ゼロから理解する Antigravity Orchestrator:3層アーキテクチャ、3つのオーケストレーションモードとスワーム機構を徹底解説

ゼロから理解する Antigravity Orchestrator:3層アーキテクチャ、3つのオーケストレーションモードとスワーム機構を徹底解説

著者注:この記事では、Antigravity Orchestrator とは何か、/swarm でサブエージェントをどう起動するのか、そして LangGraph・CrewAI との位置づけの違いを、1本の記事にまとめて解説します。

要約:Antigravity Orchestrator は、Google Antigravity プラットフォームに組み込まれたマルチエージェント連携エンジンであり、単体で pip インストールできる軽量フレームワークではありません。本記事では、プロダクトマトリクス、3層の抽象化、3つのオーケストレーションモード、/swarm スウォーム機構という4つの側面から、その仕組みと適用範囲をわかりやすく整理します。

結論を先に:Antigravity Orchestrator は「Antigravity プラットフォームの内側に隠されたタスクスケジューリングの頭脳」と捉えるとイメージしやすいです。IDE、Web App、CLI で /swarm や /teamwork といったスラッシュコマンドを入力すると、裏側で SDK の Task API と Workflow Runtime が呼び出され、大きなタスクが複数のサブタスクに分解されて、並列で動くサブエージェントに割り当てられます。最後にそれぞれの結果が集約され、成果物としてまとめ上げられる流れです。2026年11月、Orchestrator は Gemini 4 Neon とともに Antigravity に正式搭載されました。さらに11月10日、Gemini 4 Carbon の全面公開の場で Sundar Pichai 氏が /swarm の能力を実演し、この機能はここから一気に注目を集めることになりました。

学ぶ価値があるかどうかは、2つの条件で決まります。1つ目は、担当するタスクが互いに独立した並列実行可能な部分に分解できるかどうか。2つ目は、Gemini を最適化の軸とし、コアエンジンがクローズドソースのプラットフォームを受け入れられるかどうかです。両方を満たせるなら、Orchestrator はマルチエージェント連携の構築コストを明らかに下げてくれます。一方、モデル非依存で完全オープンソースの構成が必要なら、LangGraph や CrewAI といった Python ライブラリのほうが依然として適しています。

antigravity-orchestrator-explained-from-zero-ja-image-0


Table of Contents

Antigravity Orchestrator の知識マップと読み方ガイド

下の表は、記事全体の知識構造、各節どうしの依存関係、そして各節が解決する課題をまとめたものです。全体の流れは「それが何に属するのか」から「どう動くのか」へ、さらに「使うべきか、どう始めるか」へと進む構成になっています。

番号 テーマ 解決する課題 前後の節との関係
1 Antigravity プラットフォームの背景 Orchestrator はどのプロダクト体系の中で動くのか 第2節にプラットフォームの文脈を提供
2 Orchestrator の3層抽象 技術的には一体何なのか 第3節・第4節の仕組みはどちらもこの3層の上に成り立つ
3 3つのオーケストレーションモード /swarm、/teamwork、/run-workflow は何が違うのか 3つのモードから /swarm を選び、第4節で深掘り
4 /swarm の群れ(スワーム)メカニズム メインエージェントはどうタスクを分割し、サブエージェントを投入するのか 実際の事例と組み合わせて、第5節の比較の根拠を提供
5 LangGraph などのフレームワークとの比較 どんな条件なら採用し、どんな条件なら見送るべきか 技術選定の判断材料を示し、第6節の導入ステップにつなげる
6 始め方とコード ゼロからどう着手するか ここまでの概念をコードレベルに落とし込む
7 ベストプラクティスと影響 モデル選択・権限・コストはどう制御するか 実行可能なアドバイスとしてまとめる

「それが何なのか」だけを知りたいなら、第1〜3節を読めば十分です。技術選定を検討しているなら、第4節と第5節を中心に読むことをおすすめします。実際に手を動かしたいなら、第6節と第7節から読み進めても問題ありません。

🎯 技術アドバイス:マルチエージェントオーケストレーションを最速で理解する方法は、「分割 → 並列 → 集約」の流れを、自分の手で一度実際に動かしてみることです。第6.3節では、OpenAI 互換インターフェースに基づくシミュレーション実装を紹介しています。APIYI(apiyi.com)を利用すれば、1つの APIキー で複数のモデルを呼び分け、メインエージェントとサブエージェントをそれぞれ担わせることができます。

To Know:Antigravity Orchestrator を理解するための必須用語

用語 簡潔な解説
エージェント(Agent) ツールを呼び出し、複数ステップのタスクを自律的に完了できるモデルインスタンス
メインエージェント(Orchestrator Agent) タスクの分析・分解、サブエージェントへの割り当て、結果の統合を担う総司令塔
サブエージェント(Subagent) 個々のサブタスクを引き受けるエージェント。実行時に動的に生成することも、あらかじめ定義しておくことも可能
Fan-out / Fan-in Fan-out は1つのタスクを複数の実行者へ振り分けること、Fan-in は複数の結果を集約して受け取ること
Artifacts エージェントが最終的に生み出す成果物。コード、ファイル、実行可能なアプリケーションなど
Workflow Runtime Antigravity SDK に含まれるグラフベースの実行エンジン。状態管理とノードのスケジューリングを担う

1 Antigravity Orchestrator が属するプラットフォーム:Antigravity とは

1.1 Antigravity という名前の由来

「Antigravity」を直訳すると「反重力」。従来のソロコーディングのしがらみから開発を解き放ち、無重力になったかのように「飛び立てる」という願いが込められた名前です。多くの開発者の間では、この名前は Python の import antigravity というイースターエッグを参考にしたのではないかと考えられています。このイースターエッグは xkcd のある漫画に由来しており、この行のコードを実行するとブラウザでその漫画が開かれます。Google は Antigravity を「agent-first era」(エージェント優先の時代)の開発者プラットフォームとして位置づけています。つまり、エージェントが作業の主体となり、人は目標を記述して結果をレビューする役割を担うのです。

1.2 Antigravity は製品マトリクス

Antigravity を初めて聞くと、多くの人は IDE の一種だと思いがちです。実際には、さまざまなユースケースに向けた一連の製品群であり、Orchestrator の機能はこれらの製品形態の中に分散しています。

製品 形態 主な用途
Antigravity App Web アプリ ブラウザ内でフル機能のエージェントプログラミング
Antigravity IDE デスクトップアプリ VS Code のフォークをベースに、エージェント機能を深く統合
Antigravity CLI コマンドラインツール Go で書かれたターミナルエージェント
Antigravity SDK Python ライブラリ カスタムエージェントの開発
Antigravity Extensions IDE プラグイン 既存のエディターにエージェント機能を組み込み

この表が示す重要な事実は次のとおりです。スラッシュコマンドは App、IDE、CLI といった対話型インターフェースに登場するものであり、一方、SDK が担うのはプログラマブルなインターフェースです。第 2 節で 3 層の抽象構造を解説する際に、この両者がどのように上下で連携しているのかが見えてきます。

1.3 Antigravity Orchestrator のリリースタイムライン

Orchestrator は突然現れたわけではありません。Antigravity プラットフォームがこの 1 年かけて段階的に進化を遂げた結果です。時系列順に、主な節目は以下のとおりです。

  • 2025 年 11 月 18 日:Antigravity IDE と Gemini 3 Pro が同日に初公開。
  • 2026 年 5 月(Google I/O):Gemini 3.5 Flash を発表。さらに Antigravity ランタイムをベースにした Gemini Spark も登場。
  • 2026 年 6 月 18 日:オープンソースの Gemini CLI がサービスを終了し、クローズドソースの Antigravity CLI へ全面移行。
  • 2026 年 11 月:Gemini 4 Neon と Orchestrator が Antigravity に正式搭載。
  • 2026 年 11 月 10 日:Gemini 4 Carbon が全面公開され、Sundar Pichai が /swarm をデモ披露。

このタイムラインからは、ひとつの明確なトレンドが読み取れます。Google はターミナル、IDE、ブラウザ側のエージェント機能を Antigravity ランタイムの下へと統合しつつあり、Orchestrator はこのランタイムの上に位置する調整レイヤーなのです。


2 Antigravity Orchestrator とは:3層の抽象構造を分解する

2.1 Antigravity Orchestrator の本質的な位置づけ

Antigravity Orchestrator を「軽量スウォームフレームワーク」と紹介する記事もありますが、この表現だと独立したライブラリであるかのような誤解を招きやすくなります。より正確に言えば、Antigravity プラットフォームに組み込まれたマルチエージェント協調エンジンです。下層では SDK の Workflow Runtime と Task API に対応し、上層からはスラッシュコマンドまたは SDK API で呼び出します。「軽量」と言われるのはあくまで使い心地の話で、ユーザーはコマンドを1つ実行するだけで、グラフ構造やステートマシンを手書きする必要がありません。

2.2 Antigravity Orchestrator の3層構造

Orchestrator の機能は、上から下へ3層に分かれています。上層が下層を呼び出し、下の層になるほど実行の詳細に近づいていきます:

Layer 1: スラッシュコマンド        /swarm、/teamwork、/plan
    ↓  利用者向け、1コマンドでオーケストレーションを起動
Layer 2: SDK API         Agent、Subagent、Task API
    ↓  開発者向け、コードでエージェントとタスクを定義
Layer 3: Workflow Runtime  グラフ実行エンジン、Fan-out/Fan-in、状態管理
       ランタイム向け、スケジューリング・並列処理・状態を担当

この階層構造の直接的なメリットは、「同一のエンジンを、複数の入口から利用できる」ことです。プロダクトマネージャーは IDE で /swarm を直接入力するだけで済みますし、バックエンドエンジニアは SDK を使って同じオーケストレーションロジックをコードで書けます。どちらも最終的には Workflow Runtime が実行を担います。この点を押さえておけば、この後の3つのモードの違いも理解しやすくなります。3つのモードは Layer 1 では入口が異なるだけで、Layer 3 ではそれぞれ異なるグラフの形状に対応しているのです。

antigravity-orchestrator-explained-from-zero-ja-image-1


3 Antigravity Orchestratorの3つのオーケストレーションモード

Orchestratorには3つのオーケストレーションモードが用意されています。違いは、サブエージェント間で継続的なやり取りが必要かどうか、そしてフローが事前に決まっているかどうかの2点です。モード選びを間違えるのは、初心者が最初につまずきやすいポイントなので、まずは比較を見てみましょう。

モード 起動方法 連携形態 適したタスク
Swarm スウォームモード /swarm 複数のサブエージェントに一括でタスクを振り分けて並列実行し、最後に結果を集約 独立した部分に分割できる大規模タスク
Teamwork チームモード /teamwork エージェントのチームが継続的に協力し、複数回のやり取りを重ねる 何度も議論したり互いに依存し合う複雑なプロジェクト
Workflow ワークフローモード /run-workflow 事前定義された有向グラフに従って実行。分岐・ループ・条件によるルーティングに対応 フローが固定で、安定した再現性が求められるタスク

迷ったときは、次の順番で自問してみてください。フローが毎回同じなら、Workflow を選びます。フローは決まっていないものの、サブタスク間でほとんどやり取りが不要なら、Swarm を選びます。サブタスク間で何度もすり合わせが必要な場合(たとえば、フロントエンドがインターフェースを変更したらバックエンドもそれに合わせて調整するようなケース)は、Teamwork を選びましょう。Swarm は並列度が最も高く待ち時間も最短ですが、その反面、タスクがきれいに分割できることが最も強く求められます。


4. Antigravity Orchestrator の /swarm スウォーム機構

4.1 /swarm の5ステップワークフロー

/swarm は Orchestrator の中でも最も代表的な機能で、全体の流れは5つのステップに分かれています:

  1. ユーザーが /swarm コマンドをタスクの説明とともに送信します。
  2. メインエージェント(Orchestrator Agent)がタスクを分析し、自動的に複数のサブタスクへ分解します。
  3. サブタスクごとにサブエージェントを動的に生成します。これが「動的セルフクローンサブエージェント」です。
  4. サブエージェントが並列に実行され、結果はメインエージェントに集約されます。
  5. メインエージェントが出力を統合し、最終的な Artifacts を生成します。

ステップ2とステップ5が、最終的な品質を左右します。タスク分解が不十分だと、サブエージェント同士で作業が重複したり、逆に抜け落ちたりしてしまいます。統合能力が足りないと、各パーツを組み合わせても使える形にまとまりません。そのため、メインエージェントには通常、より強力な推論能力を持つモデルが求められます。

4.2 動的サブエージェントと静的サブエージェント

Antigravity Orchestrator は2種類のサブエージェントをサポートしており、同じタスクの中で混在させることも可能です:

  • 動的セルフクローンサブエージェント:実行時に必要に応じて生成され、メインエージェントのコンテキストの一部を引き継ぎます。その場で切り出したサブタスクに向いています。
  • 静的カスタムサブエージェント:あらかじめ定義された専用エージェントで、固定のシステム指示とツールセットを持ちます。コードレビューやテスト生成といった、繰り返し現れる専門的な工程に適しています。

もう一つ注目したい設計ポイントは、サブエージェントごとに異なるモデルを使える点です。たとえば、深い推論が必要な部分には Carbon を、高速かつシンプルな処理には Hydrogen を割り当てるといった具合です。この「タスクの難易度に応じてモデルを割り当てる」手法は、マルチエージェントシステムでコストを制御するための核心的な手段であり、第7節で具体的に解説します。

4.3 事例:Pelican Campus Quest のタスク分解

Sundar Pichai による /swarm のデモは、仕組みを理解するうえで絶好のサンプルです。メインエージェントが受け取ったタスクは「Google Mountain View のキャンパスを GBike で走り回りながら探索する、オープンワールド3Dゲームの構築」でした。これを3つの並行ラインに分解しています:

  • 3Dアセットモデリング:サブエージェントが Blender を使用し、Omni / Nano Banana が生成した素材を参照します。
  • ゲームエンジンの構築:サブエージェントが Three.js と WebGL シェーダーを使用します。
  • オーディオシステム:サブエージェントが Web Audio API と Lyria の音楽を組み合わせて使用します。

最終的に、この3つのパートは自動的に統合され、ブラウザ上でプレイできるゲームとして仕上がりました。この事例が Swarm に適していたのは、モデル・エンジン・オーディオという3ブロックが、インターフェースレベルで形式さえ合意しておけば、開発中に互いをほとんど待つ必要がないためです。まさに第3節で述べた「分割可能性」の好例と言えます。


5 Antigravity Orchestrator vs LangGraph・CrewAI・AutoGen

5.1 比較の観点

以下の比較では、パフォーマンスではなく立ち位置の違いだけを見ます。というのも、それぞれの形態がまったく異なるからです。1 つは完全なプラットフォーム、その他は Python ライブラリです。比較項目は、製品の立ち位置、エージェントの抽象化、ブラウザ統合、モデルのバインディング、デプロイ方式、オープンソース度です。

antigravity-orchestrator-explained-from-zero-ja-image-2

項目 Antigravity LangGraph CrewAI AutoGen
立ち位置 完全な IDE + プラットフォーム Python ライブラリ Python ライブラリ Python ライブラリ
エージェントモデル 動的セルフクローン + 静的 グラフノード ロール定義 対話エージェント
ブラウザ統合 ネイティブ Chrome 拡張 なし なし なし
モデルバインディング Gemini 向けに最適化 モデル非依存 モデル非依存 モデル非依存
デプロイ Cloud Run / Docker 自前でデプロイ 自前でデプロイ 自前でデプロイ
オープンソース SDK は OSS、コアはクローズド 完全オープンソース オープンソース オープンソース
複数モデル接続の推奨 Gemini エコシステム内 APIYI(apiyi.com)経由で統一的に接続可 同左 同左

5.2 選定の判断

LangGraph はグラフ構造の制御性と完全なオープンソースである点で依然リードしていますが、IDE 統合、ブラウザ操作、デプロイのパイプラインは自分で構築する必要があります。Antigravity Orchestrator は「すぐに使い始められる」点で有利で、/swarm コマンド一つでタスクの分割・並列実行・統合まで完了し、ブラウザもネイティブに操作できます。CrewAI のロール定義方式は直感的で、AutoGen は対話主導の協調作業を得意としていますが、どちらもデプロイとツールチェーンは自前で用意する必要があります。

ここから、シンプルな判断ルールが導けます。チームがすでに Gemini を深く活用していて、IDE 内で直接マルチエージェント機能を手に入れたいなら Antigravity を選びましょう。複数のモデルを行き来して使いたい場合や、コアエンジンの監査可能性が求められる場合は、オープンソースライブラリを選びましょう。

💡 選定のアドバイス:オープンソースライブラリのルートを進むなら、モデル接続層は OpenAI 互換インターフェースに統一するのがおすすめです。APIYI(apiyi.com)を使えば、キー 1 つで LangGraph や CrewAI 内でも GPT、Claude、Gemini などのモデルを切り替えられ、同じオーケストレーショングラフ内でノードごとに異なるモデルを割り当てやすくなります。


6 Antigravity Orchestrator をゼロから始めるステップ

6.1 おすすめの学習順序

「まず使えるように、次に書けるように、最後に調整できるように」という流れを意識すると、入門までの道のりは次の 7 ステップに分けられます。

  1. 概念の理解:Antigravity とは何か、なぜ必要なのかを押さえる(本記事の第 1〜2 節)。
  2. インストール:Web アプリ、IDE ダウンロード、コマンドラインの 3 つの方法から、好きなものを 1 つ選んで導入する。
  3. 最初のエージェント:SDK を使って Hello World エージェントを書いてみる。
  4. Orchestrator の理解:Workflow Runtime と Task API の関係を把握する。
  5. 最初の Swarm:IDE または CLI で /swarm を実際に動かしてみる。
  6. サブエージェントを深掘り:動的サブエージェントと静的サブエージェントの違いを比較してみる。
  7. ベストプラクティス:モデルの選び方、権限管理、コスト管理を学ぶ。

6.2 Antigravity SDK で最初のエージェントを書く

SDK で最小構成のエージェントを作るには、設定オブジェクト 1 つと会話呼び出し 1 回だけで十分です:

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())

ストリーミング出力が必要な場合は、response をそのままイテレートするだけです。エージェントへのツール追加も簡単で、通常の Python 関数を tools に渡すだけです:

import sys

# ストリーミング応答
async for token in response:
    sys.stdout.write(token)
    sys.stdout.flush()

# カスタムツール
def get_weather(city: str) -> str:
    return f"It's sunny in {city}."

config = LocalAgentConfig(tools=[get_weather])

関数シグネチャの型アノテーションは、エージェントが引数の意味を理解する手助けになります。実際のプロジェクトでは、ツール関数には docstring をきちんと書いておくのがおすすめです。そうすることで、メインエージェントがタスクを分解する際に、どのツールをどのサブエージェントに任せるべきかを判断しやすくなります。

6.3 OpenAI互換インターフェースでスウォームのファンアウトとファンインをシミュレートする

Orchestrator のコアエンジンはクローズドソースですが、「分割 — 並列 — 統合」という考え方自体は、どんなモデルでも再現できます。以下のコードは、最小構成の /swarm をシミュレートしたものです。メインエージェントがタスクの分解と統合を担当し、サブエージェントが並列で実行します。これは Antigravity の実装そのものではなく、4.1 節で説明した5ステップの流れを理解するための学習用サンプルです。

import asyncio
from openai import AsyncOpenAI

client = AsyncOpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # APIYI の OpenAI 互換インターフェース
)

PLANNER_MODEL = "your-reasoning-model"  # メインエージェント:推論に強いモデル。プラットフォームのモデル一覧を参照
WORKER_MODEL = "your-fast-model"        # サブエージェント:高速かつ低コストのモデル

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
スウォームシミュレーションの完全なコードを見る
import asyncio
from openai import AsyncOpenAI

client = AsyncOpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # 1つのキーで複数のモデルを呼び出せる
)

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:
    # Step 2:メインエージェントがタスクを分解する(Fan-out の前)
    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]

    # Step 3-4:サブタスクごとにサブエージェントを作成し、並列実行する(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
    ])

    # Step 5:メインエージェントが結果を統合する(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")))

このコードには2つの重要なポイントが込められています。メインエージェントとサブエージェントに異なるモデルを使うこと、そしてサブタスクを asyncio.gather で並列実行することです。これを第 4 節と見比べてみると、Orchestrator が Layer 3 で自動的に引き受けてくれる処理——状態管理、失敗時のリトライ、成果物の統合など——がよく分かるはずです。

🚀 クイックスタート:上のサンプルはそのまま実行できます。APIYI(apiyi.com)でキーを取得し、2つのモデル名をプラットフォームで利用可能なモデルに置き換えるだけです。新規ユーザーには無料のテストクレジットが付与されるので、分解と統合の実験を何度か行うには十分な量です。


7 Antigravity Orchestrator のベストプラクティスと影響

7.1 モデル選択:タスクの難易度に応じたレイヤー分け

マルチエージェントシステムのコストは、サブエージェントの数に応じて掛け算で膨らんでいきます。そのため、モデルのレイヤー分けが最初に押さえるべき原則です。タスクの分解や結果の統合といった、全体の品質を左右する工程は、Antigravity でいう Carbon のような強力な推論モデルに任せます。フォーマット変換、ボイラープレートコード、単純なクエリは、Hydrogen のような高速モデルが受け持ちます。Antigravity 以外で同じようなアーキテクチャを再現する場合も、このレイヤー分けの発想はそのまま使えます。APIYI(apiyi.com)を経由すれば、同じコードベースのままで役割ごとに異なるモデルを指定できるので、品質とコストを比べたうえで構成を固定するとよいでしょう。

7.2 権限管理:サブエージェントのツール範囲を制限する

動的なサブエージェントは、メインエージェントのコンテキストの一部を引き継ぎます。ツールの権限を絞っておかないと、サブエージェントが本来の役割を超えた操作をしてしまう恐れがあります。より堅実なのは、ファイルの書き込み・コマンドの実行・ブラウザの操作といった能力を、システム指示とツールセットを明示した静的なカスタムサブエージェント側に持たせ、動的なサブエージェントには読み取り専用や生成系のタスクだけを任せる構成です。本番環境に関わる操作では、人間による確認ステップを残しておきましょう。

7.3 コスト管理:まず見積もってから並列度を広げる

/swarm の並列度を上げるほど待ち時間は短くなりますが、トークンの消費もその分増えていきます。まず小さなタスクで、メインエージェントがいくつのサブタスクに分解するのか、1つあたりどれくらい消費するのかを観察し、そのうえで大きなタスクにも適用するかを決めるのがおすすめです。予算にシビアなチームであれば、オープンソースのオーケストレーションライブラリで低価格モデルを使って分割戦略を検証するのが先です。従量課金の APIYI(apiyi.com)なら実験コストを抑えやすく、フローが実用になると確認できてから Antigravity に移行すれば、プラットフォームとしての完全な機能を活かせます。

7.4 Antigravity Orchestrator が開発者に与える影響

Orchestrator の登場は、マルチエージェントオーケストレーションが「エンジニアがグラフ構造を手書きする」やり方から「ユーザーがコマンド1つで起動する」やり方へ移りつつあることを意味します。利用のハードルが下がる一方で、プラットフォームへのロックインという課題も生まれます。オープンソースだった Gemini CLI はすでにサービスを終了しており、コアエンジンはクローズドソースで、主に Gemini 向けに最適化されています。個人開発者や Gemini 中心のチームにとっては明確な効率向上ですが、マルチモデル対応・監査可能性・プライベート環境へのデプロイが必要なチームにとっては、オープンソースフレームワークと統一的なモデル接続レイヤーの組み合わせが、依然としてより柔軟な選択肢です。

最終的な判断方法はシンプルです。手元の実際のタスクを1つ取り上げ、互いに依存しない3つのサブタスクに分解できるか試してみてください。分解できるなら、/swarm が大幅な時間の節約になってくれる可能性は高いです。分解できないなら、Teamwork や Workflow モード、もしくは単一エージェントのほうが、むしろ適切な出発点になります。

antigravity-orchestrator-explained-from-zero-ja-image-3


参考資料

  1. xkcd 353 – Python:import antigravity イースターエッグの出典

    • リンク: xkcd.com/353
    • 説明:Antigravity という名前の文化的背景を理解するのに役立ちます
  2. Google Antigravity 入門動画:公式の入門デモ

    • リンク: youtube.com/watch?v=nTOVIGsqCuY
    • 説明:Antigravity に初めて触れる開発者にぴったりの内容です
  3. Sundar Pichai のツイート:/swarm の能力デモ

    • リンク: twitter.com/sundarpichai/status/2120198811297694192
    • 説明:Gemini 4 Carbon 公開時の公式デモです
  4. Pelican Campus Quest 遊べる版:/swarm が生成したブラウザゲーム

    • リンク: aistudio.google.com/apps/bundled/pelican-campus-quest
    • 説明:スワームモードの最終成果物を直接体験できます

著者:APIYI 技術チーム
技術交流:APIYI(apiyi.com)のトップページからお気軽にご連絡ください。さらに詳しい資料は docs.apiyi.com ドキュメントセンターをご覧ください

関連記事

類似投稿