过去，构建一个生产级 Agent 意味着你要接手大量基础设施工作：自己搭编排循环，自己构建沙箱，让模型能安全地运行代码；还要接工具、管理状态、处理重试，然后祈祷凌晨 3 点不要出故障。真正有意思的工作，也就是 Agent 本身，会被埋在基础设施工作下面。

现在，一个带托管沙箱、内置工具和生产级推理循环的完整 Agent，只需要一次 API 调用就能创建。如果你的工作负载需要跨多个 Agent 进行显式、可审计的编排，也有对应框架，而且它会和托管 Agent 组合使用，而不是替代托管 Agent。

这篇文章会讲三个组成部分，以及它们如何配合：

  • Antigravity：Google 的生产级 agentic harness，是所有能力的底层引擎。
  • Agent Platform 上的 Managed Agents API（Preview）：托管入口。描述你想要的结果，就能获得一个可工作的 Agent。
  • ADK（Agent Development Kit）：面向想要掌控图结构的团队的高代码框架。

你可以用两种方式理解自己该落在这条谱系的哪个位置：

按你想掌控多少循环来判断。 Agents API 会把 Antigravity harness 作为循环运行，你直接使用它。ADK 则让你编写自己的循环、自己的 harness，或者把 Antigravity harness 作为应用的一部分。

按工作形态来判断。 有些 Agent 最适合用结果来描述：“修复这个 issue”、“分析这个数据集”。另一些 Agent 更适合用流程来描述：“给线索打分、补充信息、路由给专职角色、等待审批”。如果你不需要很多自定义约束，Agents API 适合第一种形态；ADK 适合第二种。很多生产系统两者都有，这也是这些工具可以组合使用的原因。

Agents API：一次 API 调用创建完整 Agent

从这里开始。Agents API 是一个完全托管、配置驱动的服务。工作流分两步：先创建 Agent，再与它交互。

第 1 步：创建 Agent

这会在你的项目中注册一个可复用的 Agent 资源。你给它一个 ID，指定 Antigravity harness（base_agent），设置指令，并声明它可以使用哪些工具。这个 Agent 会一直存在，直到你删除它。

先安装 Google GenAI SDK 并初始化客户端：

from google.genai.client import Client

client = Client(vertexai=True, project="your-project-id", location="global")

然后创建 Agent：

client.agents.create(
    id="bug-fixer",
    base_agent="antigravity-preview-05-2026",
    description="Reproduces, diagnoses, and fixes software bugs.",
    system_instruction="You are a senior software engineer. Reproduce bugs, "
                        "identify root causes, write fixes, and verify with tests.",
    tools=[
        {"type": "code_execution"},
        {"type": "filesystem"},
        {"type": "google_search"},
        {"type": "url_context"},
    ],
    base_environment={
        "type": "remote",
        "network": {"allowlist": [{"domain": "*"}]},
    },
)

第 2 步：开始一次交互

这一步 Agent 会真正开始工作。你发送一条用户消息，然后 Antigravity harness 接管：它会规划、执行工具、验证结果，并自主从错误中恢复。Agent 会启动一个托管 Linux 沙箱，运行代码，读写文件，并按需搜索网页。你可以把结果流式返回。

background=True 让 Agent 能够异步运行多步骤任务；stream=True 则让你实时看到它正在做什么。Agent 工作时会发出逐步事件，也就是说，你能看到它的推理、工具调用和输出如何发生。

设置 store=True 可以确保这次交互被持久化到平台上。

stream = client.interactions.create(
    agent="bug-fixer",
    input="The parse_csv function throws an IndexError when the header "
          "contains empty columns. Clone the repo, find the bug, fix it "
          "and run the tests.",
    background=True,
    stream=True,
    store=True
)

for event in stream:
    if hasattr(event, 'delta') and hasattr(event.delta, 'text'):
        print(event.delta.text, end='')
    elif hasattr(event, 'interaction') and event.event_type == 'interaction.completed':
        print(f"\nStatus: {event.interaction.status}")
        print(f"Environment ID: {event.interaction.environment_id}")

就这样。Agent 会克隆仓库，复现 bug，写修复，运行测试套件，并把结果说明流式返回给你。你没有写编排循环，没有供应沙箱，也没有管理任何状态。

当流结束时，interaction.completed 事件会包含一个 environment_id。把它留好。下一次调用时传回去，Agent 就会从上次的位置继续，完整的文件系统和会话状态都会保留。

你会得到：

  • Antigravity Agent harness：Google 的生产级 Agent 循环，与 Gemini 共同优化，也是 Google 自身许多 Agent 背后的同一套循环。
  • 托管 Linux 沙箱：三秒内完成供应，并原生挂接到 Agent。
  • 开箱即用的服务端工具：代码执行、文件系统、搜索。
  • 技能支持：把 Skill Registry 或 Cloud Storage bucket 里的技能挂载到 Agent 环境中，就能用领域专业能力扩展它。

你写指令。harness 负责多步骤规划、工具执行和验证。面对“修复这个 GitHub issue”或“分析这个客户文件并建议削减项”这样的输入，Agent 会自己处理其中步骤，不需要你管理中间过程。

过去需要一个小型平台团队才能构建的东西，现在变成了一次 HTTP 请求。

它有两个可用入口：

  • Gemini API 中的 Managed Agents，面向所有基于 Gemini 构建的开发者。
  • Agent Platform 上的 Managed Agents API，面向在 Gemini Enterprise Agent Platform 上构建的企业开发者。后续路线图包括与 Agent Platform 的注册表、身份、网关策略和可观测性集成。

同一个 Agents API。同一个 Antigravity harness。两个入口，按你已经所在的位置选择。

Antigravity SDK：本地运行同一个 harness

Agents API 把 harness 作为托管服务提供给你。Antigravity SDK（pip install google-antigravity）则把同一个 harness 作为 Python 库交给你，在本地运行。

import asyncio
import sys
from google.antigravity import Agent, LocalAgentConfig, CapabilitiesConfig

async def main():
    config = LocalAgentConfig(
        system_instructions="You are a senior software engineer.",
        # api_key="your_api_key_here",
        capabilities=CapabilitiesConfig(),
    )

    async with Agent(config) as agent:
        response = await agent.chat("Find and fix the memory leak in server.py")

        async for token in response:
            sys.stdout.write(token)
            sys.stdout.flush()
        print()

if __name__ == "__main__":
    asyncio.run(main())

同样的规划循环，同样的工具执行，同样的验证和恢复。SDK 还给你一些托管 API 没有的能力：内部推理流（response.thoughts）、工具调用拦截（response.tool_calls）、自定义 Python 工具、MCP server 集成，以及一个声明式策略系统（deny("*")、allow("view_file")、ask_user("run_command")），用于精细控制 Agent 能做什么。

广告媒流（小程序）-爆款监控

Agent 默认以只读模式运行。CapabilitiesConfig() 用来开启写入能力。SDK 遵循三层架构：Agent 负责 batteries-included 的使用方式，Conversation 负责有状态会话管理，Connection 负责传输抽象。

Agent Development Kit：掌控编排

如果你已经在用 ADK 构建，原有方式不变。ADK 仍然是面向这些团队的高代码框架：想自己定义 Agent 图、确定性移交、共享状态和显式控制流。新的地方在于 ADK 如何连接到这套技术栈的其他部分：

  • Antigravity 现在是一等 ADK Agent 类型。你可以把它放进图里，和 LlmAgent、SequentialAgent 节点并列。harness 处理自主推理步骤，ADK 处理流程。
  • Agents API 可以从 ADK 内部调用。有一个 ADK 工作流，但其中某个子任务是结果驱动型？把 Agents API 作为子 Agent 调用。ADK 管编排，Antigravity 管自主执行的那一段。
  • A2A 是桥梁。ADK Agent 和 Agents API Agent 都原生支持 A2A。会说 A2A 的第三方 Agent 也能组合进来。

模型只是你塑造的系统里的一个组件。当你的工作流包含多个专职角色、对“何时调用什么”有监管约束，或者需要独立测试协调模式时，ADK 就是你该使用的地方。

为组合而设计

让这成为一条谱系，而不是一排彼此分离产品的关键，是互操作性。无论从哪里开始，你都可以扩展、嵌入或迁移，不必重建。

从 ADK 内部调用 Agents API。 如果 ADK 工作流需要一个结果驱动型子任务，就把 Agents API 作为子 Agent 调用。Antigravity harness 负责那一段，其余自定义编排按你写的方式运行。

把 Antigravity 直接嵌入为一等 ADK Agent。 ADK 原生带有 Antigravity harness 作为 Agent 类型。你可以把它放进图里，和自定义代码 Agent 并列。

自带容器。 已经有一个自定义 Agent 或基于 ADK 的 Agent？把它包成容器，把 URI 传给 Agents API，就能托管在 Google 的基础设施上，并获得和编队里其他 Agent 一样的注册表、身份和网关处理。

使用 A2A。 Agent2Agent（A2A）协议让不同框架的 Agent 可以对话。ADK Agent 和 Agents API Agent 都原生支持 A2A。会说 A2A 的第三方 Agent 也能加入。

双向桥接。 对于那些在 Agent Engine 上运行自定义 Agent、但想利用 Agents API 的客户，反过来也一样，有一个 dataplane bridge 可以在 Interactions API 调用和 A2A 调用之间转换。

关键点是：你不会走到一个必须永久承诺的岔路口。为了速度，可以从 Agents API 开始。如果工作负载里的某一段超出了结果模式，需要显式编排，就把那一段拉进 ADK，不影响其他部分。如果 ADK 系统里的某一段用托管 Antigravity 调用更简单，也可以替换。底层 harness 无论哪种方式都是同一个。

选择起点的实用指南

适合从 Agents API 开始的情况：

  • 你想在一个下午跑起真正的 Agent，而不是花一个 sprint。
  • 工作可以很好地用结果描述：“修复这个 issue”、“分析这个文件夹”、“写这份报告”、“研究这个主题”。
  • 你希望代码执行、文件系统访问和搜索自动挂好，不想自己搭沙箱基础设施。
  • 你在构建 vibe-coding 或生成式 Agent 构建体验：用户描述目标，然后系统代表用户供应一个 Agent。
  • 你想以最快路径获得带 Google 工具的生产级 harness。

适合使用 ADK 的情况：

  • 你的工作流最适合被描述成一张图：多个专职角色、确定性移交、跨 Agent 共享状态。
  • 你需要对“什么时候调用哪些工具”拥有显式、可测试的控制。
  • 合规或审计要求你证明系统究竟如何行为。
  • 你在编排长时间运行、跨多天的工作流，包含 checkpoint-and-resume、委派审批或编队协调模式。
  • 你想拥有完整架构控制权，也愿意自己写编排，同时仍希望 Antigravity harness 作为图中的一个 Agent 可用。

适合两者都用的情况：

  • 你的系统有一个控制模式骨架，同时里面有结果模式的小块任务。这也是大多数真实生产系统的样子。用 ADK 做编排；用 Antigravity（通过 Agents API，或作为一等 ADK Agent）处理那些受益于自主推理的部分。

速览

  • Antigravity 是 agentic harness：Google 的生产级 Agent 循环，与 Gemini 共同优化。
  • Agents API 是轻量级、单次调用的入口，提供一个带 Antigravity harness、托管沙箱和内置工具的完整 Agent。可通过 Gemini API 中的 Managed Agents，以及 Vertex / Agent Platform 使用。
  • ADK 是面向想掌控编排的团队的高代码框架，并且内置 Antigravity 作为一等 Agent。
  • Agent Platform 是把这一切部署、治理并扩展到生产环境的地方。