实花费”。

这组数字对开发团队的意义

对团队来说，评价 AI 编程工具的效率不能只看单次回答质量，还应同时观察三个维度：任务成功率、额度消耗和完成时间。Orchestrator 的官方结果显示，在成功率基本不变的前提下，后两项都有改善。这为团队提供了一个可参考的思路：把”规划质量”和”执行吞吐”拆开评估，而不是只盯着最强的模型。

💡 数据说明：本节效率数字均归属于 Google 官方对照测试，尚未有独立第三方复测。如果你想在自己的业务中验证”规划模型 + 执行模型”分工的效果，可以通过 API易 apiyi.com 用同一个 Key 调用不同档位的模型，自行设计对照实验。

Orchestrator 对比独立模型与并行 Agent

独立 Carbon 对标分析：Carbon 在复杂判断上保持领先，但在执行阶段的重复操作中也会消耗高端模型的配额和时间。相比之下，Orchestrator 在大多数规划加执行的常规工程任务中，用接近的成功表现换来了更低的配额消耗。

独立 Hydrogen 对标分析：Hydrogen 速度快、编辑精准，但遇到原方案没覆盖的设计选择时，缺少更强模型兜底。对于需求清晰、无需反复决策的任务，它仍是最直接的选择。

并行多 Agent 对标分析：Google 明确说明，Orchestrator 在一条会话里只维持一个 Agent，依靠多模型交接完成不同阶段。如果需要多个 Agent 同时处理子任务或互相审查，应选择 Subagents、Swarm、Boost 或 Teamwork 等功能。两者解决的是不同问题，一个是”单任务内部怎么分工”，一个是”要不要增加 Agent 数量”。

如何在 Antigravity 中使用 Orchestrator

Orchestrator 模式与套餐对应关系

在 Antigravity App 中，打开对话输入框附近的模型选择菜单，选择 Orchestrator （Carbon） 或 Orchestrator （Argon） 即可。在 Antigravity CLI 中，官方给出的示例如下（以下语法引自官方文档，本文未做本地实测）：

# 查看当前账号可用的模型
agy models

# 进入会话后使用 /model 选择 Orchestrator

# 也可以在启动时直接指定
agy -p "Add input validation to the signup form and run the tests." --model "Orchestrator (Argon)"

需要注意，Orchestrator 使用固定的思考配置，不能为它单独设置 Low、Medium、High 或 Extra 等档位。如果需要自定义思考档位，应切换到单独模型。另外，发布当天有用户反馈模型选项可见但调用失败、不同账号开放时间不一致，这类情况更可能与逐步上线有关，遇到时可以稍后再试。

在自有 Agent 中复现规划与执行分工

Orchestrator 是 Antigravity 的产品功能，但”强模型规划、快模型执行、失败两次回交”的思路，完全可以在自己的 Agent 里实现。下面是一个基于 OpenAI 兼容接口的极简示例，模型名请以所用平台的模型列表为准：

from openai import OpenAI

client = OpenAI(api_key="YOUR_API_KEY", base_url="https://api.apiyi.com/v1")

PLANNER = "your-reasoning-model"   # 规划模型，以平台模型列表为准
EXECUTOR = "your-fast-model"       # 执行模型，以平台模型列表为准

def ask(model, system, user):
    r = client.chat.completions.create(model=model, messages=[
        {"role": "system", "content": system}, {"role": "user", "content": user}])
    return r.choices[0].message.content

plan = ask(PLANNER, "你是架构师，输出分步实施方案。", "为注册表单增加输入校验")
print(ask(EXECUTOR, "严格按方案执行，只输出代码改动。", plan))

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

PLANNER = "your-reasoning-model"
EXECUTOR = "your-fast-model"
MAX_FAILS = 2  # 参考 Antigravity 文档：验证连续失败两次即回交规划

def ask(model: str, system: str, user: str) -> str:
    r = client.chat.completions.create(
        model=model,
        messages=[{"role": "system", "content": system},
                  {"role": "user", "content": user}],
    )
    return r.choices[0].message.content

def run_tests(patch: str) -> tuple[bool, str]:
    """替换为你自己的构建与测试逻辑，返回 (是否通过, 日志)"""
    raise NotImplementedError

def orchestrate(task: str, max_replans: int = 3) -> str:
    plan = ask(PLANNER, "你是规划者，输出分步方案及重新规划条件。", task)
    for _ in range(max_replans):
        fails, log = 0, ""
        while fails < MAX_FAILS:
            patch = ask(EXECUTOR, "你是执行者，严格按方案修改代码。",
                        f"方案：\n{plan}\n上次测试日志：\n{log}")
            ok, log = run_tests(patch)
            if ok:
                return patch
            fails += 1
        # 连续失败，交还规划模型重新判断
        plan = ask(PLANNER, "执行连续失败，请根据日志修订方案。",
                   f"原任务：{task}\n原方案：{plan}\n失败日志：{log}")
    raise RuntimeError("多次重新规划后仍未通过验证")

🚀 快速上手建议：搭建这类”规划 + 执行”原型时，建议通过 API易 apiyi.com 获取免费测试额度。一个 API Key 可调用 OpenAI、Claude、Gemini 等主流模型，切换 PLANNER 与 EXECUTOR 只需改一个字符串，方便快速对比不同组合。

Antigravity Orchestrator 影响分析：哪些开发任务最适合

对开发者的影响

• 常规功能开发：规划、实现、测试三段分工清晰，是 Orchestrator 最典型的场景。
• 多文件 Bug 修复：Planner 定位根因，Hydrogen 修改多个文件并跑测试验证，失败后再回交判断。
• 中等复杂度重构：方案由规划模型把控，大量具体改动交给执行模型，避免高端模型陷入机械编辑。
• 配额管理更主动：对订阅用户来说，用 Orchestrator 处理日常任务，可以把更多额度留给真正需要深度推理的工作。

对行业的影响

• “规划者 + 执行者”成为产品化模式：模型厂商开始把多模型协作直接做进开发工具，而不只是交给用户自己编排。
• 评价指标多元化：成功率之外，配额消耗和完成时间会越来越多地出现在 Agent 工具的对比中。

Orchestrator 场景选型建议

常见问题 FAQ

Google Antigravity Orchestrator 核心要点 Key Takeaways

• 核心定义：单一 Agent 会话内，Carbon / Argon 规划，Hydrogen 执行，动态交接。
• 关键机制：验证连续失败两次等情况会交还规划模型重新判断。
• 官方数据：相比单独 Carbon，配额 -24%，速度 +19%，成功表现接近。
• 正确解读：配额消耗不等于账单，测试基准版本两份公告标记不一致。
• 使用门槛：Ultra 可用两种模式，符合条件的 Pro 可用 Argon 模式。
• 上手方式：自建 Agent 可通过 API易 apiyi.com 统一接口复现分工思路。

总结

Google Antigravity Orchestrator 的核心要点：

1. 分工而非替换：不是用便宜模型替代昂贵模型，而是让 Carbon / Argon 管判断，Hydrogen 管执行。
2. 动态交接：执行中遇到异常会回到规划阶段，这是它区别于一次性模型路由的关键。
3. 官方收益：在成功表现接近 Carbon 的前提下，官方测试中配额减少 24%、速度提升 19%。
4. 按复杂度选型：常规多阶段工程用 Orchestrator，深度架构用 Carbon / Argon，明确的日常任务用 Hydrogen。

对于大多数日常开发任务，Orchestrator 是兼顾质量和额度的合理默认选项。如果你想把同样的思路用到自己的产品里，推荐通过 API易 apiyi.com 快速验证不同模型组合的效果，平台提供免费额度和多模型统一接口。

📚 参考资料

1. Google Antigravity 官方博客：Gemini 4 Hydrogen and Orchestrator
2. 链接： antigravity.google/blog/gemini-4-hydrogen-in-google-antigravity

3. 说明： Orchestrator 发布公告与 24% / 19% 官方测试数据，基准标记为 Terminal-Bench 4.1

4. Google Antigravity 文档：Choose a Model / Orchestrator

5. 链接： antigravity.google/docs/models

6. 说明： Planner / Executor 机制、重新规划条件、CLI 示例与选型建议

7. Google 官方博客：Introducing Gemini 4 Hydrogen

8. 链接： blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-hydrogen

9. 说明： Hydrogen 发布总览，同一对比结果在此标记为 Terminal-Bench 4.0

10. Google 中文官方公告：Gemini 4 Hydrogen

11. 链接： china.googleblog.com/2026/11/gemini-4-hydrogen.html

12. 说明： 中文发布信息，基准版本同样标记为 4.0

13. Google AI Studio 价格页：Gemini 系列 API 价格

14. 链接： aistudio.google.com/docs/pricing

15. 说明： Hydrogen、Carbon、Argon 标准 API 价格及调价时间节点

16. Antigravity 套餐与共享额度说明

17. 链接： antigravity.google/blog/changes-to-antigravity-plans
18. 说明： 订阅套餐与配额体系

作者: API易 技术团队
技术交流: 欢迎在 API易 网站首页联系我们，更多资料可访问 docs.apiyi.com 文档中心

延伸阅读

• Google Antigravity 推出 /swarm：AI 编程从单 Agent 执行走向多 Agent 团队协作的 4 类角色解读:解读 Google Antigravity /swarm 预览功能：Coordinator、Worker、Verifier、Monitor 如何分工协作，工作副本、可视化面板、额度消耗与权限边界一次讲清。
• Gemini 4 Carbon 用 /swarm 构建谷歌园区 3D 世界:拆解 Google 官方演示的鹈鹕骑 GBike 开放世界游戏，看 Gemini 4 Carbon 如何借助 Antigravity /swarm 协调多 Agent 完成三维资产、浏览器游戏与声音设计，以及它的边界。
• 从历史照片到交互式 3D：Gemini 4 Carbon 用一条提示词重现埃菲尔铁塔的建设过程:解读 Google 埃菲尔铁塔演示：Gemini 4 Carbon 如何借助 Antigravity 的 /swarm 多 Agent 协作，把历史照片和工程图纸组织成可交互的 Three.js 三维展览。
• 从“美国豆包”到顶级编程模型：Gemini 三年间经历了什么？12 个关键节点全解读:梳理 Gemini 从 2023 年 1.0 到 2026 年 Gemini 4 Carbon 的 12 个关键节点，解读多模态、长上下文、Thinking、工具调用到 Agentic Coding 的演进，以及它对开发者选型的影响。
• Gemini 4 Hydrogen 对比 Gemini 4 Carbon：日常怎么选:从定位、思考档位、上下文与输出、价格和 Orchestrator 用法五个方面，说明 Gemini 4 Hydrogen 和 Gemini 4 Carbon 在日常使用中如何分工，以及 API易 目前可调用的型号。
• Gemini 4 Hydrogen 有多强？官方表10项赢7项:谷歌 2026-11-12 发布 Gemini 4 Hydrogen：官方模型卡 10 项对比赢 7 项，相对 Gemini 3.8 Flash 快 2.5 倍、Terminal-Bench 4.1 从 18.2% 到 57%，并说明这些数字的口径、价格与调用现状。
• Gemini 4 Hydrogen 对比 Claude Sonnet 5.5：10项怎么选:基于官方模型卡 10 项汇总和官方价格，对比 Gemini 4 Hydrogen 与 Claude Sonnet 5.5：Hydrogen 7 项领先且短提示更便宜，Sonnet 在终端、电脑操作、科学终端 3 项更高，附选型建议与 API易 接入说明。