Google Antigravity が /swarm を発表：AIプログラミングは単一Agentの実行からマルチAgentのチーム協働へ、4種類の役割を読み解く

著者注：本記事は、Google Antigravity の公式ブログと利用ドキュメントをもとに、/swarm におけるマルチ Agent の役割分担、連携の仕組み、可視化による管理、そして利用上の制限について解説します。

2026 年 11 月 10 日、Gemini 4 Carbon が正式に公開されました。同じ日に、Google Antigravity チームは /swarm マルチ Agent 協調機能（Preview）を発表しました。このコマンドを使うと、1 回の対話が AI のエンジニアチームに早変わりします。タスクを分解する人、コードを書く人、チェックする人、そして進捗の停滞に気づく人がそろいます。

この機能には公開された裏付けがあります。Antigravity の公式ブログと Swarm の利用ドキュメントはどちらも公開済みで、Google によると、社内のエンジニアはすでに約 5 週間使っているそうです。/swarm のポイントは、チャットウィンドウを同時にいくつか開くことではありません。タスクを自律的に分解し、並列に実行し、進捗を共有し、相互に検証しながら修正を続ける、という協調の仕組みを作ろうとしている点にあります。

この記事で得られること：/swarm の具体的な実行の仕組み、各ロールの連携のしかた、ユーザーがどう状況を確認して介入できるか、そして利用枠と権限の面での実際の制限がわかります。

Google Antigravity /swarm の重要用語

/swarm では、いくつかの役割を表す用語が登場します。最初にこれらの概念を整理しておくと、後の仕組みがずっと理解しやすくなります。

Google Antigravity の /swarm とは：要点をひと目で

/swarm は Gemini 4 Carbon の正式公開と同時に発表されましたが、この2つは別物です。前者は Antigravity におけるマルチエージェントのオーケストレーション機能で、後者はモデルです。以下の表に、現時点で公式に公開されている情報をまとめました。

単一のエージェントでは大規模なエンジニアリングタスクを担いきれない理由

単一のエージェントは、1つの関数や1つのバグを扱う分には非常にうまく機能します。しかしタスクが数十ファイル、複数モジュール間の依存関係、あるいはテストの繰り返し実行を要する規模に広がると、1つのエージェントが同じコンテキスト内にすべての詳細を保持しなければならなくなります。コンテキストが長くなるほど、前半で示した制約が後半の実行詳細に押し出されやすくなります。

タスクの割り当ても難しいポイントです。単一のエージェントは逐次実行しかできないため、A モジュールの修正が終わるまで B モジュールの調査は待たされます。エンジニアリングタスクの多くは本来並列に分割できます。たとえば、別々のパッケージで失敗しているテストをそれぞれ修正するような作業で、直列に実行するのは時間の浪費です。

最も見落とされやすいのが検証です。コードを書くエージェントが自分のコードをチェックすると、元の前提をそのまま引き継いでしまい、考え方のズレに気づけません。人間のチームでは別の人がコードレビューを行うわけですが、/swarm はその役割分担を AI プログラミングのプロセスに持ち込みました。

Google Antigravity /swarm で Agent チームを起動する流れ

公式ドキュメントによると、/swarm <task> を実行すると、次の順序で処理が進みます。

1. 現在の会話が Coordinator に変わる：あなたが今会話している Agent が調整役となり、全体のタスクを理解します。
2. 作業内容の分割：Coordinator がタスクの構造に応じて、いくつかのサブタスクに分けます。
3. 独立した Worker の作成：作業ごとに Worker が1つ割り当てられ、各 Worker は独立したコンテキストと、公開されたタスク説明を受け取ります。
4. 実行と検証：Worker がコードの修正や調査を行います。Verifier はコードの変更内容を確認してテストを実行し、問題があれば該当する Worker にフィードバックします。
5. 修正ループ：Worker はフィードバックに基づいて修正し、修正後に再びチェックを受けます。
6. レポートの集約：Coordinator が各メンバーの結果を統合し、ユーザーに報告します。

各 Worker のコンテキストは独立しており、自分が担当するタスクの情報だけを保持します。そのため、長いコンテキストが互いに汚染し合う問題が軽減されます。タスク説明は公開されているので、ほかのメンバーも「誰が何をしているか」を把握でき、役割分担の境界がはっきりします。

/swarm チームの役割分担：Coordinator、Worker、Verifier、Monitor

公式ドキュメントによると、Swarm チームには通常4種類の役割があります。ただし、これはあくまで公式が説明している典型的な編成例であり、すべてのタスクに当てはまる固定のアーキテクチャではありません。Worker を何人作るか、追加のメンバーが必要かどうかは、Coordinator がタスクに応じて判断します。

/swarm における Verifier と Monitor の仕組み

公式ブログでは、Verifier を「敵対的検証 Agent」と呼んでいます。役割は問題を見つけることです。他の Agent による変更をチェックし、テストを実行し、不適切な変更には疑問を投げかけます。Worker はフィードバックを受けて修正し、再度提出してチェックを受けます。こうして、実行と検証が一つのループになります。

Monitor が対処するのは、また別の種類のリスクです。複数の Agent が協調して動くと、全員が待ち状態になり、誰も先に進まないという状況が起こり得ます。Monitor は普段はスリープしていますが、チーム全体の活動が止まっているのにタスクが終わっていないと気づくと、関係するメンバーを起こします。これがあるおかげで、チームが行き詰まっても、ユーザーが手動で介入することだけに頼らずに済みます。

/swarm では役割ごとに異なるモデルを使える

Google は公式ブログで、すべての Agent に最も高価なモデルを使うのではなく、役割の特性に合わせてモデルを割り当てることを推奨しています。

• Gemini 4 Carbon を使う場面：全体のアーキテクチャ設計、タスクの調整、セキュリティレビュー、複雑なコード監査
• より高速で軽量なモデルを使う場面：通常のコード実装、ファイルの並列修正
• 専用の検証 Agent を使う場面：自動テストと検証

公式ドキュメントのサンプルにも、コード実装と独立した検証を別々のモデルに任せる使い方があります。これはコストと能力のバランスを取る考え方で、複雑な判断は高性能なモデルに任せ、大量の実行作業は高速なモデルに任せるというものです。

💡 選び方のヒント：自作のマルチ Agent パイプラインでも役割ごとにモデルを組み合わせたい場合は、まず APIYI（apiyi.com）で同じ API キーを使い、計画・実装・レビューの各工程で異なるモデルがどう動くかを試してみるとよいでしょう。各役割に合うモデルが決まってから設定を固めれば、切り替えの際に変更するのは model パラメータだけで済みます。

/swarm：複数のAgentが互いに干渉せず協調する仕組み

共有メッセージボード：Agent同士のオープンなコミュニケーション

各Agentは、追記専用の共有メッセージボード（Shared Message Board）を共用しており、協調の過程やタスクの進捗がそこに記録されます。メッセージは追記のみで上書きされないため、チームのやり取りの履歴をすべてたどれます。Agentは他のメンバーを待っている間はスリープでき、入力が必要になったときに再び起こされます。Googleによると、待機中はTokenを消費しないとのことです。

この設計は、Agent同士が裏でこっそり呼び出し合う方式よりも透明性が高いのが特長です。VerifierからWorkerへのフィードバックや、Coordinatorによる割り当ての判断がすべて表に出るため、あとから振り返るときに、どの段階で問題が起きたのかをはっきり把握できます。

共有ワークスペースと独立した作業コピーの違い

この点については、公式ブログと利用ドキュメントで表現が異なっており、書き間違えやすい部分です。ブログでは、並列のWorkerが分離されたGit Worktree内で作業でき、同じディレクトリを直接書き換えずに済むと強調されています。一方、利用ドキュメントではもう少し細かいルールが説明されています。

• デフォルトの状態：Workerは現在のワークスペースを共有します。
• 必要に応じて分離：複数のWorkerが同時にプロジェクトを変更したりビルドしたりする場合、Coordinatorはそれぞれに独立したコードの作業コピーを割り当てられます。
• 削除すると消える：Workerを削除すると、そのWorkerの作業コピーも削除されます。そのため、先に成果物をマージするかコミットしておく必要があります。

つまり正確には、「並列タスクの必要に応じて、システムが分離された作業コピーを用意する」のであって、「すべてのAgentが最初からそれぞれ完全に独立したGit Worktreeを持っている」わけではありません。調査だけでファイルを変更しないタスクなら、共有ワークスペースで十分です。複数のWorkerが同時にコードを修正したりビルドを実行したりする場合は、独立したコピーがあるとファイルの競合を減らせます。

Antigravity で /swarm チームを観察・制御する方法

複数のAgentが並列で動くとき、いちばん困るのは「中で何が起きているのか分からない」ことです。Antigravityには、この問題に対応する3つの主要なビューが用意されていて、CLIにも対応するショートカット操作があります。

ユーザーができるのは、結果を眺めることだけではありません。これらの入口から、各Agentの作業の履歴を確認したり、特定のWorkerに直接入って介入したり、Coordinatorへのタスク要件を調整したりできます。Alt + J と Ctrl + K があることからも分かるように、ツール呼び出しの承認は今も人間の手に残されています。Agentが機密性の高い操作を実行しようとすると、いったん停止して確認を待ちます。

/swarm で解決できる複雑なエンジニアリングタスク

Googleが公開している社内での利用シーンは、主に次の3種類です。複数パッケージにまたがる移行、サブシステムをまたぐ根本原因の調査、複雑なソフトウェアアーキテクチャの再設計。共通点は、作業量が大きく、分割でき、しかも検証が必要なことです。

公式の利用ドキュメントに載っている例は、日常の開発にもっと近いものです。

• 複数のAPI Handlerをそれぞれ修正し、Handlerごとにテストを用意する
• CLIの起動が遅い根本原因を並列で調査する
• 大規模プロジェクトで失敗しているテストをパッケージごとにグループ化し、別々のAgentに修復を割り当てる
• コードの実装と独立した検証を、異なるモデルに分担させる

Googleは公式デモも公開しています。Antigravityのマルチ Agent 協調を使って、Carbonが7件の公開都市計画PDFを処理し、206枚の図面ビューを抽出して、約90.6万個の三角形ポリゴンからなるインタラクティブなThree.js建築モデルを生成しました。この過程では、夜間のイテレーションが10回行われています。これはGoogleの公式事例であり、第三者による独立した検証ではありません。それでも、長期間にわたるタスクでマルチ Agent がどのように役割分担するのかをうかがい知ることができます。

/swarm のコスト、権限、Preview 版の制限

マルチ Agent のクォータ消費

待機中の Agent は Token を消費しませんが、だからといって /swarm が節約になるわけではありません。各 Worker は独立した Agent なので、複数のメンバーが同時に動くと、全体のクォータ消費は通常の単一の会話よりずっと速くなります。Google 自身もこの点について注意を促しています。

もうひとつ、はまりやすい落とし穴があります。ある Worker がクォータを使い切ると一時停止し、その後クォータが回復しても自動では再開されません。ユーザーが手動で対応する必要があります。長時間かかる大きなタスクを始める前に、クォータが足りるかどうかを見積もっておくのがおすすめです。

Swarm 機能の権限 ≠ Carbon モデルの権限

ここが最も混同しやすいポイントです。/swarm が使えるからといって、Swarm の中で Carbon が使えるとは限りません。

つまり、Pro ユーザーでも Swarm の協調の仕組みは体験できますが、Agent がどのモデルを使えるかは、それぞれのサブスクリプションのモデル権限に左右されます。

影響分析：/swarm が AI プログラミングを「アシスタント」から「チーム」へ押し上げる

開発者への影響

• 役割の変化：開発者は「モデルに質問する人」から「AIチームを組織する人」へと変わります。タスクの分割の質や受け入れ基準が、結果に直接影響します。
• 検証の前倒し：Verifier の仕組みによって、テストとレビューがワークフローの標準的なステップになります。生成後の後追い対応ではなくなります。
• コスト管理の重要性が増す：複数の Worker が並列で動くということは、クォータ、モデルの組み合わせ、タスクの粒度にも目を配る必要があるということです。単発の対話の使い心地だけで判断するわけにはいきません。

業界への影響

• マルチモデル協調が実運用の方向性に：強力なモデルが計画とレビューを担当し、高速なモデルが一括処理を担当する、という役割分担は、今後さらに多くの Agent フレームワークに取り入れられていくでしょう。
• 競争の焦点はタスクの納品へ：モデル間の競争は、単発の質問応答のスコアから、長期にわたるタスクの計画・実行・検証・納品の能力へと移りつつあります。

API で /swarm のマルチ Agent の考え方を再現する：最小限のサンプル

「コーディネーターがタスクを分解し、ワーカーが実行する」というアプローチを自分のプロジェクトで試したいときは、OpenAI 互換インターフェースを使えば最小限のプロトタイプを書けます。以下のコードは協調の構造を示すだけのもので、Antigravity の /swarm の実装ではありません。モデル名は、ご自身のアカウントで利用できるモデルに置き換えてください。

from openai import OpenAI

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

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

plan = ask("STRONG_MODEL", "把“修复 3 个 API Handler 的失败测试”拆成独立子任务，每行一个")
for task in [t for t in plan.splitlines() if t.strip()]:
    print(ask("FAST_MODEL", f"完成这个子任务并给出补丁：{task}"))

import concurrent.futures as cf
from openai import OpenAI

client = OpenAI(
    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
)

COORDINATOR_MODEL = "STRONG_MODEL"   # 計画とまとめ役。推論能力の高いモデルに置き換えてください
WORKER_MODEL = "FAST_MODEL"          # 一括実行用。高速で軽量なモデルに置き換えてください
VERIFIER_MODEL = "REVIEW_MODEL"      # 独立したレビュー役。Worker とは別のモデルを推奨
board = []                           # 追記専用の共有メッセージボード

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

def worker(task, max_rounds=3):
    patch = ask(WORKER_MODEL, "你是 Worker，只负责分配给你的子任务。", task)
    for i in range(max_rounds):
        review = ask(VERIFIER_MODEL,
                     "你是 Verifier，检查补丁问题。没有问题只回复 PASS。",
                     f"任务：{task}\n补丁：\n{patch}")
        board.append(f"[Verifier] {task[:20]}... 第{i+1}轮：{review[:60]}")
        if review.strip().startswith("PASS"):
            return patch
        patch = ask(WORKER_MODEL, "根据审查意见修复补丁。",
                    f"任务：{task}\n原补丁：{patch}\n意见：{review}")
    return patch + "\n# 未通过验证，需人工检查"

goal = "为 users、orders、payments 三个 API Handler 补充输入校验并修复失败测试"
plan = ask(COORDINATOR_MODEL, "你是 Coordinator，把目标拆成互不重叠的子任务，每行一个。", goal)
tasks = [t.strip() for t in plan.splitlines() if t.strip()]
board.append(f"[Coordinator] 拆分为 {len(tasks)} 个子任务")

with cf.ThreadPoolExecutor(max_workers=4) as pool:
    results = list(pool.map(worker, tasks))

summary = ask(COORDINATOR_MODEL, "汇总各 Worker 结果，列出完成情况与风险。",
              "\n\n".join(results))
print("\n".join(board))
print(summary)

🚀 クイックスタート：このようなマルチロールのプロトタイプを作るなら、APIYI（apiyi.com）で APIキーと新規ユーザー向けの無料テスト枠を取得するのがおすすめです。このプラットフォームは OpenAI 互換インターフェースを提供しているので、1 つのコードで OpenAI、Claude、Gemini などのモデルを呼び出せます。「強力なモデルが計画し、高速なモデルが実行し、異なる種類のモデルがレビューする」という組み合わせが自分のプロジェクトに合うかどうか、手軽に検証できます。

よくある質問 FAQ

Google Antigravity /swarm の要点 Key Takeaways

• 実行の仕組み：/swarm <task> を実行すると、現在の会話が Coordinator になり、タスクを分割して独立した Worker を作成します
• 典型的な役割分担：Coordinator、Worker、Verifier、Monitor の4つ。通常は Worker 2〜4 人ごとに Verifier を1人配置します
• 連携方法：追記型の共有メッセージボードで公開コミュニケーションを行い、待機中の Agent は Token を消費しません
• ワークスペースのルール：デフォルトは共有ワークスペースで、並行して変更する場合は必要に応じて独立した作業コピーが割り当てられます
• 可視化と操作：Board、Members、Graph の3つのビューに加え、/swarm board、/agents などの CLI 操作が使えます
• 現実的な制約：現在は Preview 段階で、複数の Worker を動かすとクォータの消費が早くなります。また、Swarm の権限は Carbon の権限と同じではありません
• 自前での実践：APIYI（apiyi.com）の統一インターフェースで複数のモデルを組み合わせ、独自のマルチロール型プロトタイプを構築できます

まとめ

Google Antigravity /swarm の要点は次のとおりです。

1. 並列から協調へ：/swarm の価値は、タスク分割、独立したコンテキスト、敵対的な検証、進捗モニタリングが一巡する仕組みにあります。並列実行はその一部にすぎません。
2. 必要に応じた分離：共有ワークスペースと独立した作業コピーはタスクに応じて切り替わるため、ユーザーはマージのタイミングに注意が必要です。
3. 能力とコストの両立：マルチ Agent によって複雑なエンジニアリングタスクへの対応力は上がりますが、クォータの消費が増え、リソース管理も複雑になります。現時点ではまだ Preview です。

開発者にとって /swarm は、仕事の進め方が変わることを意味します。モデルに質問するだけでなく、役割分担、実行、検証、納品までこなせる AI チームを編成する時代になりつつあります。Antigravity をすぐに使えなくても、「役割ごとにモデルを割り当て、検証を実行から独立させる」という考え方は、自分の Agent システムにも取り入れられます。複数モデルの組み合わせは、APIYI（apiyi.com）で手軽に試せます。無料のテストクォータと、複数モデルに対応した統一インターフェースが用意されています。

📚 参考資料

1. Google Antigravity Swarm 公式ドキュメント：/swarm の実行メカニズム、ロール設定、ワーキングコピー、CLI 操作
2. リンク： antigravity.google/docs/swarm

3. 説明： Coordinator、Verifier、Monitor の詳細や、Board / Members / Graph ビューに関する一次情報

4. Google Antigravity 公式ブログ：Gemini 4 Carbon in Google Antigravity

5. リンク： antigravity.google/blog/gemini-4-carbon-in-google-antigravity

6. 説明： /swarm のリリース情報、マルチ Agent アーキテクチャ、モデルのロール割り当てに関する推奨事項

7. Google 公式発表：Gemini 4 Carbon is now available

8. リンク： blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-carbon-now-available

9. 説明： Carbon の正式提供範囲と、/swarm プレビュー公開の背景

10. Google AI サブスクリプション特典ページ：AI Pro と Ultra のモデル利用権限

11. リンク： one.google.com/about/google-ai-plans

12. 説明： サブスクリプションのプランごとの違いと、Carbon モデルへのアクセス権限について

13. The Verge の発表レポート：Google releases Gemini 4 Carbon with agent swarm feature

14. リンク： theverge.com/ai-artificial-intelligence/1030787/google-gemini-4-carbon-public-rollout
15. 説明： 独立系メディアの視点から見たリリースの背景とアクセス制限

著者: APIYI 技術チーム
技術交流: マルチ Agent の実践について、ぜひ APIYI（apiyi.com）のトップページからお気軽にご連絡ください。さらに詳しい接続資料は docs.apiyi.com のドキュメントセンターでご覧いただけます

関連記事

• Gemini 4 Carbonリリース解説：59点でOpus 5.5を逆転、17項目中15項目で勝利も呼び出せない:Gemini 4 CarbonはArtificial Analysisの総合知能指数で59点を獲得して首位となり、公式の17項目の比較で15項目に勝利しましたが、APIモデルIDも公開予定もなく、この記事では評価基準ごとにスコアを整理し、現時点で呼び出せない理由と、中国の開発者が今はgemini-4-argonを先に利用できることを説明します。