作者注:用一篇文章講清 Antigravity Orchestrator 是什麼、如何通過 /swarm 派發子代理,以及它和 LangGraph、CrewAI 的定位差異。
摘要:Antigravity Orchestrator 是 Google Antigravity 平臺內置的多代理協調引擎,而不是一個可以單獨 pip 安裝的輕量框架。本文從產品矩陣、三層抽象、三種編排模式和 /swarm 蜂羣機制四個方面,幫你搞清楚它的工作方式和適用範圍。
結論先行:Antigravity Orchestrator 可以理解爲“藏在 Antigravity 平臺裏的任務調度大腦”。你在 IDE、Web App 或 CLI 中輸入 /swarm、/teamwork 這樣的斜槓命令,它會在底層調用 SDK 的 Task API 和 Workflow Runtime,把一個大任務拆成多個子任務,交給並行工作的子代理完成,最後彙總成交付物。2026 年 11 月,Orchestrator 隨 Gemini 4 Neon 正式進入 Antigravity。11 月 10 日 Gemini 4 Carbon 全面開放時,Sundar Pichai 現場演示了 /swarm 能力,這項功能從此進入公衆視野。
是否值得投入學習,取決於兩個條件。第一,你的任務能否拆成相互獨立、可以並行的部分。第二,你能否接受一個以 Gemini 爲優化目標、核心引擎閉源的平臺。兩個條件都滿足時,Orchestrator 能明顯降低多代理協作的搭建成本。如果你需要模型無關、完全開源的方案,LangGraph、CrewAI 這類 Python 庫仍然更合適。

Antigravity Orchestrator 知識地圖與閱讀索引
下表列出全文的知識結構、章節之間的依賴關係,以及每一節要解決的問題。整體順序是從“它屬於什麼”到“它怎麼工作”,再到“我該不該用、怎麼開始”。
| 編號 | 主題 | 解決的問題 | 與前後章節的關係 |
|---|---|---|---|
| 1 | Antigravity 平臺背景 | Orchestrator 運行在哪個產品體系裏 | 爲第 2 節提供平臺語境 |
| 2 | Orchestrator 三層抽象 | 它在技術上到底是什麼 | 第 3、4 節的機制都建立在這三層之上 |
| 3 | 三種編排模式 | /swarm、/teamwork、/run-workflow 有何區別 | 從三種模式中選出 /swarm 在第 4 節深入 |
| 4 | /swarm 蜂羣機制 | 主代理如何拆任務、派子代理 | 結合真實案例,爲第 5 節的對比提供依據 |
| 5 | 與 LangGraph 等框架對比 | 什麼條件下選它,什麼條件下不選 | 給出選型判斷,銜接第 6 節的上手路徑 |
| 6 | 入門路徑與代碼 | 從零開始怎麼上手 | 將前文概念落到代碼層面 |
| 7 | 最佳實踐與影響 | 模型選擇、權限、成本如何控制 | 收束爲可執行的建議 |
如果只想瞭解它是什麼,讀完第 1 到第 3 節就夠了。如果準備做技術選型,建議重點閱讀第 4、5 節。如果要動手實踐,可以直接跳到第 6、7 節。
🎯 技術建議:理解多代理編排最快的方法是親手跑一遍“拆分—並行—彙總”的流程。第 6.3 節給出了一個基於 OpenAI 兼容接口的模擬實現,可以通過 API易 apiyi.com 用一個 Key 調用不同模型來充當主代理和子代理。
To Know:理解 Antigravity Orchestrator 的必備術語
| 術語 | 簡明解釋 |
|---|---|
| 代理(Agent) | 能調用工具、自主完成多步任務的模型實例 |
| 主代理(Orchestrator Agent) | 負責分析和拆解任務、派發子代理並整合結果的總協調者 |
| 子代理(Subagent) | 承接某個子任務的代理,可以運行時動態創建,也可以預先定義 |
| Fan-out / Fan-in | 扇出指把一個任務分發給多個執行者,扇入指把多個結果匯聚回來 |
| Artifacts | 代理最終產出的交付物,例如代碼、文件、可運行的應用 |
| Workflow Runtime | Antigravity SDK 中基於圖的執行引擎,負責狀態管理和節點調度 |
1 Antigravity Orchestrator 所在的平臺:Antigravity 是什麼
1.1 Antigravity 這個名字從哪來
“Antigravity”直譯爲“反重力”,寓意讓開發擺脫傳統單人編碼的束縛,像失重一樣“飛起來”。不少開發者認爲這個名字可能借用了 Python 的 import antigravity 彩蛋。這個彩蛋源自一幅 xkcd 漫畫,執行這行代碼會在瀏覽器中打開那張漫畫。Google 把 Antigravity 定位爲“agent-first era”(代理優先時代)的開發者平臺,也就是說,代理是工作的主體,人負責描述目標並審覈結果。
1.2 Antigravity 是一個產品矩陣
很多人第一次聽到 Antigravity,會把它當成一個 IDE。實際上它是一組面向不同場景的產品,Orchestrator 能力分佈在這些產品形態之中:
| 產品 | 形態 | 主要用途 |
|---|---|---|
| Antigravity App | Web 應用 | 在瀏覽器內進行全功能代理編程 |
| Antigravity IDE | 桌面應用 | 基於 VS Code 分支,深度集成代理能力 |
| Antigravity CLI | 命令行工具 | 用 Go 編寫的終端代理 |
| Antigravity SDK | Python 庫 | 開發自定義代理 |
| Antigravity Extensions | IDE 插件 | 把代理能力嵌入現有編輯器 |
這張表說明了一個關鍵事實:斜槓命令出現在 App、IDE、CLI 這類交互界面中,而 SDK 承載的是可編程接口。第 2 節講三層抽象時,會看到這兩者是如何上下銜接的。
1.3 Antigravity Orchestrator 的發佈時間線
Orchestrator 並非憑空出現,它是 Antigravity 平臺一年來逐步演進的結果。按時間順序,幾個關鍵節點如下:
- 2025 年 11 月 18 日:Antigravity IDE 與 Gemini 3 Pro 同日首發。
- 2026 年 5 月(Google I/O):發佈 Gemini 3.5 Flash,以及基於 Antigravity 運行時的 Gemini Spark。
- 2026 年 6 月 18 日:開源的 Gemini CLI 停止服務,全面遷移到閉源的 Antigravity CLI。
- 2026 年 11 月:Gemini 4 Neon 與 Orchestrator 正式進入 Antigravity。
- 2026 年 11 月 10 日:Gemini 4 Carbon 全面開放,Sundar Pichai 演示
/swarm。
從這條時間線可以看出一個明顯的趨勢:Google 正在把終端、IDE 和瀏覽器端的代理能力統一收攏到 Antigravity 運行時之下,Orchestrator 則是這套運行時之上的協調層。
2 Antigravity Orchestrator 是什麼:三層抽象拆解
2.1 Antigravity Orchestrator 的本質定位
有些文章把 Antigravity Orchestrator 稱爲“輕量級蜂羣框架”,這個說法容易讓人誤以爲它是一個獨立的庫。更準確的描述是:它是 Antigravity 平臺內置的多代理協調引擎。底層對應 SDK 中的 Workflow Runtime 和 Task API,上層通過斜槓命令或 SDK API 觸發。所謂“輕量”,體現在使用體驗上:用戶只需要一條命令,不必手寫圖結構和狀態機。
2.2 Antigravity Orchestrator 的三層結構
Orchestrator 的能力自上而下分爲三層。上層調用下層,越往下越接近執行細節:
Layer 1: 斜槓命令 /swarm、/teamwork、/plan
↓ 面向使用者,一條命令觸發編排
Layer 2: SDK API Agent、Subagent、Task API
↓ 面向開發者,用代碼定義代理與任務
Layer 3: Workflow Runtime 圖執行引擎、Fan-out/Fan-in、狀態管理
面向運行時,負責調度、並行與狀態
這種分層帶來的直接好處是“同一套引擎,多種入口”。產品經理可以在 IDE 裏直接敲 /swarm,後端工程師可以用 SDK 寫出相同的編排邏輯,兩者最終都由 Workflow Runtime 執行。理解了這一點,後面三種模式之間的差異就很容易看懂:它們只是在 Layer 1 上呈現爲不同的入口,在 Layer 3 上對應不同的圖形態。

3 Antigravity Orchestrator 的三種編排模式
Orchestrator 提供三種編排模式,區別在於子代理之間是否需要持續交互,以及流程是否事先確定。選錯模式是新手最常遇到的問題,因此先看對比:
| 模式 | 觸發方式 | 協作形態 | 適用任務 |
|---|---|---|---|
| Swarm 蜂羣模式 | /swarm |
一次性派發多個子代理並行工作,最後彙總 | 可以拆成獨立部分的大型任務 |
| Teamwork 團隊模式 | /teamwork |
代理團隊持續協作,多輪交互 | 需要反覆討論、互相依賴的複雜項目 |
| Workflow 工作流模式 | /run-workflow |
預定義有向圖,支持分支、循環、條件路由 | 流程固定、需要穩定復現的任務 |
判斷時可以按下面的順序提問。如果流程每次都一樣,選 Workflow。如果流程不固定,但子任務之間幾乎不需要溝通,選 Swarm。如果子任務之間需要來回對齊,比如前端改接口後後端要跟着調整,就選 Teamwork。Swarm 並行度最高、等待時間最短,但對任務的可拆分性要求也最高。
4 Antigravity Orchestrator 的 /swarm 蜂羣機制
4.1 /swarm 的五步工作流程
/swarm 是 Orchestrator 最具代表性的能力,完整流程分爲五步:
- 用戶發出
/swarm指令,並附上任務描述。 - 主代理(Orchestrator Agent)分析任務,自動拆解爲若干子任務。
- 爲每個子任務動態創建子代理,即“動態自克隆子代理”。
- 子代理並行執行,結果匯聚回主代理。
- 主代理整合輸出,生成最終的 Artifacts。
第 2 步和第 5 步決定了最終質量。拆得不乾淨,子代理之間會互相重複或遺漏;整合能力不足,各部分就無法拼成一個可用的整體。因此主代理通常需要使用推理能力更強的模型。
4.2 動態子代理與靜態子代理
Antigravity Orchestrator 支持兩類子代理,可以在同一個任務中混合使用:
- 動態自克隆子代理:在運行時按需創建,繼承主代理的部分上下文,適合臨時拆出來的子任務。
- 靜態自定義子代理:預先定義好的專用代理,擁有固定的系統指令和工具集,適合反覆出現的專業環節,例如代碼審查、測試生成。
另一個值得注意的設計是,每個子代理可以使用不同的模型。例如用 Carbon 處理需要深度推理的部分,用 Hydrogen 處理快速、簡單的部分。這種“按任務難度分配模型”的做法,是多代理系統控制成本的核心手段,第 7 節會具體展開。
4.3 案例:Pelican Campus Quest 是如何被拆解的
Sundar Pichai 演示的 /swarm 案例是一個很好的教學樣本。主代理收到的任務是:“構建一個在 Google Mountain View 園區騎 GBike 探索的開放世界 3D 遊戲”。它把任務拆成了三條並行線:
- 3D 資產建模:子代理使用 Blender,並參考 Omni / Nano Banana 生成的素材。
- 遊戲引擎構建:子代理使用 Three.js 與 WebGL 着色器。
- 音頻系統:子代理使用 Web Audio API 配合 Lyria 音樂。
最終三部分被自動整合成一個可以在瀏覽器中游玩的遊戲。這個案例之所以適合 Swarm,是因爲模型、引擎、音頻三塊只需要在接口層面約定好格式,在開發過程中幾乎不必互相等待,這正是第 3 節所說的“可拆分性”。
5 Antigravity Orchestrator 對比 LangGraph、CrewAI、AutoGen
5.1 比較口徑
下面的比較只看定位差異,不比較性能,因爲幾者的形態完全不同:一個是完整平臺,其他是 Python 庫。比較維度包括產品定位、代理抽象、瀏覽器集成、模型綁定、部署方式和開源程度。

| 維度 | Antigravity | LangGraph | CrewAI | AutoGen |
|---|---|---|---|---|
| 定位 | 完整 IDE + 平臺 | Python 庫 | Python 庫 | Python 庫 |
| 代理模型 | 動態自克隆 + 靜態 | 圖節點 | 角色定義 | 對話代理 |
| 瀏覽器集成 | 原生 Chrome 擴展 | 無 | 無 | 無 |
| 模型綁定 | 針對 Gemini 優化 | 模型無關 | 模型無關 | 模型無關 |
| 部署 | Cloud Run / Docker | 自行部署 | 自行部署 | 自行部署 |
| 開源 | SDK 開源,核心閉源 | 完全開源 | 開源 | 開源 |
| 多模型接入建議 | Gemini 生態內 | 可經 API易 apiyi.com 統一接入 | 同左 | 同左 |
5.2 選型判斷
LangGraph 在圖結構的可控性和完全開源方面保持領先,但需要自己搭建 IDE 集成、瀏覽器操作和部署鏈路。Antigravity Orchestrator 在“開箱即用”上更有優勢,一條 /swarm 就能完成拆分、並行和整合,還能原生操作瀏覽器。CrewAI 的角色定義方式直觀,AutoGen 擅長以對話驅動協作,兩者同樣需要自行處理部署和工具鏈。
據此可以得出一個簡單的規則:團隊已經深度使用 Gemini,並希望在 IDE 中直接獲得多代理能力,就選 Antigravity;需要在多家模型之間切換,或者對核心引擎的可審計性有要求,就選開源庫。
💡 選擇建議:如果走開源庫路線,模型接入層建議統一爲 OpenAI 兼容接口。通過 API易 apiyi.com,一個 Key 就能在 LangGraph 或 CrewAI 中切換 GPT、Claude、Gemini 等模型,便於在同一個編排圖裏給不同節點分配不同模型。
6 從零上手 Antigravity Orchestrator 的路徑
6.1 推薦學習順序
按照“先會用、再會寫、最後會調”的思路,入門路徑可以分爲七步:
- 概念:理解 Antigravity 是什麼、爲什麼需要它(本文第 1 至 2 節)。
- 安裝:在 Web App、IDE 下載、命令行安裝三種方式中任選一種。
- 第一個代理:用 SDK 寫一個 Hello World 代理。
- 理解 Orchestrator:瞭解 Workflow Runtime 與 Task API 的關係。
- 第一個 Swarm:在 IDE 或 CLI 中實際運行
/swarm。 - 深入子代理:對比動態子代理和靜態子代理的效果。
- 最佳實踐:模型選擇、權限管理與成本控制。
6.2 用 Antigravity SDK 寫第一個代理
SDK 的最小代理只需要一個配置對象和一次對話調用:
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())
如果需要流式輸出,可以直接迭代 response。給代理添加工具也很簡單,只需把普通 Python 函數傳入 tools:
import sys
# 流式響應
async for token in response:
sys.stdout.write(token)
sys.stdout.flush()
# 自定義工具
def get_weather(city: str) -> str:
return f"It's sunny in {city}."
config = LocalAgentConfig(tools=[get_weather])
函數簽名中的類型註解會幫助代理理解參數含義。實際項目中建議爲工具函數寫清楚 docstring,這樣主代理在拆解任務時更容易判斷該把哪個工具交給哪個子代理。
6.3 用 OpenAI 兼容接口模擬蜂羣的扇出與扇入
Orchestrator 的核心引擎是閉源的,但“拆分—並行—彙總”這個思路可以用任何模型復現。下面的代碼模擬了一個最小版的 /swarm:主代理負責拆解和整合,子代理並行執行。它不是 Antigravity 的實現,而是幫助理解第 4.1 節五步流程的教學示例。
import asyncio
from openai import AsyncOpenAI
client = AsyncOpenAI(
api_key="YOUR_API_KEY",
base_url="https://api.apiyi.com/v1" # API易 OpenAI 兼容接口
)
PLANNER_MODEL = "your-reasoning-model" # 主代理:推理強的模型,以平臺模型列表爲準
WORKER_MODEL = "your-fast-model" # 子代理:速度快、成本低的模型
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
查看完整的蜂羣模擬代碼
import asyncio
from openai import AsyncOpenAI
client = AsyncOpenAI(
api_key="YOUR_API_KEY",
base_url="https://api.apiyi.com/v1" # 一個 Key 調用多家模型
)
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:主代理拆解任務(Fan-out 之前)
plan = await ask(
PLANNER_MODEL,
"你是主代理。把任務拆成互相獨立、可並行的子任務,每行一個,不要編號。",
task,
)
subtasks = [s.strip("- ").strip() for s in plan.splitlines() if s.strip()]
subtasks = subtasks[:max_workers]
# Step 3-4:爲每個子任務創建子代理並行執行(Fan-out)
results = await asyncio.gather(*[
ask(WORKER_MODEL, "你是隻負責單一子任務的子代理,輸出簡潔可交付的結果。", s)
for s in subtasks
])
# Step 5:主代理整合結果(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。整合子代理的產出,消除重複與衝突,輸出最終方案。",
f"原始任務:{task}\n\n子代理產出:\n{merged}",
)
if __name__ == "__main__":
print(asyncio.run(swarm("爲一個瀏覽器小遊戲設計美術、玩法和音效三部分方案")))
這段代碼演示了兩個關鍵點:主代理和子代理使用不同的模型,子任務通過 asyncio.gather 並行執行。把它和第 4 節對照着看,就能理解 Orchestrator 在 Layer 3 中自動幫你完成了哪些工作,包括狀態管理、失敗重試和產物整合。
🚀 快速開始:上面的示例可以直接運行,只需在 API易 apiyi.com 獲取 Key,並把兩個模型名替換爲平臺上可用的模型。新用戶有免費測試額度,足夠完成幾輪拆分與整合實驗。
7 Antigravity Orchestrator 的最佳實踐與影響
7.1 模型選擇:按任務難度分層
多代理系統的成本會隨子代理數量成倍增長,因此模型分層是首要原則。拆解和整合這類決定全局質量的環節交給強推理模型,例如 Antigravity 中的 Carbon;格式轉換、樣板代碼、簡單查詢交給快速模型,例如 Hydrogen。在 Antigravity 之外復現類似架構時,也可以照搬這種分層思路,通過 API易 apiyi.com 在同一套代碼裏爲不同角色指定不同模型,對比質量和花費後再固定配置。
7.2 權限管理:限制子代理的工具範圍
動態子代理會繼承主代理的部分上下文,如果工具權限沒有收緊,一個子代理就可能做出超出職責的操作。更穩妥的做法是:把需要寫文件、執行命令、操作瀏覽器的能力放在靜態自定義子代理中,明確它的系統指令和工具集;動態子代理只承擔只讀或生成類任務。涉及生產環境的操作,應保留人工確認環節。
7.3 成本控制:先估算再擴大並行度
/swarm 的並行度越高,等待時間越短,但 token 消耗也越多。建議先用小任務觀察主代理通常會拆出幾個子任務、每個子任務消耗多少,再決定是否放開到更大的任務。對於預算敏感的團隊,可以先在開源編排庫中用低價模型驗證拆分策略,按量計費的 API易 apiyi.com 便於控制試驗成本,確認流程可行後再遷移到 Antigravity 獲取完整的平臺能力。
7.4 Antigravity Orchestrator 對開發者的影響
Orchestrator 的出現意味着多代理編排正在從“工程師手寫圖結構”轉向“用戶一條命令觸發”。這降低了使用門檻,同時也帶來了平臺綁定:開源的 Gemini CLI 已經停止服務,核心引擎閉源,主要針對 Gemini 優化。對於個人開發者和以 Gemini 爲主的團隊,這是效率上的明顯提升;對於需要多模型、可審計、可私有部署的團隊,開源框架加統一模型接入層仍然是更靈活的組合。
最終的判斷方法很簡單:拿你手頭一個真實任務,試着把它拆成三個互不依賴的子任務。如果拆得開,/swarm 很可能爲你節省大量時間;如果拆不開,Teamwork 或 Workflow 模式,乃至單代理,纔是更合適的起點。

參考資料
-
xkcd 353 – Python:
import antigravity彩蛋的出處- 鏈接:
xkcd.com/353 - 說明:幫助理解 Antigravity 名稱的文化來源
- 鏈接:
-
Google Antigravity 入門視頻:官方入門演示
- 鏈接:
youtube.com/watch?v=nTOVIGsqCuY - 說明:適合第一次接觸 Antigravity 的開發者
- 鏈接:
-
Sundar Pichai 推文:/swarm 能力演示
- 鏈接:
twitter.com/sundarpichai/status/2120198811297694192 - 說明:Gemini 4 Carbon 開放時的官方演示
- 鏈接:
-
Pelican Campus Quest 可玩版:/swarm 生成的瀏覽器遊戲
- 鏈接:
aistudio.google.com/apps/bundled/pelican-campus-quest - 說明:直觀感受蜂羣模式的最終產物
- 鏈接:
作者:APIYI 技術團隊
技術交流:歡迎在 API易 apiyi.com 首頁聯繫我們,更多資料可訪問 docs.apiyi.com 文檔中心
