认识 Antigravity 托管 Agent（Managed Agents）

先说一件让我有点恍惚的事。

以前你要让 AI 帮你干完一整件活儿——装依赖、跑脚本、看报错、改代码、再跑一遍——标准流程是：打开一个 IDE，装插件，配环境，SSH 连机器，写 Dockerfile，部署到 Cloud Run，再祈祷它别在半夜挂掉。我数了一下，光是"让 Agent 有个地方能跑代码"这件事，就要先干掉半天的工程活。

现在 Google 说：一行 API 调用就够了。

python

interaction = client.interactions.create(
    agent="antigravity-preview-05-2026",
    input="写个脚本抓 HN 首页前 5 条，整理成 PDF。",
    environment="remote",
)

没了。没有 Docker，没有服务器，没有部署。Google 在云端给你开一台 Ubuntu 虚拟机，Agent 自己进去装包、写代码、跑命令、上网查资料，干完把文件还给你。

2026 年 9 月，Google 把 Antigravity 从"一个 AI IDE"变成了 Gemini API 里的托管 Agent（Managed Agent）。9 月 14 日的 AI Engineer 大会上，Google DeepMind 的 Philipp Schmid 专门做了 keynote 讲这件事。

这事的信号意义比功能本身大：Google 不想只卖模型了，它想卖"干完活的 Agent"。模型是引擎，Agent 是整车。

什么是 Antigravity 托管 Agent

简单说：Antigravity 原本是 Google 的 Agent First 编程 IDE，你打开它，让 AI 自己规划、写代码、跑命令、开浏览器验证。

**托管 Agent（Managed Agent）**是它的另一种形态——把同一个 Agent 内核，通过 Gemini API 提供给你调用。你不用打开任何界面，一行请求就能让它干活。

技术上它跑在 Interactions API 上，这是 Google 在 2026 年 6 月 23 日推的统一接口，目标准确说是：以后调 Gemini 模型和调 Agent，用同一套 schema。这次 Antigravity 入驻，算是把当年埋的伏笔兑现了。

目前公开的托管 Agent 只有一个，ID 是：

antigravity-preview-05-2026

注意名字里带 preview——这是预览版，会变。生产环境请做好心理准备。

它和 Antigravity IDE 用的是同一套 Agent 内核（harness）：plan → act → observe 循环，自己规划、执行、看结果、继续，直到任务完成或者撞上限制。

它到底强在哪

一行调用，自带一台电脑：environment="remote" 就会分配一个全新隔离的 Ubuntu 沙箱，Python 3.12、Node.js 22、git、pip、curl 预装好，规格 4 核 CPU / 16 GB 内存
工具开箱即用：内置 code_execution（跑 Bash / Python / Node）、google_search（联网搜索）、url_context（抓取并阅读网页）；一旦传了 environment，文件系统工具 read_file / write_file / list_files 自动启用
缺什么包自己装：Agent 可以在沙箱里 pip install，不用你预先打镜像
两个 ID，两种记忆：interaction_id 管对话上下文（说过什么、推理过什么），environment_id 管环境状态（文件、装过的包）。想接着上次的文件继续干，传 environment_id 就行
沙箱能活 7 天：任务跑完沙箱不关机，7 天无活动后自动过期。中途想回来改点东西，直接复用 environment_id
能挂载配置：通过 environment.sources 把 AGENTS.md、SKILL.md、脚本文件以 inline 方式塞进沙箱，Agent 启动时自动加载
能存成命名 Agent：agents.create() 把配置固化到 Google 侧，之后按 ID 调用，代码里再也不用背着一坨配置字符串
流式输出：stream=True 实时看到 Agent 在想什么、调了什么工具，而不是盯着黑屏等 90 秒
凭证不进沙箱：Google 用网络代理替 Agent 注入凭据，你的 API token 不会暴露在沙箱环境里（这条我很喜欢，是少见的正确设计）

传统做法（ADK + Cloud Run）	托管 Agent
写 Dockerfile、配 CI/CD	不用，沙箱全托管
部署 + 扩容 Cloud Run	每次交互自动分配，7 天无活动自动回收
自己做沙箱隔离	每次交互天然隔离
自定义 PDF 工具 + pip 装包	Agent 在沙箱里自己装
自己搭 SSE 流式服务	`stream=True` 直接返回事件流
用 Python 定义工具	浏览网页、执行代码、文件系统，内置

真实场景：一个能自己出 PDF 的技术日报 Agent

Google 官方 Codelab 给了一个完整例子，我觉得比任何 benchmark 都能说明问题。

需求：每天抓 Hacker News 首页，挑出 5 条值得看的，按你的文风写成日报，输出成 PDF。

传统写法：ADK + Cloud Run，写 Dockerfile、部署服务、写自定义 PDF 工具、维护流式接口。一整天。

托管 Agent 写法：写三个配置文件 + 一次 API 调用。

python

from google import genai

client = genai.Client()

stream = client.interactions.create(
    agent="antigravity-preview-05-2026",
    input="Generate the digest.",
    stream=True,
    environment={
        "type": "remote",
        "sources": [  # 启动时挂载进沙箱
            {"type": "inline", "target": ".agents/AGENTS.md", "content": AGENTS_MD},
            {"type": "inline", "target": ".agents/skills/digest-pdf/SKILL.md", "content": SKILL_MD},
            {"type": "inline", "target": ".agents/skills/digest-pdf/scripts/generate_pdf.py", "content": GENERATE_PDF_PY},
        ],
    },
)

environment_id, interaction_id = run_stream(stream)

三个文件各管一摊：

挂载路径	作用
`.agents/AGENTS.md`	持久指令：文风、工作流、执行规则
`.agents/skills/digest-pdf/SKILL.md`	自动注册成命名技能，Agent 按名字调用
`.agents/skills/digest-pdf/scripts/generate_pdf.py`	预制渲染脚本，Agent 写 summaries.json 后直接跑它

Skills 这套规范是跨平台的开放标准（agentskills.io），不是 Google 私有格式——这点值得点赞，说明它没打算靠格式锁死你。

跑完之后想加个"Why it matters"字段？不用重跑 Agent，复用 environment_id 接着说一句就行：

python

stream = client.interactions.create(
    agent="antigravity-preview-05-2026",
    previous_interaction_id=interaction_id,   # 记得上次聊了什么
    environment=environment_id,               # 文件、包都还在
    input="每条新闻加一句 Why it matters。",
    stream=True,
)

配置调稳了，固化成命名 Agent，以后一行调用：

python

client.agents.create(agent="my-digest", ...)   # 烘焙一次

stream = client.interactions.create(
    agent="my-digest",      # 之后直接按 ID 叫它
    input="Generate the digest.",
    stream=True,
    environment="remote",
)

快速上手：三步跑起来

第 1 步：拿到 API Key

去 Google AI Studio 申请，设到环境变量：

bash

export GEMINI_API_KEY="your-key-here"

第 2 步：装 SDK

bash

pip install google-genai

第 3 步：第一次调用

python

from google import genai

client = genai.Client()

interaction = client.interactions.create(
    agent="antigravity-preview-05-2026",
    input="写个 Python 脚本生成前 20 个斐波那契数存到 fibonacci.txt，然后读出来打印。",
    environment="remote",
)

print(f"Interaction ID: {interaction.id}")
print(f"Environment ID: {interaction.environment_id}")
print(f"输出: {interaction.output_text}")

要是你不想装 SDK，裸 curl 也行：

bash

curl -X POST "https://generativelanguage.googleapis.com/v1beta/interactions" \
  -H "Content-Type: application/json" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -d '{
    "agent": "antigravity-preview-05-2026",
    "input": [{"type": "text", "text": "写个 Python 脚本生成前 20 个斐波那契数并存到 fibonacci.txt"}],
    "environment": {"type": "remote"}
  }'

返回结果里记得存下 interaction.id 和 environment.id——这是你续接对话和复用沙箱的钥匙。interaction.outputs 里还列着 Agent 每一步干了什么（推理、工具调用、代码执行），排查问题时非常好用。

钱的事，得说清楚

这块我必须泼点冷水，因为"免费"两个字最容易让人上头。

模型费用（按 token 付）

Gemini 3.8 Flash / 3.7 Flash / 3.6 Flash 目前是入门优惠价：

项目	优惠价（至 2026-12-31）	2027-01-01 起
输入	$0.75 / 百万 token	$1.50 / 百万 token
输出	$3.75 / 百万 token	$7.50 / 百万 token

价格翻倍的日子已经写进日程表了，别当成永久价。

沙箱算力（目前免费）

预览期间 Google 不单独收沙箱算力钱——CPU、内存、执行环境都白送。免费层和付费层都有额度，按底层 Gemini token 用量和用到的工具计费。

免费算力是获客策略，不是定价承诺。Google 当年给 Gemini API 免费额度也是这个套路，等大家把工作流跑顺了，计量表就该转了。我的建议是：现在拿它验证想法，但别把"沙箱不要钱"写进你的成本模型。

真正的坑：token 消耗量

一次普通聊天和一次 Agent 交互，完全不是一个量级。Google 官方文档自己就警告了：复杂工作流单次交互可能烧掉 300 万到 500 万 token，按当前价折算上限约 5 美元一次。

原因很简单：Agent 会循环。写脚本 → 跑 → 读报错 → 改 → 再跑，每一轮都把上下文带上。

所以务必设预算护栏：

python

interaction = client.interactions.create(
    agent="antigravity-preview-05-2026",
    input="...",
    environment="remote",
    config={"max_total_tokens": 2_000_000},   # 别让它无限循环
)

关于底层模型

Antigravity 托管 Agent 默认跑在 Gemini Flash 系列上。Google 在 2026 年 9 月 2 日把 Gemini 3.8 Flash 设为 Antigravity 的默认模型。

你也可以通过 agent_config 换模型：

python

stream = client.interactions.create(
    agent="antigravity-preview-05-2026",
    agent_config={"type": "antigravity", "model": "gemini-3.7-flash"},
    input="抓 Hacker News 首页，列出前 5 条。",
    environment="remote",
)

预览文档里列出的可选项包括 gemini-3.7-flash、gemini-3.6-flash、gemini-3.5-flash、gemini-3.5-flash-lite。具体可用列表以官方文档为准，毕竟这是 preview。

顺带说一句 3.8 Flash 的底子：DeepSWE v1.1 长程软件工程基准上 73.7%，跟 Claude Opus 5 的 74.0% 基本打平；HLE-Verified 多学科专家推理 54.9%。更狠的是成本——同样跑编程任务，平均模型成本约 $2.36，Claude Opus 5 是 $11.84，差了 5 倍。

我的判断

托管 Agent 这条路线，Google 押的是**"开发者不想管基础设施"**这个共识。

OpenAI 走过弯路——AgentKit 那种可视化搭 Agent 的东西已经宣布废弃，2026 年 11 月 30 日关停。Anthropic 走的是另一头：一个强模型 + 一台电脑 + 一套权限，Claude Agent SDK。Google 这次明显更靠近 Anthropic 的思路，但多给了两样东西：云沙箱和暂时的免费算力。

对个人开发者，最实在的变化是：你终于可以在不碰服务器的前提下，验证一个"能干完活"的 Agent 到底靠不靠谱。这个门槛以前是几天的工程量，现在是一杯咖啡的时间。

但也别上头。preview 会变，价格会涨，沙箱会开始计费，token 会烧。趁现在便宜，把想法跑通，把配置调稳，把 AGENTS.md 写好——这些东西不管价格怎么变，都是你自己的资产。

进阶

想深入折腾的话，这几条路径值得走：

读 Google 官方 Managed Agents 快速入门，把多轮对话、流式输出、沙箱文件下载都过一遍
跑一遍官方 Codelab《Build a Daily Tech Digest Agent with Managed Agents on the Gemini API》，亲手感受一次"配置文件 + 一次调用"
把 AGENTS.md 和 Skills 写扎实，这两个文件是 Agent 行为质量的天花板，比换模型管用
关注 Interactions API 的演进，它是 Google 统一模型和 Agent 调用的那层地基

更多开源技术干货和学习资料，关注公众号「遇码」，领取专属福利。

设置

自定义

Agent 能力

产物

产物

Agent 能力

设置

自定义

编辑器

设置

迁移

认识 Antigravity 托管 Agent（Managed Agents）

什么是 Antigravity 托管 Agent

它到底强在哪

真实场景：一个能自己出 PDF 的技术日报 Agent

快速上手：三步跑起来

钱的事，得说清楚

关于底层模型

我的判断

进阶

认识 Antigravity 托管 Agent（Managed Agents） ​

什么是 Antigravity 托管 Agent ​

它到底强在哪 ​

真实场景：一个能自己出 PDF 的技术日报 Agent ​

快速上手：三步跑起来 ​

钱的事，得说清楚 ​

关于底层模型 ​

我的判断 ​

进阶 ​

认识 Antigravity 托管 Agent（Managed Agents）

什么是 Antigravity 托管 Agent

它到底强在哪

真实场景：一个能自己出 PDF 的技术日报 Agent

快速上手：三步跑起来

钱的事，得说清楚

关于底层模型

我的判断

进阶