AI未开源软件工具

Agent 干活前先交一份 Python 脚本:Antigravity 把多智能体编排变成了可审批的代码

2026年11月16日2 次阅读
Agent 干活前先交一份 Python 脚本:Antigravity 把多智能体编排变成了可审批的代码

3分钟看懂

先说结论:Google 的编程工具 Antigravity 在 11 月 13 日的 2.32.0 版本里加了一个叫 Dynamic Workflows 的功能,你打一句 /run-workflow 加上你的任务,它会先写一小段 Python 脚本,把「派几个 Agent、谁先谁后、每个 Agent 干什么、要交回什么格式的结果」全写清楚,给你看过、你点同意之后,才真的开跑。

(本文基于多家媒体转述整理,并逐条核对了 Antigravity 官方 changelog 与新上线的功能文档;部分成本口径官方未公布,文中已标明哪些是推断。)

三个关键事实:

  • 这不是「再加一个按钮」,而是换掉了一套旧机制。官方迁移文档写得很直白:旧的 Markdown 版 workflows 已经弃用,「新的 workflows 系统就是 Dynamic Workflows」。也就是说,以前那套「把提示词写成一份 Markdown 反复用」的做法,被升级成「让 Agent 现场生成一段能跑的控制流」。
  • 脚本在跑之前必须过你这一关。除非你事先把权限预设调成 Turbo 那种全放行,否则 App 里会弹出「Allow running this workflow script?」,CLI 里会显示「Run this command?」。这个批准只对那一份脚本有效,官方的说法是:命令前缀规则盖不住一段 Python 脚本。
  • 每个 Agent 交回的是结构化结果,不是一堆聊天记录。脚本里给每个 Agent 指定一个 JSON Schema,Agent 通过一个 finish 工具交答案,脚本拿到的是校验过的值。读文件、搜代码、跑测试的日志留在各自子会话里,不灌进你的主对话。

这次到底变了什么

版本信息在官方 changelog 上写得很清楚:v2.32.0 / November 13, 2026 / "Dynamic Workflows and new themes",同一次更新里还有 11 项改进和 13 项修复,Dynamic Workflows 排在改进第一条。同日 Antigravity CLI 也发了 1.5.8。

功能上,它把「多智能体协作」从一种对话技巧,变成了一个有明确输入输出的编排层:

  • 你在任意会话里输入 /run-workflow 加任务,或者直接用大白话说「帮我并行审一遍每个包」。
  • 主 Agent 读一个内置的 run-workflow 技能,写出一段 Python。
  • 你审批 → 脚本在后台跑 → 跑完主 Agent 读日志和输出,替你总结。

和之前几个容易混淆的功能分清楚,官方文档专门做了一张对照:Orchestrator 是「一个会话里前沿模型规划、便宜模型干活」;Subagents 是「派一个活出去,你继续干自己的」;/swarm 是「多个 Agent 在共享留言板上互相商量」;/boost 是「针对一个硬 bug 深挖」;/teamwork 是「大项目先做需求访谈」。而 Dynamic Workflows 的定位只有一句:可预测、脚本化的控制流。

脚本长什么样

官方文档给了一段典型脚本,就是「先找出改动的文件,再并行逐个审查」:

phase("Discover")
files = await agent(
    "List the Python files changed since main. Paths only.",
    schema={"type": "array", "items": {"type": "string"}},
)

phase("Review")
reviews = await parallel(
    files,
    lambda f: agent(
        f"Review {f} for unhandled exceptions. Reply with a one-line verdict.",
        schema={"type": "string"},
        role=f"Review {f}",
        model="flash",
    ),
)
for r in reviews:
    log(r)

能用的积木不多,但够用:

  • phase(name) 开一个阶段,后面的日志、工具调用、Agent 卡片都归到它下面。
  • agent(prompt, schema, role, type_name, workspace, model) 定义一个 Agent。await agent(...) 跑一次就返回;先 a = agent(...) 再 await a(...) 则是同一个人跨多轮接着聊。
  • parallel(items, fn) 全并行;pipeline(items, fn) 一条一条串行。两者都按输入顺序返回结果。
  • await trajectory(...) 能把这段会话在 workflow 开始之前的步骤捞回来,可以按类型、工具名、区间或「最近 N 步」过滤。
  • args、CONVERSATION_ID、STEP_INDEX、WORKSPACES 是脚本能读到的环境值。

三个可以在提示词里直接指定的开关,是这段脚本最实际的部分:

  • model:默认继承当前会话的模型;也可以点名 flash_lite / flash 做大批量快检,或 pro 做深推理。用不了的档位会直接报错并列出可选值。
  • type_name:默认 self(沿用当前 Agent 的配置和工具),也可以指定内置的只读研究 Agent,或你自己定义过的子 Agent。
  • workspace:默认 inherit 用当前工作区;branch 给每个 Agent 一个独立 git worktree(并行改代码时用这个);share 给每个 Agent 一份共享底层存储的新工作副本。

为什么这件事值得注意

第一,主对话终于干净了。多 Agent 并行最烦的不是跑得慢,是几十个文件的搜索结果和测试输出全糊在一个会话里,把上下文吃光。脚本模式下这些都在子会话,主会话只收到结构化结果和 log 行。

第二,编排变成了可以被 review 的东西。以前你想知道「这个 Agent 到底打算怎么分工」,只能看它边跑边解释。现在脚本先摆在你面前:起几个 Agent、读哪些路径、每个要交什么格式。想改?直接拒绝,然后告诉它改哪儿。

第三,能存盘重跑。同一类活如果每周都干,让 Agent 把脚本存成 scripts/review-changes.py,下次 /run-workflow Run scripts/review-changes.py 就行,不用每次重新生成。对团队来说,这意味着「审查流程」可以进版本库。

第四,审查-修复-复核这个循环终于做得自然。官方给的第二个例子是多轮 Agent:同一个 Reviewer 先列出 src/billing 里的 bug,并行开一堆 Fixer 去修,最后让同一个 Reviewer 回来确认每个 bug 都修掉了。这是「跨轮保留记忆」的典型用法,也是单轮 subagent 做不到的。

怎么用

下面五步就是最小可用路径,App 和 CLI 都能走:

  1. 先确认版本。App 要 2.32.0,CLI 要 1.5.8;更老的版本没有 /run-workflow。
  2. 在任意会话里打命令。输入 /run-work 让菜单补全成 /run-workflow,Tab 插入,然后空一格写任务。也可以直接用自然语言说「跑一个并行审计每个包的工作流」。
  3. 读它写出来的脚本。这一步别跳。看三件事:起了几个 Agent、workspace 是 branch 还是 inherit、每个 schema 是不是你想要的形状。不满意就选 No 并说明要改什么。
  4. 批准并跟节奏。App 里 workflow 显示为一个步骤,标题会写当前阶段和「3/4 agents」这种进度,点 Agent 卡片能在侧栏打开它的会话、批准它的请求。CLI 里状态行显示「1 task(s) · /tasks」,按 Ctrl+O 把步骤展开成「脚本 / 日志 / 输出」三棵树。
  5. 收结果。跑完主 Agent 会把日志和输出读一遍替你总结。中途想停,停主会话即可——官方明确说,停父会话会连带停掉所有在跑的 workflow Agent。

两个 CLI 专属的小动作值得记:有 Agent 卡在等审批时,Alt+J 直接跳过去,Ctrl+K 不用离开主对话就能批准。

适用场景:谁该用

  • 一文件一审查:改了 40 个文件,每个文件一个 Reviewer,各给一行结论。这是官方给的第一个例子,也是最容易见效的场景。
  • 逐包审计:monorepo 里每个 package 一个 Agent,查同一类问题(比如「还有没有用旧的 request()」)。
  • 失败测试 → 修 → 复核:先让一个 Agent 写一个必然失败的 pytest,再让另一个 Agent 改到通过,逐条串行推进。
  • 同一改动铺到多个位置:给每个包开独立 branch 工作区,改完各自跑 npm test,回报 diff 摘要和测试结果。
  • 有人要签字的高风险批量操作:因为脚本必须先审批、且审批只覆盖那一份脚本,它天然适合「我要先看清你要干什么」的场合。

不适用场景:谁别碰

  • Agent 之间需要商量。脚本里的 Agent「看不到脚本,也看不到彼此」,只能通过脚本传话。如果它们要就接口达成一致、或者在留言板上互看 diff,官方直接建议改用 /swarm。
  • 强依赖上一步结果的任务。整条链是线性的,用 pipeline() 也只是排队,不会因此变快;这种活普通对话反而更省事。
  • 子任务数量极大又要全部成功。parallel() 的规则很硬:一个 item 失败,其余全部取消。没有「部分成功继续跑」的选项。
  • 想让它当常驻服务。它是会话内的一次性编排,不是调度器;定时那件事归 Automations。
  • 免费版用户。Dynamic Workflows 只在 Google AI Pro 和 Google AI Ultra 上开放。

避坑

  • 别把 parallel() 当容错批处理。一项挂掉,其他项一起被取消,日志里只会告诉你失败了。批量任务要自己拆小批,或者先做一遍「能不能跑」的预检。
  • 停主会话等于全停。手滑关掉会话,所有在跑的 workflow Agent 一起没了。
  • 审批粒度比你想的细。批准一次只覆盖那一份脚本,每次重跑还会再问(除非你选了「always allow」)。而且命令前缀白名单对 Python 脚本无效——这是一条容易被忽略的规则。
  • macOS 从 Dock 启动看不到 shell 环境变量。如果你要用自己的 Python(设 ANTIGRAVITY_PYTHON),从 Dock 打开的 App 读不到你 .zshrc 里的设置,得从终端启动或者写绝对路径。
  • 自带 Python 首次运行要解包。官方说 Antigravity 内置了给 workflow 用的 Python,你不用自己装,但第一次跑会花一点时间解包,别以为是卡住了。
  • 自制解释器必须 3.8+。版本不够会直接报错,并在错误里点出是哪个环境变量惹的。
  • Agent 的权限是各自谈的。脚本过了你这关,不代表里面的 Agent 不用再问你——它们会在自己的会话里按各自的权限预设弹窗,然后一直等你回答。

成本和时间

这里要说清楚哪些是官方的、哪些是推断的。

先说一句定位:Antigravity 本体是闭源的商业工具,靠订阅付费,没有社区版可自建,所以下面这些门槛都是真金白银的门槛。

官方的部分:Dynamic Workflows 只在 Google AI Pro 和 Google AI Ultra 两个档位提供,App 和 CLI 都算;官方文档里没有给「一次 workflow 消耗多少额度」「最多能起多少个 Agent」这类数字。Google One 页面上,AI Pro 是 19.99 美元/月,AI Plus 是 9.99 美元/月——但 Plus 不在这次的功能范围内,别买错档。

推断的部分(请注意是推断):并行起 N 个 Agent,大概率比一次普通对话更费额度,因为每个 Agent 都是完整会话,各自读文件、跑工具。荷兰那家媒体也做了同样的推测,并明确写了「Google 没给数字」。所以真实成本只能自己小规模试一次再放大。

时间上,单次 workflow 的墙钟时间取决于最慢那个 Agent 加脚本开销;pipeline() 是把时间线性叠加,parallel() 是取最大值。如果你的任务本来就只能串行,用 workflow 不会更快,只是更可控。

行动建议

第一步,先拿一个小而不重要的任务试水:比如「列出这个分支改过的 5 个文件,每个给一句结论」。看清它生成的脚本起几个 Agent、读哪些路径,再决定要不要放大到全仓库。

第二步,把 workspace 显式写成 branch(凡是并行改代码的场景),避免几个 Agent 在同一份工作区里互相踩。

第三步,如果这类活你每周都干,把跑通的脚本存进仓库,当成流程文档的一部分——这比写一份「Agent 使用规范」的 Wiki 有用得多。

第四步,如果你们的场景是「多个 Agent 要互相商量着推进一个功能」,别硬套 workflow,去看 /swarm;如果只是「派一个活出去」,用普通 subagent 就够了。选错工具比不会用更浪费时间。

参考来源

评论

0 条已公开
登录或注册后可以参与评论。

正在加载评论...