Antigravity 使沙盒模式和多Agent协同开发
仅提供中文版本
Antigravity 使用多Agent协同开发
介绍
Antigravity中提供了协同的多Agent工作模式，并且提供沙盒模式用于演示开发
快捷键 Ctrl + E打开Agent Management
Playground
Antigravity中提供了一个沙盒模式可以用作一些比较激进的测试或是多种方案联合测试，类似于我下面演示的内容，我将会创建一个传统的登录页和glass的动态登录页，其中动态登录页我将会在沙盒中进行演练
他的所有的代码文件都不在当前的项目中，而是存在于上篇文章中提到的plground的文件夹中
通过这种方式可以给使用者提供一个活多个额外的演示内容进行不停的测试,使用的话只需要点击Playground的增加对话即可
Agent协同模式
由于Antigravity的设计是希望用户成为一个项目经理，能够将Agent视为员工进行任务分配，所以在Agent管理器中可以设置多任务并行
案例演示
介绍
以一个简单的登录页面为参照，我再项目中预先设置了Skill ， Workflow分别为基础的代码风格和编码步骤进行了整理
Skill
这个项目中为了演示不同，我通过Gemini帮我设置了两个Skill
前端Skill ： 基础的样式 :专注于生成生产级、响应式且符合 A11y 标准的前端样式代码。
后端Skill ： Fast API ， log前加tag-hsu :专注于生成健壮、安全且高性能的后端逻辑与 API 接口。
Workflow
一个线性工作流。Step 1 派发给前端 Agent 生成 UI 和环境配置；Step 2 将前端代码作为上下文，派发给后端 Agent 生成配套服务。
步骤
切换项目至自己的项目
创建一个主任务界面，负责进行工作任务的分配，我通过引用了这个我上面workflow进行约束，图中可以看到他会主动的读取skill的文件进行设计
- 创建主任务完成后，里面设计好了不同的文件夹，后面需要分别设置前端和后端的Agent，这两个我就直接告诉他们自己的身份，然后让他们自己来这个主任务清单进行工作梳理
前端提示词 ：
后端提示词 ：
- 基本设置到此结束，可以切换到inbox进行所有任务的状态监督，包括我们的沙盒状态,后续的工作就是逐步检查他们的运行状态，各种命令的运行许可，如果觉得暂时没有问题，还可以继续在沙盒进行第三种样式的开发
- 由于项目比较简单，所以会以很快的时间将两个格式及虚拟环境和后端启动,左侧为我的默认样式，右侧为我沙盒中约束的样式，可以看到他是从安装位置的地方开始引用
- 项目验证，启动后端和前端可以分别看到前端的内容和后端的输出符合要求
All articles on this blog are licensed under CC BY-NC-SA 4.0 unless otherwise stated.
Related Articles
2026-02-05
Google Chrome Built-in Multimodal Model (Gemini Nano) Local Setup Guide
Google Chrome Built-in Multimodal Model (Gemini Nano) Local Setup GuideThis guide walks you through how to download, configure, and call Google Chrome’s built‑in lightweight multimodal model Gemini Nano in a local environment, enabling offline inference and image understanding. Get started with built-in AI 1. Environment Setup and Experimental Flags1.1 Check model component statusFirst, open chrome://components and search for the keyword “model” to verify whether the model component is enab...
2026-02-05
Gemini in Chrome 浏览器AI助手
Gemini in Chrome 是由 Google 推出、直接内置于 Chrome 浏览器中的个人 AI 助手。它能够结合当前标签页内容和浏览历史，为你提供即时摘要、内容对比、写作辅助以及任务执行能力，让浏览体验更加智能、高效。参考官方介绍可见：Gemini in Chrome 概览。与Antigravity一样Google还是希望用户作为项目经理去使用AI，所以在使用过程中这种感觉非常明显，不知道是不是我的错觉 结论整体体验比较流畅，我的直观感受是：它更像是“嵌在浏览器里的小爱同学”。 区域限制 目前该功能处于高度受限的测试阶段，仅限美国区域。 即使开启了 TUN 模式（全模式代理），系统仍可能通过设备指纹、系统区域设置或 Google 账号的底层属地信息进行拦截。对于国内用户而言，绕过 VPN 检测的难度较高，这意味着其目前还不是一个“全球通”工具。 从“工具”到“入口” Pro/Ultra 用户的增值： 一旦全面铺开，对于订阅用户而言，Gemini 将不再是一个需要单独打开的网页，而是成为了 Chrome 的“系统级”入口。 上下文感知： 它解决了 A...
2026-01-04
LLaMA-Factory Gradio Environment Configuration
Reference Video:【DeepSeek+LoRA+FastAPI】How Developers Fine-tune Large Models and Expose Interfaces for Backend Calls After following the blogger’s video installation, I encountered some issues. It might be because the blogger was using Linux, while I am using Windows, or the server rented by the blogger had some basic configurations pre-installed. Therefore, following the steps exactly resulted in some errors. 1. Error: pip install -e ".[torch,metrics]" Check the .condarc configurat...
2026-02-05
Gemini in Chrome: Your Personal AI Assistant Inside the Browser
Gemini in Chrome: Your Personal AI Assistant Inside the BrowserGemini in Chrome is a personal AI assistant from Google that lives directly inside the Chrome browser. It understands the content of your current tabs and browsing history, and can provide instant summaries, content comparisons, writing assistance, and task automation to make your browsing experience more intelligent and efficient. For the official overview, see Gemini in Chrome. Similar to Antigravity, Google clearly expects user...
2026-01-04
LLaMA-Factory Gradio 环境配置
参考视频：【DeepSeek+LoRA+FastAPI】开发人员如何微调大模型并暴露接口给后端调用 按照博主的视频安装之后遇到一些问题，可能是博主使用的lunix ， 而我使用的是windows又或是博主租用的服务器会有一些基础配置，所以按照步骤安装会报一些错误。 1. pip install -e “.[torch,metrics]”报错 查看.condarc配置文件，将default删除，替换成国内的镜像源 123456789show_channel_urls: truechannels: - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2envs_dirs: - D:\Software\LLaMA-Factory - e:\llama-factory-domain 2. 运行...
2026-01-03
Lora Model Training Records
Lora-ScriptAbstractThis post primarily records issues encountered during model fine-tuning and some parameter configurations. The graphics cards used were rented from a cloud provider. Multi-card model training mainly uses a modified kohya_ss framework and utilizes deepspeed 3 for multi-GPU training. Single-card training uses the aki toolkit for lora-script training. Bash Config123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616...
