Google Antigravity 设置指南：AI IDE 挑战 Cursor？

从代码补全到自主开发：Antigravity 的范式转变

如果你对 AI 编程的印象还停留在让聊天机器人自动补全几行 JavaScript，Google Antigravity 可能会颠覆这种预期。据 YouTube 教程作者 Tools for Gens 的说法，这是自 IDE 发明以来软件工程领域最大的一次范式转变。与 GitHub Copilot 等传统工具不同，Antigravity 并非被动等待你复制粘贴代码，而是一个由 Google DeepMind 打造的、具备自主性的代理式开发环境。它能分析整个多仓库工作区、运行终端命令、检查浏览器界面、部署并行的子代理，并实时自我纠正错误。

这套定位让它与 Cursor 等 AI 编辑器形成了明显区隔。Cursor 的核心仍是“人在回路”的编辑器增强，而 Antigravity 试图把整个开发流程交给代理编排。对开发者而言，这意味着工作重心从写代码转向指导与审查。

安装与身份验证：两步进入代理式开发

Antigravity 在 Windows、macOS 和 Linux 上的安装体验相当顺畅。平台提供两个核心入口：高速的 Anti-Gravity CLI（简称 AG）和 Anti-Gravity 2.0 独立桌面 IDE。在终端中通过标准包管理器或直接安装程序完成安装后，输入 AG 即可启动。

首次启动时，Antigravity 会发起交互式浏览器认证流程，连接你的 Google 账号与项目工作区。全局偏好设置在 settings.json 中配置，包括模型选择：Gemini Flash 适合快速编辑，Gemini Pro 适合深度架构推理。终端执行策略也可以细粒度控制——你可以选择让终端命令在沙箱中自动执行，或每次执行前提示你审核。认证完成后，环境即可开始编码。

Gemini Flash 与 Gemini Pro 的定位差异

Gemini Flash 和 Gemini Pro 是 Google 提供的两个不同档位的模型。Flash 侧重低延迟和高吞吐，适合代码补全、快速编辑、格式调整等对响应速度敏感的任务；Pro 则拥有更强的推理和上下文理解能力，适合架构设计、复杂重构、多文件规划等需要深度思考的场景。在 Antigravity 中，用户可以在 settings.json 中按需切换，也可以根据任务类型让代理自动选择。理解两者的取舍有助于合理配置：日常轻量操作用 Flash 可节省时间与成本，关键决策环节切到 Pro 能获得更可靠的方案。

多代理架构：让子代理并行工作

让 Antigravity 区别于普通 AI 编辑器的核心，是它的多代理架构。在复杂项目中，单一线性对话容易变得杂乱并拖慢速度。Antigravity 用子代理解决这个问题：通过 Invoke 子代理能力，主代理可以启动专门的后台工作者，例如代码库研究员、数据库调试器或图像生成器。每个子代理在自己的上下文中独立运行，探索目录，并在需要时发回结构化消息。

配套的反应式唤醒系统让开发者不必等待或轮询——后台任务完成的那一刻，执行立即恢复。右侧辅助面板提供对后台进程、终端、文件差异和产物的即时可见性。所谓产物，是包含 mermaid 架构图、执行计划和进度日志的富结构 Markdown 文档。这种设计把代理的工作过程变得可审计，而不是黑箱。

什么是子代理（Subagent）？

子代理是相对于主代理（Main Agent）而言的。主代理负责与用户交互、理解需求并规划任务，而子代理是由主代理按需启动的、专注于特定子任务的代理实例。每个子代理拥有独立的上下文窗口和工具权限，可以自主执行搜索、运行命令或生成内容，完成后将结构化结果返回给主代理。这种设计借鉴了分布式系统中的“任务分解”思想：把复杂问题拆成多个可并行处理的子问题，既避免了单一对话上下文过长导致的混乱，也提高了整体执行效率。子代理之间通常不直接通信，而是通过主代理协调，从而保持职责清晰和结果可控。

技能与 MCP：把通用代理变成领域专家

开箱即用的 Antigravity 是称职的通用程序员，但真正释放其能力要靠技能（skills）和 MCP（模型上下文协议）定制。一个技能就是一个自包含目录，包含 skill.md 文件、辅助脚本和参考文档。你可以加载全栈 Web 应用、BigQuery SQL 优化、自动化视频制作或云存储加固等技能。当技能与任务匹配时，Antigravity 自动激活对应规则，避免泛泛而谈的幻觉输出。

MCP 的原生支持更进一步：通过 MCP 服务器，Antigravity 可以直接连接 PostgreSQL 数据库、GitHub 拉取请求、Figma 设计文件和云基础设施。代理不再猜测数据库结构，而是安全地检查实时表结构，写出精准的查询。这种“先看后写”的模式，是代理式开发区别于纯文本生成的关键。

MCP（模型上下文协议）是什么？

MCP（Model Context Protocol）是一个开放协议，用于让 AI 模型以标准化方式连接外部数据源和工具。可以把 MCP 理解为 AI 领域的“USB 接口”：无论后端是数据库、代码仓库还是设计工具，只要实现 MCP 服务器，代理就能通过统一接口调用。MCP 服务器负责暴露资源（如数据库表结构）、工具（如执行查询）和提示模板，代理则根据任务需要动态发现并调用这些能力。相比让模型“凭记忆猜测”外部系统状态，MCP 让代理能够实时读取真实数据，从而显著降低幻觉。该协议最初由 Anthropic 提出，现已被多家 AI 开发工具采纳，Antigravity 的原生支持正是这一趋势的体现。

实战演示：从需求到可运行功能

教程用一个真实场景检验整套架构：构建带实时数据库集成的学生职业门户。传统流程下，这需要数小时编写样板代码、配置 API 和调试构建失败。在 Antigravity 中，你只需输入斜杠命令 plan 加上提示词，代理便会创建执行计划、把功能拆解为原子步骤，并跨多个文件编写完整代码库。

它还会启动内部终端、运行测试、修复语法错误并验证构建通过。你甚至可以要求它生成营销视频素材、用子代理渲染缩略图，并直接推送到云仓库。原本需要一整个工程冲刺周期的工作，变成了几分钟的高层指导。需要说明的是，上述演示来自单一 YouTube 教程来源，尚无其他独立来源交叉验证其完整性与可复现性，读者宜保持审慎。

谁该关注：开发者角色的重新定位

按照教程作者的观点，适应代理编排的开发者将超越整支传统程序员团队。这个判断带有明显的推广色彩，但方向值得思考：当代理负责样板代码、测试修复和部署流水线时，人的价值更多体现在问题拆解、架构决策和质量审核上。对于学生和自由职业者，Antigravity 降低了从想法到可运行产品的门槛；对于企业工程师，技能和 MCP 的可配置性让代理行为能够贴合现有基础设施。

你可能没注意到，教程末尾包含了简历工具的商业推广，其性能主张和“10 倍优势”的说法应视为营销表述。工具本身的真实能力，仍需要更多独立评测来检验。