Краткое резюме

🎯 О чём этот конспект: Разбор ключевых архитектурных принципов и примитивов следующего поколения агентной разработки на базе Google Anti-gravity 2.0 и модели Gemini 3.5 Flash. Кевин Хоу (лидер инженерной команды Anti-gravity в Google DeepMind) объясняет, почему классические IDE устаревают, как оркестровать рои динамических саб-агентов через команду /teamwork, на каких принципах построена работа реактивных фоновых процессов (Sidecars) и почему Generative UI заменяет статичные дашборды.

👤 Кому будет полезно: Вайбкодерам, разработчикам на AI-стеке (Cursor, Windsurf, Claude Code), архитекторам мульти-агентных систем и создателям инструментов автоматизации.

✨ Что получите: Понимание архитектуры систем уровня 2026 года: разделение IDE и оркестратора агентов, методы развертывания динамических команд агентов (с реальным кейсом создания ядра ОС за $1000), протокол фоновых слушателей Sidecars и внедрение интерфейсов, генерируемых на лету со скоростью 900 токенов в секунду.

1. Принцип «Scaling with Intelligence» и устранение детерминированных ограничений

Контекст: Долгое время инструменты разработки строились вокруг строгих правил: автодополнение по синтаксическому дереву (AST), жесткий поиск по эмбеддингам и боковые чат-панели. Кевин проводит футбольную аналогию: если у вас в команде Лионель Месси на 89-й минуте, правильная тактика — «отдать мяч Месси и не мешать ему играть». LLM выросли из роли вспомогательных инструментов в роль ведущих инженеров. Главная задача архитектора продукта сегодня — «Scaling with Intelligence»: продукт должен автоматически становиться мощнее по мере роста интеллекта модели, а не сдерживать её жестко закодированными шаблонами и ограничениями. Исторически разработчики боялись давать ИИ доступ к терминалу или убирать привычный чат, однако именно предоставление агенту полной свободы действий в рамках адаптивных систем разрешений кратно ускоряет деливери.

Тайминг: [00:53], [02:09], [02:40]

Выгода: Отказ от избыточных детерминированных костылей в коде в пользу автономных возможностей frontier-моделей; сокращение времени проектирования логики агента на 60–80%.

Как применить:

• Шаг 1: Аудит кодовой базы агентной системы — Инструмент: Архитектурный ревью — Проверьте логику ваших оберток над LLM. Замените длинные цепочки жестких regex-фильтров и детерминированных парсеров на прямые агентные вызовы с валидацией через системные инструменты (tools) и схемы JSON/Pydantic.
• Шаг 2: Внедрение гранулярных политик разрешений вместо блокировок — Инструмент: CLI / Permission System — Дайте агенту доступ к терминалу и среде исполнения, заменив жесткие запреты на систему подтверждения рискованных действий (destructive command interception).

# Пример настройки уровней доступа в агентном окружении (anti-gravity permissions config)
anti-gravity config permissions set \
  --allow-fs-read=true \
  --allow-fs-write=project_dir/ \
  --allow-terminal-exec=sandboxed \
  --intercept-commands="rm -rf, git push --force, drop database"

Результат: Агент получает возможность самостоятельно диагностировать окружение, запускать тесты и исправлять ошибки сборки без ручного вмешательства человека на каждом шаге.

2. Архитектурный сдвиг Anti-gravity 2.0: Разделение IDE и Агент-Менеджера

Контекст: В первой версии Anti-gravity агент находился внутри привычной среды разработки (IDE). В версии 2.0 Google полностью разделил эти компоненты на два независимых приложения: автономный Agent Manager (Mission Control) и классический редактор кода. Кевин утверждает: в новой парадигме классическая IDE относится к оркестратору агентов так же, как отладчик (debugger) относится к IDE. Разработчику не нужно постоянно сидеть в редакторе кода и наблюдать за построчным набором текста — редактор нужен только для погружения на уровень ниже, когда требуется низкоуровневая точечная правка. Основным рабочим пространством становится пульт управления параллельными агентами, рабочими деревьями (git worktrees) и запланированными задачами.

Тайминг: [01:25], [03:54]

Выгода: Переход от микроменеджмента одной сессии кодинга к параллельному управлению десятками задач одновременно; устранение блокировки интерфейса редактора фоновыми вычислениями ИИ.

Как применить:

• Шаг 1: Разделение контуров работы — Инструмент: Git Worktrees / CLI — Организуйте изоляцию задач: не запускайте параллельных агентов в одной рабочей директории. Используйте отдельные ветки и git worktree, чтобы агенты не перезаписывали код друг друга.

# Создание изолированного рабочего дерева для агента под конкретную задачу
git worktree add ../feature-auth-agent -b feature/auth-service
cd ../feature-auth-agent
# Запуск автономного процесса агента в изолированном дереве
anti-gravity run --task "Реализовать JWT-авторизацию и middleware валидации сессий"

• Шаг 2: Мониторинг через дашборд верхнего уровня — Инструмент: Anti-gravity Agent Manager Standalone — Используйте специализированный менеджер только для трекинга состояний (State Machine), а локальную IDE открывайте исключительно при необходимости ручного разрешения конфликтов слияния (merge conflicts).

Результат: Возможность вести 5–10 несвязанных эпиков одновременно без конфликтов в файловой системе и зависания IDE.

3. Режим мульти-агентов /teamwork и динамическая генерация ролей (The Avengers Pattern)

Контекст: С выходом модели Gemini 3.5 Flash в Anti-gravity стал доступен публичный режим /teamwork. Пользователь формулирует высокоуровневую цель, а ведущий агент (Lead Agent) самостоятельно декомпозирует задачу и динамически поднимает рой узкоспециализированных саб-агентов: фронтендеров, бэкендеров, архитекторов инфраструктуры, QA и UI-дизайнеров. Главная особенность: архитектура не жестко задана заранее. Ведущий агент самостоятельно генерирует промпты, контексты и инструкции для каждого саб-агента на лету, а также может назначать разным саб-агентам разные базовые модели (в зависимости от баланса стоимости, контекстного окна и сложности задачи).

Тайминг: [04:47], [05:01], [05:32]

Выгода: Решение сложных комплексных проектов полного цикла (Full-stack + Infra + Tests) в рамках одной команды без необходимости вручную связывать разные промпты.

Как применить:

• Шаг 1: Вызов мульти-агентного оркестратора — Инструмент: Anti-gravity CLI / UI — Активируйте командный режим и сформулируйте подробную спецификацию.

/teamwork 
Создать сервис аналитики кликов в реальном времени:
1. Backend: Go + Chi + Redis Pub/Sub.
2. Frontend: Next.js 15 (App Router) + Tailwind + Recharts.
3. Tests: Интеграционные тесты API с моками внешних сервисов.
4. Deployment: Docker Compose конфигурация для локального подъема окружения.

• Шаг 2: Обратная связь и уточнение зависимостей — Инструмент: Lead Agent Dialogue — Если спецификация неполная, ведущий агент в интерактивном режиме задаст уточняющие вопросы до старта генерации роя. Ответьте на них, после чего Lead Agent сгенерирует граф подзадач и запустит независимые параллельные инстансы саб-агентов.
• Шаг 3: Мониторинг независимой оркестрации — Инструмент: Anti-gravity Graph View — Наблюдайте, как саб-агент по БД готовит миграции, передает схему бэкенд-агенту, а тот в свою очередь экспортирует OpenAPI/TypeScript-типы фронтенд-агенту.

Результат: Параллельное создание всех слоев приложения с автоматической синхронизацией контрактов между подсистемами.

4. Экстремальный бенчмарк: Создание ядра ОС и запуск Doom за $1000

Контекст: Чтобы проверить предел возможностей связки Gemini 3.5 Flash и архитектуры динамических саб-агентов, команда Google DeepMind запустила экстремальный эксперимент: написание полноценного ядра операционной системы с нуля с последующим запуском на нем игры Doom. Процесс длился 12 часов непрерывной работы без вмешательства инженеров. Для координации кода и архитектурных модулей ведущий агент создал 93 независимых саб-агента. В сумме было сделано 15 000 API-запросов и обработано 2 миллиарда токенов. Итоговая стоимость вычислений составила менее $1000, что доказывает коммерческую применимость роевых архитектур для сверхсложных инженерных задач благодаря экстремально низкой стоимости и высокой скорости Gemini 3.5 Flash.

Тайминг: [06:11], [06:47]

Выгода: Четкие бенчмарки масштабирования: подтверждение того, что глубокие инженерные задачи (low-level systems engineering) решаются массированным распараллеливанием роя агентов в пределах адекватного бюджета.

Как применить:

• Шаг 1: Оценка бюджета на масштабирование токенов — Инструмент: Калькулятор токенов Gemini Flash — При планировании масштабных агентных пайплайнов рассчитывайте бюджет исходя из формулы: 1 сложный компонент системы ≈ 10–15 саб-агентов ≈ 150–200 млн токенов контекста и рассуждений.
• Шаг 2: Организация верификации результатов через воспроизводимый артефакт — Инструмент: Docker / QEMU / Headless Runners — Задайте агентам жесткий конечный критерий готовности — успешное прохождение бенчмарка или запуск исполняемого бинарника в эмуляторе:

# Пример задания критерия валидации в конфигурации сложной задачи
validation_gate:
  type: executable_check
  environment: qemu-system-x86_64
  command: "qemu-system-x86_64 -kernel ./build/kernel.bin -initrd ./build/doom.iso -m 256M -nographic"
  success_condition: "Exit code 0 OR String 'Doom loop initialized' detected in serial log"
  timeout_seconds: 43200 # 12 часов

Результат: Автономный рой агентов итерирует код ядра, пересобирает компилятором, ловит kernel panic, вносит правки и останавливается только при достижении верифицируемого рабочего результата.

5. Примитив «Sidecars»: Реактивная агентная система на базе внешних триггеров

Контекст: Большинство современных агентов пассивны: они ждут, пока человек введет промпт в терминал или чат. В 2026 году ключевым примитивом становятся Sidecars — фоновые долгоживущие вспомогательные процессы (демоны), которые слушают события внешнего мира и будят агента по триггерам. Sidecar-процесс может отслеживать входящие SMS, вебхуки платежных систем, создание Pull Request в GitHub, алерты мониторинга или таймеры cron. В Anti-gravity встроенные запланированные задачи (scheduled tasks) работают именно на базе протокола Sidecars. Летом Google планирует выпустить открытую спецификацию этого протокола для создания пользовательских коннекторов.

Тайминг: [09:12], [09:44]

Выгода: Превращение агента из чат-бота по запросу в круглосуточного автономного дежурного инженера, реагирующего на внешние инциденты за миллисекунды.

Как применить:

• Шаг 1: Определение файла спецификации Sidecar-триггера — Инструмент: Sidecar Plugin Spec / YAML — Опишите источник событий, схему payload и действие, которое должен предпринять агент.

# sidecar-github-pr.yaml
name: github-pr-sentinel
version: "1.0"
listener:
  type: webhook
  port: 8089
  path: /events/github
  filter: "headers['X-GitHub-Event'] == 'pull_request' && body.action == 'opened'"
reaction:
  agent_mode: code-review
  instruction: |
    1. Склонировать diff из PR: {{body.pull_request.diff_url}}
    2. Проверить изменения на соответствие стандартам архитектуры и наличие unit-тестов.
    3. Запустить тесты в песочнице.
    4. Оставить комментарий в PR с перечнем замечаний и результатом прогона тестов.

• Шаг 2: Регистрация и фоновый запуск процесса — Инструмент: Anti-gravity Daemon — Активируйте плагин в фоновом окружении проекта:

anti-gravity sidecar register ./sidecar-github-pr.yaml --autostart
anti-gravity sidecar status

Результат: Агент автоматически инициирует проверку каждого нового PR без необходимости вызывать его вручную через веб-интерфейс или терминал.

6. Generative UI: Отказ от «застывшего в пластике» интерфейса на скорости 900 токенов/сек

Контекст: Кевин цитирует Стива Джобса во время презентации первого iPhone: кнопочные смартфоны плохи тем, что их физические клавиши «застыли в пластике», независимо от того, нужны они конкретному приложению или нет. Традиционные дашборды разработчика (статичные HTML-страницы, жесткие таблицы и канбан-доски) страдают той же проблемой. Поскольку Gemini 3.5 Flash в Anti-gravity генерирует вывод со скоростью около 900 токенов в секунду (в 10 раз быстрее большинства frontier-моделей), система больше не нуждается в предзаготовленных жестких UI-шаблонах. Агент собирает интерактивный интерфейс под текущий контекст прямо в диалоговом окне: канбан-доску, таймлайн отладки в стиле Chrome DevTools, интерактивные графики с фильтрами или даже эмулятор для игры в Doom.

Тайминг: [05:61], [09:44], [10:13]

Выгода: Мгновенное получение данных в максимально удобном для конкретного кейса интерактивном формате (сортировки, срезы, интерактивные холсты) без написания кастомного кода визуализации.

Как применить:

• Шаг 1: Запрос кастомного визуального представления — Инструмент: Anti-gravity Prompt — Вместо текстового отчета попросите модель сформировать интерактивный компонент под конкретную задачу анализа.

Проанализируй задержки в API-шлюзе за последние 24 часа. Не выводи сухой лог. Сгенерируй интерактивный timeline с распределением 95-го и 99-го перцентилей latency по эндпоинтам с возможностью фильтрации по статус-кодам (4xx/5xx).

• Шаг 2: Взаимодействие с сгенерированным компонентом — Инструмент: In-line Generative UI — Используйте появившиеся дропдауны, ползунки и срезы прямо в окне сессии для локализации аномалий. При изменении параметров фильтра агент динамически догружает и пересчитывает данные.

Результат: Замена ручного написания одноразовых дашбордов и скриптов построения графиков мгновенной генерацией интерактивного UI на лету.

7. Автоматизация исследований и Evals на базе файлов навыков (Skills)

Контекст: Внутренние команды DeepMind используют Anti-gravity для автоматизации одного из самых трудоемких процессов в машинном обучении — Side-by-side Evals (сравнительное тестирование моделей и прогонов). Раньше исследователи вручную писали гигантские Jupyter-ноутбуки, строили таблицы и искали причины расхождений метрик. В новой парадигме процесс на 90% автоматизирован: исследователь просто загружает файл навыка (skills), описывающий монорепозиторий и протоколы тестирования, и задает вопрос на естественном языке. Агент рассчитывает дельту, запускает саб-агента исследовательской аналитики, который выдвигает 100 гипотез о причинах разницы в метриках, параллельно распределяет эти 100 гипотез по 100 саб-агентам для глубокой проверки каждой, а в финале сводит результат в Generative UI с интерактивной фильтрацией.

Тайминг: [07:05], [07:45], [08:33]

Выгода: Сокращение времени ручного разбора результатов экспериментов и Evals с нескольких дней до пары минут; параллельная проверка сотен гипотез без участия человека.

Как применить:

• Шаг 1: Создание конфигурации навыка (Skill File) — Инструмент: Markdown / YAML — Опишите контекст вашей предметной области, методы доступа к данным и логику анализа.

<!-- .antigravity/skills/eval-analyst.md -->
# Навык: Аналитик Side-by-Side Evals
 
 
---
 
## Источники данных
- Метрики контрольного прогона (Baseline): `evals/runs/{run_id_a}/metrics.parquet`
- Метрики экспериментального прогона: `evals/runs/{run_id_b}/metrics.parquet`
 
 
---
 
## Протокол анализа
1. Рассчитать абсолютную и процентную дельту по ключевым бенчмаркам (pass@1, latency, token_cost).
2. При падении метрики более чем на 2%:
   - Сгенерировать до 50 гипотез (регрессия промпта, обрезание контекста, ошибки тулинга).
   - Для каждой гипотезы поднять саб-агента для поиска логов с подтверждением.
3. Сформировать итоговый отчет в виде интерактивной матрицы корреляций.

• Шаг 2: Запуск глубокого анализа одной командой — Инструмент: Anti-gravity Prompt — Передайте идентификаторы экспериментов агенту:

Сравни результаты прогонов run_v14_baseline и run_v15_flash_teamwork. Используй навык eval-analyst. Найди первопричину просадки точности в длинных контекстах.

Результат: Агент самостоятельно поднимает пул параллельных воркеров, анализирует терабайты логов, отбрасывает неподтвержденные гипотезы и выдает готовое дерево причинно-следственных связей.

FAQ

В: Чем Anti-gravity концептуально отличается от Cursor или Windsurf? О: Anti-gravity 2.0 изначально спроектирован вокруг оркестрации множества параллельных агентов (Agent-first), а не вокруг редактора кода. В то время как классические AI-IDE встраивают чат и агентные фичи в окно редактирования файлов, Anti-gravity разделяет оркестратор (Mission Control) и редактор кода. Редактор становится второстепенным инструментом («отладчиком»), в то время как основная работа выполняется роями агентов в фоновых деревьях (worktrees) и песочницах.

В: Как режим /teamwork решает проблему конфликтов при одновременной правке кода разными саб-агентами? О: Главный агент (Lead Agent) выступает в роли технического лида и распределяет зоны ответственности между саб-агентами по модульному принципу. Саб-агенты изолированы друг от друга и работают в выделенных контекстах или git-ветках. Синхронизация изменений и разрешение конфликтов происходят централизованно через ведущего агента перед слиянием в основную ветку проекта.

В: Какая модель используется для управления командами агентов и почему? О: Основная рабочая лошадка — Gemini 3.5 Flash. Она обладает уникальным балансом характеристик: генерация до 900 токенов в секунду, сверхнизкая стоимость вызовов (прогон 2 млрд токенов обошелся менее чем в $1000) и нативная оптимизация под координацию команд и декомпозицию задач, заложенная при обучении модели в DeepMind.

В: Что произойдет, если саб-агент при выполнении сложной задачи «пойдет не туда»? О: В архитектуре предусмотрена обратная связь через валидационные гейты (тесты, линтеры, запуск бинарников) и ведущего агента-супервизора. Если саб-агент заходит в тупик или выдает код с ошибками, ведущий агент перехватывает управление, переписывает промпт саб-агента, меняет стратегию или назначает на эту задачу другого агента с альтернативной системной инструкцией.

В: Что представляет собой примитив «Sidecars» на практике? О: Это стандартизированный фоновый процесс-демон, работающий рядом с рабочей директорией проекта. Он содержит сетевые слушатели (вебхуки, websocket), таймеры или парсеры событий операционной системы. При наступлении внешнего события (например, push в репозиторий или входящее уведомление) Sidecar будит агента и передает ему нормализованный payload для немедленного реагирования.

В: Можно ли использовать Anti-gravity для задач, не связанных с разработкой софта? О: Да. В видео показан реальный кейс внутренних исследователей Google DeepMind, которые используют систему для научного анализа данных, расчета Evals и валидации гипотез. Поскольку саб-агенты конфигурируются на лету через файлы навыков (skills), система адаптируется под любые задачи: от анализа финансовых отчетов до автоматизации маркетинговых воронок.

В: Действительно ли Generative UI работает без преднаписанных React/HTML-компонентов? О: Да. Благодаря скорости вывода 900 токенов/сек Anti-gravity может формировать код интерактивных интерфейсов (на базе легковесных веб-компонентов и скриптов) за доли секунды и рендерить их в изолированном iframe прямо в окне переписки, адаптируя элементы управления под конкретные возвращенные данные.

Ресурсы и ссылки

• Google Anti-gravity — агентная платформа Google для технической и нетехнической разработки ПО — упомянута в видео.
• Anti-gravity CLI — консольный интерфейс для автономного запуска и управления агентами — упомянут в видео.
• Gemini 3.5 Flash — мультимодальная модель от Google DeepMind с пропускной способностью до 900 токенов/сек, оптимизированная для управления агентными командами — упомянута в видео.
• Doom on Custom OS Kernel — демонстрационный проект Google I/O, в рамках которого рой из 93 саб-агентов создал ядро ОС с нуля за 12 часов — упомянут в видео.
• Windsurf — среда разработки на базе AI, в контексте эволюции отказа от боковых чатов — упомянута в видео.
• Х-аккаунт Кевина Хоу (@kevinhou) — обновления по спецификации протокола Sidecars и разработке Anti-gravity — упомянут в видео.

Конспект создан на основе видео «Scaling With Intelligence: Kevin Hou, Google DeepMind (AI Engineer World's Fair 2025)» канала AI Engineer. Все права на оригинальный материал принадлежат авторам. Источник: https://www.youtube.com/watch?v=buHC7bQE1X4