Google Antigravity SDK 導入本地模型,優化 Agent 混合架構執行效率與隱私
文章摘要
Google 更新 Antigravity SDK,導入本地模型支援,使開發者能直接在個人設備執行代理工作流,並能與雲端模型混合使用。該 SDK 採用「架構師-建構者」模式,由雲端的「架構師」代理規劃全局任務,再由本地運行的多個「建構者」代理執行修復漏洞、審核代碼與測試等耗能任務,確保原始碼無需上傳至雲端。實測顯示,在審核與修補三個 Python 模組時,僅 95 個標記(約 2.8%)用於雲端規劃,其餘 97.2% 的標記皆在本地處理。此技術初步支援透過 LiteRT 運行的 Gemma 4 26B A4B 模型,並相容 Ollama、LM Studio 及 vLLM 等 OpenAI 格式的本地推理伺服器。儘管此舉提升隱私與控制力,但開發者指出,該方案建議配置 24GB 以上記憶體,且需納入 Patch 接受率、執行時間與能源消耗等維度衡量效能,與 Antigravity IDE 不同,SDK 旨在供開發者自行編程構建各類 AI 代理。
AI 大叔解析
【核心判斷】
雲端只出嘴、本地扛苦工的混合架構,確實守住了原始碼不上雲的底線。Google 在 Antigravity SDK 推出的「架構師-建構者」模式,由雲端負責高層次任務拆解,本地負責吃重的程式碼修補與測試;在修復三個 Python 模組的實測中,約 3,400 個 Token 裡雲端僅佔 95 個(約 2.8%),remaining 97.2 則全在終端消化。這套設計在隱私合規與 Token 成本上給出了標準答案,但代價是把運算成本直接轉嫁到開發者的本機硬體上。
【毒舌吐槽】
宣稱幫你省下 97.2% 的雲端 Token,轉頭就開出建議 24GB 以上 VRAM 或統一記憶體的硬體規格。這就像買了標榜超省油的油電車,交車時才發現後車廂得自己扛一台重型發電機;雲端帳單看似變薄了,開發機的散熱風扇與電費卻開始瘋狂尖叫。
【為什麼重要?】
這套機制示範了大型企業推行 AI Agent 時最在意的敏感資料防護機制。雲端架構師完全不需要存取原始碼本身,僅憑檔名與任務描述就能把宏觀架構拆分成細部指令;而漏洞重現、修補與回歸測試等耗費大量上下文的操作,全都由本地建構者在隔離環境執行。
在生態整合上,它沒有強制把人綁死在專利格式。除了能用 LiteRT 跑 Gemma 4 26B A4B,SDK 也開放相容 OpenAI 格式的 LocalOpenAIAgentConfig,讓團隊能靈活對接 Ollama、LM Studio 或 vLLM。不過,正如社群指出的盲點,Token 上雲佔比極低不等於總體效益變高;本機執行能否維持理想的 Patch 接受率、耗費多少整體時間(Wall time)與電力,才是這套架構在日常維運中能否真正落地的硬指標。
【影響對象與建議】
- **企業資安架構師**:評估將敏感專案的工作流切分為雲端規劃與本地執行,確保程式碼不離開內網。
- **本地 AI 工具開發者**:透過 SDK 支援的 Ollama 或 vLLM 串接現有環境,並以 24GB 記憶體為門檻評估團隊硬體配置。
- **工程團隊主管**:評估導入時,不應只看雲端 Token 節省比例,需同步追蹤補丁接受率與開發機耗能等綜合指標。
【逆風觀點】
別被「97.2% 本地處理」的數字沖昏頭。雲端 Token 雖然大幅減少,但高達 24GB 以上的記憶體門檻,直接將大量使用標準配備的開發者擋在門外;若本機推論的速度落後、產出的補丁接受率不如高階雲端模型,省下來的雲端費用很可能直接被等待時間與設備升級成本完全抵消。
雲端只出嘴、本地扛苦工的混合架構,確實守住了原始碼不上雲的底線。Google 在 Antigravity SDK 推出的「架構師-建構者」模式,由雲端負責高層次任務拆解,本地負責吃重的程式碼修補與測試;在修復三個 Python 模組的實測中,約 3,400 個 Token 裡雲端僅佔 95 個(約 2.8%),remaining 97.2 則全在終端消化。這套設計在隱私合規與 Token 成本上給出了標準答案,但代價是把運算成本直接轉嫁到開發者的本機硬體上。
【毒舌吐槽】
宣稱幫你省下 97.2% 的雲端 Token,轉頭就開出建議 24GB 以上 VRAM 或統一記憶體的硬體規格。這就像買了標榜超省油的油電車,交車時才發現後車廂得自己扛一台重型發電機;雲端帳單看似變薄了,開發機的散熱風扇與電費卻開始瘋狂尖叫。
【為什麼重要?】
這套機制示範了大型企業推行 AI Agent 時最在意的敏感資料防護機制。雲端架構師完全不需要存取原始碼本身,僅憑檔名與任務描述就能把宏觀架構拆分成細部指令;而漏洞重現、修補與回歸測試等耗費大量上下文的操作,全都由本地建構者在隔離環境執行。
在生態整合上,它沒有強制把人綁死在專利格式。除了能用 LiteRT 跑 Gemma 4 26B A4B,SDK 也開放相容 OpenAI 格式的 LocalOpenAIAgentConfig,讓團隊能靈活對接 Ollama、LM Studio 或 vLLM。不過,正如社群指出的盲點,Token 上雲佔比極低不等於總體效益變高;本機執行能否維持理想的 Patch 接受率、耗費多少整體時間(Wall time)與電力,才是這套架構在日常維運中能否真正落地的硬指標。
【影響對象與建議】
- **企業資安架構師**:評估將敏感專案的工作流切分為雲端規劃與本地執行,確保程式碼不離開內網。
- **本地 AI 工具開發者**:透過 SDK 支援的 Ollama 或 vLLM 串接現有環境,並以 24GB 記憶體為門檻評估團隊硬體配置。
- **工程團隊主管**:評估導入時,不應只看雲端 Token 節省比例,需同步追蹤補丁接受率與開發機耗能等綜合指標。
【逆風觀點】
別被「97.2% 本地處理」的數字沖昏頭。雲端 Token 雖然大幅減少,但高達 24GB 以上的記憶體門檻,直接將大量使用標準配備的開發者擋在門外;若本機推論的速度落後、產出的補丁接受率不如高階雲端模型,省下來的雲端費用很可能直接被等待時間與設備升級成本完全抵消。