Google 将 Gemini 4 Hydrogen 放进 Antigravity,并用 Orchestrator 拆分开发任务。真正决定可靠性的,不是 Agent 数量,而是任务边界、结果合并与验收责任。
发布内容:模型只是入口
Google 最近在 Antigravity 官方博客发布 Gemini 4 Hydrogen,并将其定位为面向智能体编程环境的核心模型。
这次发布不只涉及模型更新。Antigravity 同时加入产品级编排工具 Orchestrator。模型负责执行,Orchestrator 负责拆分、分派和整合复杂软件工程任务。
官方原文:
Antigravity 不是 IDE 里加一个聊天窗口。它把写代码、运行代码和修复代码放进同一条开发闭环。Gemini 4 Hydrogen 则是这条闭环里的执行模型。
这里有两个变化。
第一,模型能力不再单独售卖。代码生成是否有用,要看工具能否安装依赖、执行测试、读取报错并继续修改。
第二,交互单位不再是单个 Prompt,而是一个工程任务。需求可能跨多个文件、多个模块,还要先调查仓库,再实施修改,最后运行验证。
因此,这次发布值得关注的地方,是模型交互延伸到了多 Agent 软件工程流程。
Orchestrator:把需求拆成多个角色
Antigravity 引入名为 Orchestrator 的多智能体协作机制,用来拆分、分派和整合复杂开发任务。
一个合理的拆分可能类似这样:
- 一个 Agent 负责阅读仓库,定位相关模块和调用关系;
- 一个 Agent 负责修改实现;
- 一个 Agent 负责补充或调整测试;
- 另一个 Agent 负责运行测试并整理失败信息。
Orchestrator 不只是同时开四个聊天窗口。它要回答四个工程问题:
- 哪些工作可以并行?
- 哪些工作存在前后依赖?
- 每个 Agent 的输入、输出和修改范围是什么?
- 多份结果冲突时,由谁合并?
最容易出问题的是第四个问题。
假设 Agent A 修改了鉴权模块,Agent B 根据旧接口修改调用方。两者单独看都合理,合并后却无法编译。如果 Orchestrator 只负责分派,没有清晰的所有权和合并规则,多 Agent 只会扩大冲突面。
任务边界应该尽量落在可验证的接口上:
- 指定可修改的目录;
- 明确不能变更的公共 API;
- 要求每项修改附带测试;
- 让结果通过指定命令完成验收。
这比“大家自由发挥,最后统一一下”可靠得多。
反共识:多 Agent 不等于高可靠
多 Agent 系统最容易被包装成一种线性收益:
Agent 越多,能力越强。
实际工程里没有这种关系。
Agent 数量增加后,至少会出现三类损耗。
上下文丢失
主 Agent 把任务切给子 Agent 时,通常无法把全部仓库上下文无损传过去。子 Agent 看到的可能只是摘要、文件列表和几条约束。
信息一旦压缩,隐含条件就会消失。例如项目约定使用某个异常类型、某项测试依赖本地服务、某个公共函数不能破坏旧签名。这些内容可能存在于早期对话里,却没有进入子任务。
重复修改
两个 Agent 都认为某个文件属于本次任务,就可能同时修改同一处代码。一个按函数级理解需求,另一个按文本搜索理解需求,最后留下的是两份互相覆盖的补丁。
错误放大
单个 Agent 的错误,不一定止于自身输出。
如果评审 Agent 接受了错误实现,测试 Agent 又根据错误实现补充测试,那么下游 Agent 会把错误当成事实。最后看起来流程步骤很多,验证却只验证了系统内部的一致性,而不是需求本身。
所以,多 Agent 的关键指标不该是“并行处理了几项任务”,而应该是:
- 合并冲突率;
- 首次验收通过率;
- 失败后的定位成本;
- 重复修改次数;
- 最终可运行结果是否满足需求。
这些指标如果不记录,Agent 数量就只是一张架构图上的装饰。
工程验收:必须有可运行的结果
软件工程任务不能停在“代码看起来不错”。一个合格的交付,至少应形成下面这条链路:
需求 -> 修改 -> 依赖安装 -> 测试执行 -> 失败诊断 -> 修复 -> 最终验收
这些环节可以由不同 Agent 承担,但不能全部交给模型自我评价。
例如,下面是一条可以实际执行的最小验收命令:
npm ci
npm test
它必须来自项目自己的 README 或 CI 配置。模型不应该临时发明测试命令,更不能把“已生成测试文件”等同于“测试已通过”。
我会把责任拆成三层。
第一层是实现责任。负责修改的 Agent 只能声明改了什么,不能声明任务完成。
第二层是执行责任。测试 Agent 运行仓库定义的命令,保存退出码、失败日志和复现方式。这里只看机器结果,不听自然语言总结。
第三层是需求验收。人工或独立评审者对照原始需求检查行为,而不是对照实现 Agent 的自述检查。
模型自评适合发现明显遗漏,不适合充当最终裁判。代码生成、测试执行、依赖安装和最终验收可以分工,但最终裁判必须依赖外部信号:退出码、测试报告、构建产物,或真实运行结果。
实战建议:从单任务开始
如果要在 Antigravity 里验证多 Agent 工作流,我不会先搭一个五角色“软件团队”。
我会从一个边界清楚的小任务开始,例如修复一个有现成测试的缺陷:
- 一个 Agent 读取失败测试和相关实现;
- 一个 Agent 修改代码;
- 一个 Agent 运行项目已有测试命令;
- 失败则返回日志,不新增猜测;
- 通过后再由人工核对需求和改动范围。
这个流程规模小,但包含完整闭环。没有测试,就先补一个能复现问题的测试。没有明确验收命令,就先从 README 和 CI 配置里找。
第二阶段再引入并行任务,例如:
- 前端组件与后端接口分别处理;
- 单元测试和文档更新同时进行;
- 两个互不重叠的模块由不同 Agent 修改。
每增加一个 Agent,我都会记录一次额外成本:上下文准备花了多久,输出是否需要二次整理,是否与别的任务产生文件冲突。
人工检查点也应该逐步调整。早期每次合并都看。系统稳定后,只在共享接口变更、依赖升级和最终验收时介入。
这比预先规定“三个 Agent 比两个 Agent 快”更靠谱。
编辑思考
这次发布的价值,不只是 Gemini 4 Hydrogen 又刷新了哪项模型指标。Google 把模型放进了产品级任务编排,说明厂商正把竞争从“回答一段代码”推向“接管一段工程流程”。但多 Agent 数量不该成为能力宣传单位。任务拆得越细,沟通损耗和合并冲突越多。真正该公开的是失败率、冲突率、修复轮数和可运行验收通过率。官方文章目前没有给出足够完整的评测口径,这些数字仍需观察。Hacker News 的 305 分与 72 条评论能说明关注度高,却不能证明可靠性。我会先等第三方复现,再判断 Antigravity 是稳定的工程系统,还是一次包装得很完整的交互实验。