Примечание автора: в одной статье разбираемся, что такое Antigravity Orchestrator, как через /swarm раздавать задачи субагентам и чем он отличается по позиционированию от LangGraph и CrewAI.
Кратко: Antigravity Orchestrator — это встроенный в платформу Google Antigravity движок координации мультиагентной работы, а не лёгкий фреймворк, который можно поставить отдельно через pip. В статье мы пройдёмся по четырём направлениям — продуктовая матрица, три уровня абстракции, три режима оркестрации и роевой механизм /swarm, — чтобы вы поняли, как он устроен и в каких случаях пригодится.
Сразу к выводу: Antigravity Orchestrator можно представить как «мозг планирования задач, спрятанный внутри платформы Antigravity». Вы вводите в IDE, веб-приложении или CLI слэш-команды вроде /swarm и /teamwork, а он под капотом обращается к Task API и Workflow Runtime из SDK, разбивает одну большую задачу на несколько подзадач, раздаёт их параллельно работающим субагентам и в конце сводит всё в готовый результат. В ноябре 2026 года Orchestrator официально вошёл в состав Antigravity вместе с Gemini 4 Neon. А 10 ноября, когда открылся полный доступ к Gemini 4 Carbon, Sundar Pichai вживую продемонстрировал возможности /swarm — с этого момента функция попала в поле зрения широкой публики.
Стоит ли вкладываться в изучение — решают два условия. Первое: можно ли разбить вашу задачу на независимые части, которые реально выполнять параллельно. Второе: устраивает ли вас платформа, заточенная под Gemini, с закрытым исходным кодом основного движка. Если оба условия выполняются, Orchestrator заметно снижает затраты на настройку мультиагентного взаимодействия. Если же вам нужно решение, не привязанное к конкретной модели и полностью открытое, Python-библиотеки вроде LangGraph и CrewAI по-прежнему подходят лучше.

Карта знаний Antigravity Orchestrator и навигатор по чтению
В таблице ниже представлена структура материала, зависимости между разделами и задача, которую решает каждый из них. Общая логика движения — от «что это вообще такое» к «как это работает», а затем к «стоит ли использовать и с чего начать».
| № | Тема | Решаемая задача | Связь с соседними разделами |
|---|---|---|---|
| 1 | Предпосылки платформы Antigravity | В рамках какой продуктовой экосистемы работает Orchestrator | Даёт платформенный контекст для раздела 2 |
| 2 | Трёхуровневая абстракция Orchestrator | Что это технически на самом деле | Механизмы из разделов 3 и 4 строятся на этих трёх уровнях |
| 3 | Три режима оркестрации | Чем отличаются /swarm, /teamwork и /run-workflow | Из трёх режимов выбран /swarm, который детально разбирается в разделе 4 |
| 4 | Механика роя в /swarm | Как главный агент разбивает задачи и назначает субагентов | Разбор на реальном примере — база для сравнения в разделе 5 |
| 5 | Сравнение с LangGraph и другими фреймворками | В каких случаях его выбирать, а в каких — нет | Даёт критерии выбора и подводит к разделу 6 с путём старта |
| 6 | Путь для новичков и код | Как начать с нуля | Переводит концепции из предыдущих разделов на уровень кода |
| 7 | Лучшие практики и влияние | Как управлять выбором модели, правами и затратами | Завершается конкретными рекомендациями к действию |
Если хотите просто понять, что это такое, — достаточно разделов с 1-го по 3-й. Если готовитесь к техническому выбору, стоит внимательно изучить разделы 4 и 5. Если хотите сразу к практике — смело переходите к разделам 6 и 7.
🎯 Технический совет: быстрее всего понять мультиагентную оркестрацию можно, своими руками прогнав цикл «разбиение — параллельное выполнение — сборка результатов». В разделе 6.3 приведена имитационная реализация на базе OpenAI-совместимого интерфейса: через APIYI (apiyi.com) одним API-ключом можно вызывать разные модели, которые будут играть роли главного агента и субагентов.
To Know: обязательная терминология для понимания Antigravity Orchestrator
| Термин | Краткое объяснение |
|---|---|
| Агент (Agent) | Экземпляр модели, способный вызывать инструменты и автономно выполнять многошаговые задачи |
| Главный агент (Orchestrator Agent) | Общий координатор, который анализирует и разбивает задачи, назначает субагентов и сводит результаты воедино |
| Субагент (Subagent) | Агент, берущий на себя конкретную подзадачу; может создаваться динамически во время работы или быть определён заранее |
| Fan-out / Fan-in | Fan-out — распределение одной задачи между несколькими исполнителями; fan-in — сбор нескольких результатов обратно в одну точку |
| Artifacts | Итоговые результаты работы агента, например код, файлы, работоспособное приложение |
| Workflow Runtime | Основанный на графах движок выполнения в Antigravity SDK, отвечающий за управление состоянием и диспетчеризацию узлов |
1 Платформа, на которой живёт Antigravity Orchestrator: что такое Antigravity
1.1 Откуда взялось название Antigravity
«Antigravity» дословно переводится как «антигравитация» — название намекает, что разработка избавится от оков традиционного одиночного кодинга и «взлетит», словно в невесомости. Многие разработчики полагают, что имя могло быть позаимствовано у пасхалки Python — import antigravity. Эта пасхалка отсылает к комиксу xkcd: при выполнении этой строки кода комикс открывается в браузере. Google позиционирует Antigravity как платформу для разработчиков эпохи «agent-first» (агентно-ориентированной): агенты выполняют основную работу, а человек описывает цели и проверяет результаты.
1.2 Antigravity — это матрица продуктов
Многие, впервые услышав об Antigravity, принимают его за IDE. На самом деле это набор продуктов для разных сценариев, а возможности Orchestrator распределены между этими формами:
| Продукт | Форма | Основное назначение |
|---|---|---|
| Antigravity App | Веб-приложение | Полноценное агентное программирование прямо в браузере |
| Antigravity IDE | Десктопное приложение | Форк VS Code с глубокой интеграцией агентных возможностей |
| Antigravity CLI | Инструмент командной строки | Терминальный агент, написанный на Go |
| Antigravity SDK | Библиотека Python | Разработка собственных агентов |
| Antigravity Extensions | Плагин для IDE | Встраивание агентных возможностей в существующие редакторы |
Эта таблица демонстрирует ключевой факт: слэш-команды живут в интерактивных интерфейсах вроде App, IDE и CLI, а SDK предоставляет программируемый интерфейс. Когда во втором разделе мы дойдём до трёх уровней абстракции, вы увидите, как эти два слоя стыкуются между собой.
1.3 Хронология выхода Antigravity Orchestrator
Orchestrator не возник на пустом месте — это результат годовой эволюции платформы Antigravity. В хронологическом порядке ключевые вехи выглядят так:
- 18 ноября 2025 года: Antigravity IDE и Gemini 3 Pro вышли в один день.
- Май 2026 (Google I/O): релиз Gemini 3.5 Flash, а также Gemini Spark на базе рантайма Antigravity.
- 18 июня 2026 года: опенсорсный Gemini CLI прекратил работу, состоялся полный переход на проприетарный Antigravity CLI.
- Ноябрь 2026: Gemini 4 Neon и Orchestrator официально вошли в состав Antigravity.
- 10 ноября 2026 года: Gemini 4 Carbon открыт для всех, Сундар Пичаи демонстрирует
/swarm.
Из этой хронологии виден очевидный тренд: Google объединяет агентные возможности терминала, IDE и браузера под единым рантаймом Antigravity, а Orchestrator — это слой координации поверх этого рантайма.
2 Что такое Antigravity Orchestrator: разбираем три уровня абстракции
2.1 Что представляет собой Antigravity Orchestrator на самом деле
В некоторых статьях Antigravity Orchestrator называют «лёгким swarm-фреймворком», и такая формулировка легко создаёт впечатление, будто это отдельная библиотека. Более точное описание: это встроенный в платформу Antigravity движок для координации мультиагентной работы. В его основе лежат Workflow Runtime и Task API из SDK, а запускается он сверху — через слэш-команды или SDK API. Под «лёгкостью» здесь имеется в виду именно простота использования: пользователю достаточно одной команды — вручную прописывать структуру графа и конечный автомат не нужно.
2.2 Три уровня в структуре Antigravity Orchestrator
Возможности Orchestrator делятся сверху вниз на три уровня. Верхний уровень вызывает нижний, и чем ниже — тем ближе к деталям исполнения:
Layer 1: слэш-команды /swarm, /teamwork, /plan
↓ для пользователя: одна команда запускает оркестрацию
Layer 2: SDK API Agent, Subagent, Task API
↓ для разработчика: агенты и задачи описываются кодом
Layer 3: Workflow Runtime движок выполнения графов, Fan-out/Fan-in, управление состоянием
для рантайма: отвечает за планирование, параллелизм и состояние
Самый заметный плюс такого разделения — «один движок, много точек входа». Продакт-менеджер может прямо в IDE набрать /swarm, а бэкенд-разработчик — написать ровно такую же логику оркестрации через SDK; в итоге и то и другое исполняет один и тот же Workflow Runtime. Поняв это, вы легко увидите разницу между тремя режимами, о которых пойдёт речь ниже: на Layer 1 они выглядят просто как разные точки входа, а на Layer 3 им соответствуют разные формы графа.

3 Три режима оркестрации в Antigravity Orchestrator
Orchestrator предоставляет три режима оркестрации. Различаются они тем, нужно ли субагентам постоянно взаимодействовать друг с другом и задаётся ли процесс заранее. Неправильный выбор режима — самая частая ошибка новичков, поэтому сначала взглянем на сравнение:
| Режим | Способ запуска | Форма взаимодействия | Подходящие задачи |
|---|---|---|---|
| Swarm — роевой режим | /swarm |
Разовый запуск нескольких субагентов, которые работают параллельно, а в конце результаты сводятся вместе | Крупные задачи, которые можно разбить на независимые части |
| Teamwork — командный режим | /teamwork |
Команда агентов непрерывно сотрудничает в несколько раундов взаимодействия | Сложные проекты, требующие многократных обсуждений и взаимной зависимости |
| Workflow — режим рабочего процесса | /run-workflow |
Заранее заданный ориентированный граф с ветвлениями, циклами и условной маршрутизацией | Задачи с фиксированным процессом, которые нужно стабильно воспроизводить |
Выбирая режим, задавайте себе вопросы в таком порядке. Если процесс каждый раз один и тот же — берите Workflow. Если процесс не фиксирован, но субзадачи почти не требуют общения между собой — берите Swarm. А если субзадачам нужно постоянно согласовываться — например, после изменения интерфейса на фронтенде бэкенду приходится вносить правки — берите Teamwork. Swarm даёт максимальный параллелизм и минимальное время ожидания, но и требования к делимости задачи у него самые высокие.
4. Роевой механизм /swarm в Antigravity Orchestrator
4.1. Пятишаговый рабочий процесс /swarm
/swarm — самая показательная возможность Orchestrator. Полный процесс состоит из пяти шагов:
- Пользователь отправляет команду
/swarmс описанием задачи. - Главный агент (Orchestrator Agent) анализирует задачу и автоматически разбивает её на несколько подзадач.
- Для каждой подзадачи динамически создаётся субагент — «динамический самоклонирующийся субагент».
- Субагенты работают параллельно, а результаты стекаются обратно к главному агенту.
- Главный агент сводит всё воедино и генерирует финальные Artifacts.
Именно шаги 2 и 5 определяют итоговое качество. Если декомпозиция выполнена небрежно, субагенты начнут дублировать работу друг друга или что-то упустят; если же не хватает интеграционных способностей, отдельные части не сложатся в работоспособное целое. Поэтому в роли главного агента обычно используют модель с более мощными способностями к рассуждению.
4.2. Динамические и статические субагенты
Antigravity Orchestrator поддерживает два типа субагентов, причём в рамках одной задачи их можно комбинировать:
- Динамические самоклонирующиеся субагенты: создаются на лету во время выполнения, наследуют часть контекста главного агента — идеальны для подзадач, которые всплыли по ходу дела.
- Статические кастомные субагенты: заранее подготовленные специализированные агенты с фиксированными системными инструкциями и набором инструментов. Подходят для повторяющихся профильных этапов — например, ревью кода или генерации тестов.
Ещё одно любопытное архитектурное решение: каждый субагент может работать на своей модели. Например, Carbon — для участков, требующих глубокого рассуждения, а Hydrogen — для быстрых и простых. Такой принцип «подбираем модель под сложность задачи» — ключевой рычаг контроля расходов в мультиагентных системах; подробнее разберём его в разделе 7.
4.3. Кейс: как была разбита Pelican Campus Quest
Кейс /swarm, который продемонстрировал Сундар Пичаи, — отличный учебный пример. Главный агент получил задачу: «Создай открытую 3D-игру о путешествии по кампусу Google Mountain View на GBike». И разложил её на три параллельные линии:
- Моделирование 3D-ассетов: субагент работает в Blender, опираясь на материалы, сгенерированные Omni / Nano Banana.
- Сборка игрового движка: субагент использует Three.js и шейдеры WebGL.
- Аудиосистема: субагент задействует Web Audio API в связке с музыкой от Lyria.
В итоге три части автоматически сшиваются в игру, в которую можно играть прямо в браузере. Этот кейс идеально ложится на Swarm, потому что трём блокам — модели, движку и аудио — достаточно договориться о форматах на уровне интерфейсов, а в процессе разработки им практически не нужно ждать друг друга. Это как раз та самая «декомпозируемость», о которой шла речь в разделе 3.
5 Antigravity Orchestrator в сравнении с LangGraph, CrewAI и AutoGen
5.1 Критерии сравнения
Приведённое ниже сравнение затрагивает только различия в позиционировании и не оценивает производительность — формы у этих инструментов совершенно разные: один — полноценная платформа, остальные — Python-библиотеки. Сравнение идёт по таким критериям: позиционирование продукта, абстракция агентов, интеграция с браузером, привязка к моделям, способ развёртывания и степень открытости кода.

| Критерий | Antigravity | LangGraph | CrewAI | AutoGen |
|---|---|---|---|---|
| Позиционирование | Полноценная IDE + платформа | Python-библиотека | Python-библиотека | Python-библиотека |
| Модель агентов | Динамическое самоклонирование + статические | Узлы графа | Ролевые определения | Диалоговые агенты |
| Интеграция с браузером | Нативное расширение Chrome | Нет | Нет | Нет |
| Привязка к моделям | Оптимизирован под Gemini | Не зависит от модели | Не зависит от модели | Не зависит от модели |
| Развёртывание | Cloud Run / Docker | Самостоятельное | Самостоятельное | Самостоятельное |
| Открытый код | SDK открыт, ядро закрыто | Полностью открыт | Открыт | Открыт |
| Подключение нескольких моделей | Внутри экосистемы Gemini | Единое подключение через APIYI (apiyi.com) | То же | То же |
5.2 Как выбрать
LangGraph сохраняет лидерство по управляемости графовой структуры и полной открытости кода, но интеграцию с IDE, работу с браузером и цепочку развёртывания придётся собирать самостоятельно. Antigravity Orchestrator выигрывает в плане «работает из коробки»: одна команда /swarm выполняет декомпозицию задачи, параллельный запуск и объединение результатов, плюс даёт нативное управление браузером. В CrewAI агенты задаются интуитивно понятными ролями, AutoGen силён в координации через диалог — но обоим, как и LangGraph, развёртывание и инструментарий придётся настраивать самому.
Отсюда простое правило: если команда уже глубоко работает с Gemini и хочет получить мультиагентные возможности прямо в IDE — выбирайте Antigravity; если нужно переключаться между моделями разных провайдеров или важна возможность аудита ядра — берите библиотеки с открытым кодом.
💡 Совет по выбору: если идёте по пути библиотек с открытым кодом, слой подключения моделей стоит унифицировать под OpenAI-совместимый интерфейс. Через APIYI (apiyi.com) один API-ключ даёт доступ к GPT, Claude, Gemini и другим моделям в LangGraph или CrewAI — так удобно назначать разные модели разным узлам в одном графе оркестрации.
6. Путь освоения Antigravity Orchestrator с нуля
6.1 Рекомендуемый порядок изучения
Двигаемся по принципу «сначала научиться пользоваться, потом писать самому, и в конце — отлаживать». Путь новичка можно разбить на семь шагов:
- Концепции: разобраться, что такое Antigravity и зачем он вообще нужен (разделы 1–2 этой статьи).
- Установка: выберите один из трёх способов — веб-приложение, скачивание IDE или установка через командную строку.
- Первый агент: напишите агента Hello World с помощью SDK.
- Понимание Orchestrator: разберитесь, как соотносятся Workflow Runtime и Task API.
- Первый Swarm: запустите
/swarmна практике — в IDE или через CLI. - Погружение в субагентов: сравните в действии динамических и статических субагентов.
- Лучшие практики: выбор модели, управление правами доступа и контроль расходов.
6.2 Пишем первого агента с Antigravity SDK
Минимальному агенту в SDK нужны всего лишь один объект конфигурации и один вызов диалога:
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())
Если нужен потоковый вывод, можно просто итерироваться по response. Добавить агенту инструменты тоже несложно — достаточно передать обычные Python-функции в параметр tools:
import sys
# Потоковый вывод ответа
async for token in response:
sys.stdout.write(token)
sys.stdout.flush()
# Пользовательский инструмент
def get_weather(city: str) -> str:
return f"It's sunny in {city}."
config = LocalAgentConfig(tools=[get_weather])
Аннотации типов в сигнатуре функции помогут агенту понять, что означает каждый параметр. В реальном проекте стоит подробно описывать функции-инструменты в docstring — тогда основному агенту будет проще при разбиении задачи определить, какой инструмент передать какому субагенту.
6.3 Имитация fan-out и fan-in роя через OpenAI-совместимый интерфейс
Ключевой движок Orchestrator закрыт (проприетарный), но саму идею «разбить — выполнить параллельно — собрать» можно воспроизвести с любой моделью. Код ниже имитирует минимальную версию /swarm: главный агент отвечает за декомпозицию и объединение результатов, субагенты работают параллельно. Это не реализация Antigravity, а учебный пример, который помогает понять пятишаговый процесс из раздела 4.1.
import asyncio
from openai import AsyncOpenAI
client = AsyncOpenAI(
api_key="YOUR_API_KEY",
base_url="https://api.apiyi.com/v1" # OpenAI-совместимый интерфейс APIYI
)
PLANNER_MODEL = "your-reasoning-model" # Главный агент: модель с сильными рассуждениями, см. список моделей на платформе
WORKER_MODEL = "your-fast-model" # Субагент: быстрая и недорогая модель
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
Полный код имитации роя
import asyncio
from openai import AsyncOpenAI
client = AsyncOpenAI(
api_key="YOUR_API_KEY",
base_url="https://api.apiyi.com/v1" # Один ключ для вызова моделей разных провайдеров
)
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:
# Шаг 2: главный агент разбивает задачу (перед 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]
# Шаги 3–4: для каждой подзадачи создаётся субагент, выполнение идёт параллельно (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
])
# Шаг 5: главный агент объединяет результаты (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")))
Этот код демонстрирует два ключевых момента: главный агент и субагенты используют разные модели, а подзадачи выполняются параллельно через asyncio.gather. Сравните его с разделом 4 — и станет понятно, какую работу Orchestrator автоматически выполняет за вас на уровне Layer 3: управление состоянием, повторные попытки при сбоях и объединение результатов.
🚀 Быстрый старт: пример выше можно запустить сразу — достаточно получить ключ на APIYI apiyi.com и заменить названия двух моделей на те, что доступны на платформе. Новым пользователям дают бесплатный тестовый лимит, которого хватит на несколько раундов экспериментов с разбиением и объединением задач.
7 Лучшие практики и влияние Antigravity Orchestrator
7.1 Выбор моделей: разделение по сложности задач
Расходы мультиагентной системы растут в разы с увеличением числа субагентов, поэтому разделение моделей по уровням — главное правило. Этапы декомпозиции и интеграции, от которых зависит общее качество результата, доверяйте мощным reasoning-моделям, например Carbon в Antigravity; конвертацию форматов, шаблонный код и простые запросы — быстрым моделям, например Hydrogen. Воспроизводя похожую архитектуру за пределами Antigravity, можно взять ту же идею уровней на вооружение: через APIYI apiyi.com указывать разные модели для разных ролей в одном и том же коде, сравнить качество и затраты, а затем зафиксировать конфигурацию.
7.2 Управление правами: ограничение набора инструментов субагентов
Динамические субагенты наследуют часть контекста основного агента, и если права на инструменты не ограничить, один субагент может выполнить действия за рамками своей задачи. Надёжнее поступить так: возможности записи файлов, выполнения команд и управления браузером вынести в статические пользовательские субагенты, чётко определив их системные инструкции и набор инструментов; а динамическим субагентам оставить только задачи на чтение или генерацию. Для операций, затрагивающих продакшн, обязательно сохраняйте этап ручного подтверждения.
7.3 Контроль расходов: сначала оценка, потом рост параллелизма
Чем выше параллелизм в /swarm, тем короче ожидание, но и тем больше расход токенов. Советуем сначала прогнать небольшие задачи и посмотреть, на сколько подзадач обычно разбивает работу основной агент и сколько токенов уходит на каждую, а уже потом решать, стоит ли запускать задачи покрупнее. Командам, чувствительным к бюджету, стоит сначала проверить стратегию разбиения в open-source библиотеках оркестрации на дешёвых моделях: оплата по факту использования на APIYI apiyi.com помогает контролировать стоимость экспериментов, а убедившись, что процесс работает, можно переходить на Antigravity ради полного набора платформенных возможностей.
7.4 Влияние Antigravity Orchestrator на разработчиков
Появление Orchestrator означает, что мультиагентная оркестрация движется от подхода «инженер вручную проектирует структуру графа» к подходу «пользователь запускает одной командой». Это снижает порог входа, но привязывает к платформе: разработка open-source Gemini CLI уже прекращена, движок закрыт, оптимизация нацелена прежде всего на Gemini. Для индивидуальных разработчиков и команд, работающих в основном с Gemini, это заметный рост эффективности; командам же, которым нужны несколько моделей, аудит действий и приватное развёртывание, по-прежнему гибче связка open-source фреймворка и единого слоя подключения моделей.
Способ проверки очень простой: возьмите реальную задачу из своей работы и попробуйте разбить её на три независимые подзадачи. Получается — /swarm, скорее всего, сэкономит вам массу времени; не получается — лучше начать с режима Teamwork или Workflow, а то и с одного агента.

Справочные материалы
-
xkcd 353 — Python: первоисточник пасхалки
import antigravity- Ссылка:
xkcd.com/353 - Описание: поможет понять культурные корни названия Antigravity
- Ссылка:
-
Вводное видео по Google Antigravity: официальная демонстрация для начинающих
- Ссылка:
youtube.com/watch?v=nTOVIGsqCuY - Описание: подойдёт разработчикам, которые впервые сталкиваются с Antigravity
- Ссылка:
-
Твит Sundar Pichai: демонстрация возможностей /swarm
- Ссылка:
twitter.com/sundarpichai/status/2120198811297694192 - Описание: официальная демонстрация, приуроченная к открытию Gemini 4 Carbon
- Ссылка:
-
Играбельная версия Pelican Campus Quest: браузерная игра, сгенерированная через /swarm
- Ссылка:
aistudio.google.com/apps/bundled/pelican-campus-quest - Описание: наглядный результат работы swarm-режима — можно пощупать своими руками
- Ссылка:
Автор: техническая команда APIYI
Обмен опытом: будем рады вашему сообщению на главной странице APIYI (apiyi.com), дополнительные материалы — в центре документации docs.apiyi.com
