Tutorial do Google Antigravity CLI: orquestrando agentes de IA em paralelo

Novo no mundo de agentes de IA? Nossa trilha de habilidades AI Agent Fundamentals vai te dar uma base sólida antes de começar.

O que há de novo no Google Antigravity 2.0?

O Google I/O 2026 marcou uma expansão significativa da plataforma Antigravity. Deixou de ser apenas uma ferramenta e virou um ecossistema completo. Eis o que foi lançado:

Antigravity 2.0 desktop app

Diferente do IDE Antigravity original (que continua disponível para desenvolvedores), o Antigravity 2.0 foi construído desde o início com foco em agentes. É uma interface enxuta para interagir com agentes, gerenciar projetos e revisar artefatos. Disponível para macOS, Linux e Windows.

Principais novidades:

• Subagentes dinâmicos: O agente principal pode definir e criar subagentes especializados sob demanda para lidar com subtarefas focadas em paralelo, sem poluir sua própria janela de contexto.

• Gerenciamento assíncrono de tarefas: Operações demoradas rodam em segundo plano, sem travar o agente principal nem a interface.

• Projetos: Os agentes são organizados por "projeto" em vez de repositório. Um projeto pode abranger várias pastas locais com seus próprios escopos de permissão.

• Tarefas agendadas: Usuários podem definir agendamentos estilo cron que disparam agentes automaticamente, incluindo resumos diários, health checks por hora e relatórios mensais, sem invocação manual.

• Hooks em JSON: Interceptam e personalizam o comportamento do agente em estágios do ciclo de vida (antes de chamar uma ferramenta, depois de uma chamada ao modelo, em condições de parada do loop) usando arquivos de configuração JSON simples.

• Transcrição de voz em tempo real: A entrada do microfone agora é transcrita em tempo real com modelos Gemini Audio, transformando fala espontânea em prompts claros e prontos para envio.

• Comandos com barra:

• /goal: Roda de forma autônoma até concluir

•  /grill-me: O agente primeiro faz perguntas para esclarecer

• /schedule: Define execução única ou recorrente

• /browser: Permite opt-in explícito para uso do navegador

Antigravity CLI

Para desenvolvedores que vivem no terminal e fluxos de automação, o Antigravity CLI (invocado como agy) entrega o mesmo arcabouço de agentes em uma interface leve e scriptável. 

É o sucessor do Gemini CLI e é o que vamos usar neste tutorial. Você aponta para seus dados, descreve seu objetivo em inglês simples e ele cuida do resto, inclusive decidir como decompor a tarefa em subagentes. Sem scripts de orquestração, sem arquivos de configuração, sem definir subagentes manualmente.

Antigravity SDK

O Antigravity SDK oferece acesso programático ao mesmo arcabouço de agentes que alimenta os produtos do Google. Ele é otimizado para modelos Gemini e permite definir comportamentos personalizados de agentes e hospedá-los na sua própria infraestrutura.

Agentes gerenciados na Gemini API

A adição mais amigável para desenvolvedores na Gemini API é o Managed Agents. Com uma única chamada de API, agora você cria um agente que raciocina, usa ferramentas e executa código em um ambiente Linux persistente e isolado. 

Cada interação pode ser retomada em chamadas subsequentes com todos os arquivos e estado intactos. Eles são alimentados pelo arcabouço de agentes do Antigravity e baseados no novo Gemini 3.5 Flash, que roda 4× mais rápido que outros modelos de ponta, superando o Gemini 3.1 Pro em praticamente todos os benchmarks.

Integrações com o Google AI Studio

O ecossistema mais amplo também inclui um novo app móvel do Google AI Studio, integração nativa da API do Google Workspace para agentes, exportação para Antigravity com um clique a partir de projetos do AI Studio e suporte nativo para criação de apps Android com publicação direta no Google Play Console.

Juntos, esse ecossistema representa uma mudança do prompting de turno único para agentes sempre ativos, e a arquitetura de subagentes no coração do Antigravity 2.0 é o mecanismo que torna isso real.

Entendendo subagentes dinâmicos no Antigravity 2.0

Em uma configuração de agente único, um agente faz tudo de forma sequencial. Começamos limpando os dados, depois analisamos e, por fim, visualizamos. Isso traz dois problemas. Primeiro, é lento, e cada etapa espera a anterior terminar. Segundo, a janela de contexto do agente enche com todo o histórico de cada passo, o que pode degradar a qualidade do raciocínio nas tarefas seguintes.

Subagentes resolvem os dois problemas. O agente orquestrador recebe seu objetivo de alto nível e decide como quebrá-lo em subtarefas. Em seguida, ele define e cria subagentes, cada um focado em uma única tarefa, com sua própria janela de contexto isolada, e executa todos em paralelo. Quando terminam, o orquestrador sintetiza o resultado final.

Aqui vai um modelo mental para entender o conceito:

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

O mais importante: você não define os subagentes. O orquestrador do CLI raciocina sobre a tarefa e decide a decomposição. Você só fornece os dados e o objetivo.

Demo do Antigravity 2.0: dashboard de vendas automatizado com um único prompt no CLI

Nesta seção, vamos pegar um CSV bruto de vendas mensais (dados fictícios) e gerar um dashboard HTML interativo completo sem escrever código nem definir instruções de subagentes.

Passo 1: instale o Antigravity CLI

Comece instalando o Antigravity CLI executando um comando bash. O Antigravity CLI está disponível para vários sistemas operacionais, incluindo:

macOS e 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

Passo 2: autentique com uma conta do Google ou um projeto GCP

Depois de instalar, execute o antigravity com o comando abaixo no terminal:

agy

Em seguida, autentique com uma conta Google ou um projeto GCP. Você receberá uma chave secreta para adicionar ao terminal onde o antigravity está rodando, concluindo a autenticação.

Depois, ajuste o tema do terminal e conceda acesso aos arquivos necessários. Pronto.

O CLI se identifica como Antigravity CLI 1.0.0 e se conecta ao Gemini 3.5 Flash (High) por padrão.

Passo 3: prepare a pasta do projeto

Você pode fazer este passo manualmente ou simplesmente pedir para o Antigravity CLI fazer por você:

mkdir AntigravityDemo
cd AntigravityDemo

Esse é todo o setup do projeto. Sem subpastas, sem arquivos de configuração, sem definições de agentes.

Passo 4: adicione o dataset

Salve os dados fictícios abaixo como sales_raw.csv diretamente na pasta AntigravityDemo, ou use dados de sua preferência. O arquivo inclui, de propósito, problemas realistas de qualidade como valores ausentes e um outlier marcador $999,999, para que os subagentes tenham algo significativo para tratar.

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

Depois de adicionar o CSV ao diretório de trabalho, já podemos começar no CLI.

Passo 5: execute o CLI com o comando /goal

Com o diretório de trabalho pronto e o dataset sales_raw.csv no lugar, você está pronto para invocar o orquestrador do Antigravity CLI e gerenciar o fluxo analítico de ponta a ponta. Abra um terminal e rode o comando:

agy

Agora, vamos pedir para o Gemini limpar, analisar e visualizar nossos dados:

/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.

O prefixo /goal é importante porque indica ao CLI para executar toda a tarefa até o fim, sem pausar para aprovar o plano ou pedir confirmações intermediárias. Sem ele, o agente para e pergunta: "Quer prosseguir?" antes de cada etapa relevante. 

O fluxo autônomo é iniciado imediatamente pelo orquestrador. Aqui estão 5 estágios detalhados do processo, do profiling até a montagem:

Estágio 1: profiling do ambiente

O orquestrador começou entendendo o ambiente antes de escrever uma linha de código:

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

Ele listou permissões, leu o diretório, carregou o CSV, verificou a disponibilidade do Python e das bibliotecas necessárias, tudo antes de planejar. Esse profiling inicial permite que o orquestrador tome decisões informadas sobre os papéis dos subagentes, em vez de planejar às cegas.

Observação sobre a solicitação de permissão: mesmo com /goal, o CLI pediu uma permissão única antes de executar comandos bash. Esse é o modelo de segurança com humano no loop do Antigravity. Você aprova uma vez para uma classe de operação e não precisa aprovar novamente. É uma decisão de design que evita que a automação pareça uma caixa-preta, especialmente útil em produção.

Estágio 2: planejamento e definição de subagentes

O orquestrador então criou um plano de implementação interno e definiu três subagentes:

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)

O arquivo implementation_plan.md é gravado em um diretório interno temporário .gemini, não na pasta do seu projeto. É um artefato de planejamento do próprio CLI, então você não precisa ler nem gerenciar. Ao usar /goal, ele é aprovado automaticamente e a execução continua na hora.

Os três nomes de subagentes data_cleaner, data_analyzer e data_visualizer foram derivados inteiramente pelo CLI a partir da descrição do seu objetivo.

Estágio 3: execução do data_cleaner

O primeiro subagente tratou os problemas de qualidade de dados: imputou os dois valores ausentes de revenue e o units_sold ausente usando as medianas por product, identificou o registro de abril do Laptop Pro com $999,999 como marcador de sistema (como esperado), substituindo-o por $50.106 (preço mediano por unidade $1.193 × 42 unidades) e restaurando a precisão estatística antes de passar os dados limpos adiante.

Estágio 4: data_analyzer e data_visualizer rodam em paralelo

Assim que o sales_clean.csv ficou pronto, o orquestrador disparou imediatamente os dois subagentes restantes simultaneamente. O analyzer calculou taxas de crescimento M/M, quebras por produto e resumos por região, salvando em analysis_summary.json, enquanto o visualizer gerou três gráficos PNG em paralelo. O orquestrador monitorou ambos e reportou o status em tempo real.

Observação: quando solicitado a revisar o plano de implementação ou um artefato, você pode usar o comando /artifact para abrir a pasta de artefatos e checar o conteúdo, ou confiar no modelo e seguir a execução padrão.

Estágio 5: montagem final

Com todos os subagentes concluídos, o orquestrador gastou 12 segundos de raciocínio deliberado para confirmar que todos os arquivos estavam presentes antes de montar o dashboard final. O resultado foi um arquivo HTML totalmente autocontido, sem dependências externas.

O dashboard gerado não é uma página estática; é uma interface interativa em nível de produção. Principais recursos:

• Tema dark glassmorphic com acento azul e tipografia limpa
• Quatro cards de KPI com Receita total ($444.389), Total de unidades vendidas (2.168), Produto topo (Laptop Pro, 69,0% de participação) e Região topo (North)
• Três abas comutáveis:
• Visão geral e tendências: gráfico de linha de receita mensal e tabela de performance M/M com cores por crescimento (verde positivo, vermelho negativo)
• Insights por produto e região: inclui gráfico de rosca por região e tabela detalhada por produto/região com preços unitários e participação em receita
• Dataset limpo: uma aba com a tabela completa de dados limpos com busca, filtros por coluna e cabeçalhos ordenáveis
• Botões de download no canto superior direito para o CSV limpo e o JSON de análise
• Seção de notas de auditoria de qualidade de dados e de negócio no rodapé, explicando exatamente o que foi limpo.

Considerações finais

Neste tutorial, executamos um pipeline de dados multiagente completo usando o Antigravity CLI em menos de cinco minutos. O orquestrador fez o profiling do CSV bruto, definiu de forma autônoma três subagentes, rodou dois deles em paralelo quando os dados limpos ficaram prontos e montou um relatório HTML autocontido com navegação em abas, cards de KPI e tabelas ordenáveis.

A arquitetura de subagentes não é só otimização de performance; é um padrão de design que reflete naturalmente como o trabalho analítico complexo acontece. Ela cria agentes especialistas trabalhando em paralelo, cada um focado no que faz melhor, enquanto um orquestrador sintetiza o resultado final. O mesmo padrão se estende muito além de análise de dados, para processamento de documentos, pipelines de code review, agregação de pesquisas e mais.

Para ir além, algumas ideias:

• Automatize com tarefas agendadas adicionando o comando /schedule ao seu prompt no app desktop Antigravity 2.0. O pipeline roda automaticamente em um CSV atualizado conforme sua programação.
• Use /grill-me para mais controle se quiser que o CLI faça perguntas de esclarecimento antes de começar. Nesse caso, use /grill-me em vez de /goal.
• Incorpore via Managed Agents API: se quiser este pipeline dentro de um app web, a Managed Agents API na Gemini API oferece as mesmas capacidades de subagentes com uma única chamada. Como cada agente roda em um ambiente Linux persistente e isolado, você pode retomar entre sessões.
• Com a integração do Antigravity ao Workspace, seu orquestrador pode escrever o relatório final direto no Google Docs ou distribuí-lo via Gmail, basta incluir isso no prompt de objetivo e o agente cuida das chamadas de API.