Tutoriel Google Antigravity CLI : orchestrer des agents IA parallèles

Nouveau dans l'IA agentique ? Notre parcours de compétences AI Agent Fundamentals vous donnera des bases solides avant de vous lancer.

Quoi de neuf dans Google Antigravity 2.0 ?

Google I/O 2026 marque une expansion majeure de la plateforme Antigravity. Ce n'est plus seulement un outil : c'est un véritable écosystème. Voici ce qui a été lancé :

Application de bureau Antigravity 2.0

Contrairement à l'IDE Antigravity d'origine (toujours disponible pour les developers), Antigravity 2.0 est conçue dès le départ autour des agents. C'est une interface épurée pour interagir avec les agents, gérer des projets et passer en revue les artefacts. Disponible sur macOS, Linux et Windows.

Parmi les nouvelles capacités :

• Sous-agents dynamiques : l'agent principal peut définir et lancer à la volée des sous-agents spécialisés pour traiter des sous-tâches ciblées en parallèle, sans encombrer sa propre fenêtre de contexte.

• Gestion asynchrone des tâches : les opérations longues s'exécutent en arrière-plan, sans bloquer ni l'agent principal ni l'interface.

• Projets : les agents sont organisés par « projet » et non par dépôt. Un projet peut couvrir plusieurs dossiers locaux avec ses propres périmètres d'autorisations.

• Tâches programmées : vous pouvez définir des programmations de type cron qui déclenchent automatiquement les agents – synthèses quotidiennes, contrôles d'intégrité horaires, rapports mensuels – sans intervention manuelle.

• Hooks JSON : ils interceptent et personnalisent le comportement des agents à différentes étapes du cycle de vie (avant un appel d'outil, après un appel de modèle, sur conditions d'arrêt de boucles) via de simples fichiers de configuration JSON.

• Transcription vocale en direct : l'entrée micro est désormais transcrite en temps réel avec les modèles audio Gemini, convertissant un discours spontanné en prompts clairs, prêts à envoyer.

• Commandes « slash » :

• /goal : exécution autonome jusqu'à complétion

•  /grill-me : l'agent commence par poser des questions de clarification

• /schedule : invocation ponctuelle ou récurrente

• /browser : autorisation explicite d'utiliser le navigateur

Antigravity CLI

Pour les développeurs adeptes du terminal et les workflows d'automatisations, l'Antigravity CLI (appelée via agy) offre le même harnais d'agents dans une interface légère et scriptable.

C'est la successeur de la Gemini CLI, et c'est ce que nous utiliserons dans ce tutoriel. Vous la pointez vers vos données, décrivez votre objectif en anglais simple, et elle s'occupe du reste, y compris de décider comment décomposer la tâche en sous-agents. Pas de scripts d'orchestration, pas de fichiers de configuration, pas de définitions manuelles de sous-agents.

Antigravity SDK

Le Antigravity SDK fournit un accès programmatique au même harnais d'agents qui alimente les produits Google. Optimisé pour les modèles Gemini, il permet de définir des comportements d'agents personnalisés et de les héberger sur votre propre infrastructure.

Agents managés dans l'API Gemini

La nouveauté la plus orientée développeurs de l'API Gemini est Managed Agents. Avec un simple appel d'API, vous pouvez déployer un agent qui raisonne, utilise des outils et exécute du code dans un environnement Linux persistant et isolé.

Chaque interaction peut être reprise lors d'appels ultérieurs avec tous les fichiers et l'état préservés. Ces agents s'appuient sur le harnais d'agents Antigravity et sur le nouveau Gemini 3.5 Flash, quatre fois plus rapide que d'autres modèles de pointe tout en surpassant Gemini 3.1 Pro sur la plupart des benchmarks.

Intégrations Google AI Studio

L'écosystème inclut également une nouvelle application mobile Google AI Studio, une intégration native à l'API Google Workspace pour les agents, l'export vers Antigravity en un clic depuis les projets AI Studio, et la création d'applications Android avec publication directe sur Google Play Console.

Ensemble, cet écosystème marque le passage d'un prompt en un seul tour à des agents toujours actifs, et l'architecture de sous-agents au cœur d'Antigravity 2.0 en est le moteur.

Comprendre les sous-agents dynamiques dans Antigravity 2.0

Dans une configuration à agent unique, un seul agent gère tout de manière séquentielle : d'abord le nettoyage, puis l'analyse, enfin la visualisation. Deux problèmes : c'est lent (chaque étape attend la précédente) et la fenêtre de contexte de l'agent se remplit de tout l'historique, ce qui peut dégrader la qualité du raisonnement sur les tâches suivantes.

Les sous-agents résolvent ces deux points. L'agent orchestrateur reçoit votre objectif de haut niveau et décide comment le décomposer en sous-tâches. Il définit et lance ensuite des sous-agents, chacun concentré sur une seule tâche, avec sa propre fenêtre de contexte isolée, et les exécute en parallèle. Une fois terminé, l'orchestrateur synthétise la sortie finale.

Voici un modèle mental pour saisir le concept :

Your prompt → Orchestrator Agent
                ├── reads & profiles the dataset
                ├── defines subagent roles autonomously
                ├── spawns data_cleaner           ──┐
                ├── spawns data_analyzer          ──┤ (parallel, once clean data is ready)
                └── spawns data_visualizer        ──┘
                         ↓ (all finish)
                Orchestrator: assembles → sales_report.html

Point essentiel : vous ne définissez pas vous-même les sous-agents. L'orchestrateur du CLI raisonne sur la tâche et décide de la décomposition. Vous fournissez simplement les données et l'objectif.

Démo Antigravity 2.0 : tableau de bord des ventes automatisé depuis un seul prompt CLI

Dans cette section, nous partirons d'un CSV brut de ventes mensuelles (données factices) pour produire un tableau de bord HTML interactif complet, sans écrire de code ni définir d'instructions de sous-agent.

Étape 1 : installer Antigravity CLI

Commencez par installer Antigravity CLI via une commande bash. Antigravity CLI est disponible sur plusieurs OS, notamment :

macOS et Linux

curl -fsSL https://antigravity.google/cli/install.sh | bash

Windows PowerShell

irm https://antigravity.google/cli/install.ps1 | iex

Windows CMD

curl -fsSL https://antigravity.google/cli/install.cmd -o install.cmd && install.cmd && del install.cmd

Étape 2 : s'authentifier avec un compte Google ou un projet GCP

Une fois installé, lancez Antigravity avec la commande suivante dans votre terminal :

agy

Ensuite, authentifiez-vous avec un compte Google ou un projet GCP. Une clé secrète vous sera fournie ; ajoutez-la dans votre terminal où Antigravity est en cours d'exécution pour finaliser l'authentification.

Configurez ensuite le thème du terminal et accordez-lui l'accès aux fichiers requis : vous êtes prêt.

Le CLI s'identifie comme Antigravity CLI 1.0.0 et se connecte par défaut à Gemini 3.5 Flash (High).

Étape 3 : préparer votre dossier de projet

Vous pouvez effectuer cette étape vous-même ou simplement demander à Antigravity CLI de le faire pour vous :

mkdir AntigravityDemo
cd AntigravityDemo

C'est toute la configuration de votre projet. Pas de sous-répertoires, pas de fichiers de configuration, pas de définitions d'agents.

Étape 4 : ajouter le jeu de données

Enregistrez les données factices suivantes sous sales_raw.csv directement dans votre dossier AntigravityDemo, ou utilisez un jeu de données de votre choix. Il inclut volontairement des problèmes de qualité réalistes comme des valeurs manquantes et une valeur aberrante $999,999 en guise d'espace réservé, afin d'offrir de la matière aux sous-agents.

month,product,region,revenue,units_sold
2024-01,Laptop Pro,North,45200,38
2024-01,Wireless Earbuds,South,12300,205
2024-01,Mechanical Keyboard,East,8900,89
2024-02,Laptop Pro,North,47800,40
2024-02,Wireless Earbuds,South,,198
2024-02,Mechanical Keyboard,East,9100,91
2024-03,Laptop Pro,North,51200,43
2024-03,Wireless Earbuds,South,13100,218
2024-03,Mechanical Keyboard,East,,
2024-04,Laptop Pro,North,999999,42
2024-04,Wireless Earbuds,South,13800,230
2024-04,Mechanical Keyboard,East,9600,96
2024-05,Laptop Pro,North,55100,46
2024-05,Wireless Earbuds,South,14200,237
2024-05,Mechanical Keyboard,East,10100,101
2024-06,Laptop Pro,North,57300,48
2024-06,Wireless Earbuds,South,14900,248
2024-06,Mechanical Keyboard,East,10500,105

Une fois le fichier CSV ajouté à votre répertoire de travail, nous pouvons commencer dans le CLI.

Étape 5 : exécuter le CLI avec la commande /goal

Votre répertoire est prêt et le jeu de données sales_raw.csv en place : vous pouvez invoquer l'orchestrateur d'Antigravity CLI pour piloter l'ensemble du flux analytique. Ouvrez un terminal et lancez la commande suivante :

agy

Demandons ensuite à Gemini de nettoyer, analyser et visualiser nos données :

/goal I have a sales dataset at /Users/yourname/Desktop/AntigravityDemo/sales_raw.csv.
Spin up multiple subagents to clean, analyze, and visualize it.
Produce a final HTML report and save all outputs in this folder.

Le préfixe /goal est important : il indique au CLI d'exécuter la tâche jusqu'au bout sans s'interrompre pour demander une validation du plan ou des étapes intermédiaires. Sans lui, l'agent s'arrête et demande : « Souhaitez-vous continuer ? » avant chaque étape significative.

Le workflow autonome est lancé immédiatement par l'orchestrateur. Voici 5 décompositions détaillées des différentes étapes, de l'analyse initiale à l'assemblage :

Étape 1 : profilage de l'environnement

L'orchestrateur a commencé par comprendre son environnement avant d'écrire la moindre ligne de code :

ListPermissions  (confirmed read and write access to the workspace)
ListDir          (/Users/aashidutt/Desktop/AntigravityDemo)
Read             (sales_raw.csv)
Thought for 3s, 1.5k tokens — Analyzing Data Quality Issues
Bash             (python3 --version)
Bash             (python3 -c "import pandas, matplotlib, seaborn...")
Thought for 4s, 463 tokens — Initiating Implementation Planning

Il a listé les autorisations, lu le répertoire, chargé le CSV, vérifié la présence de Python et des bibliothèques nécessaires, avant même de planifier. Ce profilage en amont permet à l'orchestrateur de prendre des décisions éclairées quant aux rôles des sous-agents au lieu de planifier à l'aveugle.

Note sur la demande d'autorisation : même avec /goal, le CLI a demandé une autorisation unique avant d'exécuter des commandes bash. C'est le modèle de sécurité human-in-the-loop d'Antigravity. Vous approuvez une fois une catégorie d'opérations, et il ne redemande plus. Un choix de conception assumé, utile en contexte de production.

Étape 2 : planification et définition des sous-agents

L'orchestrateur a ensuite créé un plan d'implémentation interne et défini trois sous-agents :

Create          (implementation_plan.md → written to ~/.gemini/ant.../  scratch folder)
DefineSubagent  ("data_cleaner" defined successfully)
DefineSubagent  ("data_analyzer" defined successfully)
DefineSubagent  ("data_visualizer" defined successfully)

Le fichier implementation_plan.md est écrit dans un répertoire temporaire interne .gemini, pas dans votre dossier projet. C'est un artefact de planification du CLI : vous n'avez pas à le lire ni le gérer. Avec /goal, il est auto-approuvé et l'exécution enchaîne immédiatement.

Les trois noms de sous-agents data_cleaner, data_analyzer et data_visualizer sont entièrement déduits par le CLI à partir de votre objectif.

Étape 3 : exécution de data_cleaner

Le premier sous-agent a corrigé les problèmes de qualité des données : imputation des deux valeurs revenue manquantes et de la valeur manquante de units_sold à l'aide des médianes par product, identification de l'entrée « Laptop Pro » à $999 999 en avril comme valeur de remplacement système (attendue), remplacée par $50 106 (prix unitaire médian $1 193 × 42 unités), restaurant la fiabilité statistique avant de transmettre les données nettoyées.

Étape 4 : exécution parallèle de data_analyzer et data_visualizer

Dès que sales_clean.csv a été finalisé, l'orchestrateur a lancé simultanément les deux sous-agents restants. L'analyseur a calculé les taux de croissance MoM, les répartitions par produit et les synthèses régionales, enregistrées dans analysis_summary.json, tandis que le visualiseur générait en parallèle trois graphiques PNG. L'orchestrateur a surveillé les deux et a rapporté leur état en temps réel.

Remarque : lorsqu'une revue du plan d'implémentation ou d'un artefact est proposée, vous pouvez utiliser la commande /artifact pour ouvrir le dossier des artefacts et en consulter le contenu, ou faire confiance au modèle et exécuter par défaut.

Étape 5 : assemblage final

Une fois tous les sous-agents terminés, l'orchestrateur a consacré 12 secondes de raisonnement délibéré pour confirmer la présence de tous les fichiers avant d'assembler le tableau de bord final. Le résultat : un fichier HTML totalement autonome, sans dépendances externes.

Le tableau de bord généré n'est pas une page statique : c'est une interface interactive de niveau production. Ses principaux atouts :

• Thème sombre « glassmorphique » avec accent bleu et typographie soignée
• Quatre cartes KPI : Chiffre d'affaires total ($444 389), Unités vendues (2 168), Produit le plus performant (Laptop Pro, 69,0 % de part), et Région en tête (Nord)
• Trois onglets commutables :
• Vue d'ensemble et tendances : courbe mensuelle du CA et tableau de performance MoM avec codes couleur (vert : hausse, rouge : baisse)
• Analyses par produit et région : diagramme en anneau par région et tableau détaillé produit/région avec prix unitaires et part de CA
• Jeu de données nettoyé : un onglet inclut aussi la table complète des données nettoyées avec recherche, filtres par colonne et en-têtes triables
• Boutons de téléchargement en haut à droite pour le CSV nettoyé et le JSON d'analyse
• Section de notes d'audit qualité des données et métier en bas, explicitant les nettoyages effectués.

Conclusion

Dans ce tutoriel, nous avons exécuté un pipeline de données multi-agents complet avec l'Antigravity CLI en moins de cinq minutes. L'orchestrateur a profilé le CSV brut, défini de manière autonome trois sous-agents, en a exécuté deux en parallèle une fois les données nettoyées prêtes, puis assemblé un rapport HTML autonome avec navigation par onglets, cartes KPI et tableaux triables.

L'architecture de sous-agents n'est pas qu'une optimisation de performance : c'est un motif de conception qui reflète naturellement la façon dont les travaux analytiques complexes s'organisent. Elle orchestre des agents spécialisés en parallèle, chacun concentré sur son cœur de compétence, pendant qu'un orchestrateur synthétise le résultat final. Ce schéma dépasse largement l'analyse de données : traitement de documents, chaînes de relecture de code, agrégation de recherche, etc.

Pour aller plus loin :

• Automatisez avec des tâches programmées en ajoutant la commande /schedule à votre prompt dans l'application de bureau Antigravity 2.0 : le pipeline se relancera automatiquement sur un CSV rafraîchi selon votre planification.
• Utilisez /grill-me pour plus de contrôle si vous souhaitez que le CLI pose des questions de clarification avant de commencer, et préfixez votre prompt par /grill-me au lieu de /goal.
• Intégrez-le via l'API Managed Agents : si vous voulez ce pipeline dans une application web, l'API Managed Agents de l'API Gemini vous offre les mêmes capacités de sous-agents avec un seul appel. Chaque agent s'exécutant dans un environnement Linux persistant et isolé, vous pouvez reprendre entre sessions.
• Avec l'intégration Workspace d'Antigravity, votre orchestrateur peut écrire le rapport final directement dans Google Docs ou le distribuer via Gmail en l'ajoutant simplement à l'objectif, l'agent gérant les appels d'API.