Zum Inhalt

Hinweis: Diese Inhalte wurden mit Unterstützung von Künstlicher Intelligenz erstellt und redaktionell überprüft (Transparenzhinweis gemäß Art. 50 EU AI Act).

Antigravity SDK & Managed Agents API

Neben Desktop-App und CLI bildet das Antigravity SDK die dritte Säule von Antigravity 2.0: eine programmatische Schnittstelle, um eigene Agenten als verwaltete Dienste auf der Gemini API zu betreiben – ohne eigene Infrastruktur.

🏗️ Architektur der Managed Agents API

graph TD
    Config["agent_config: Modell, Instruktionen, Skills"] --> Call["Ein API-Aufruf"]
    Call --> Sandbox["Linux-Sandbox wird provisioniert"]
    Sandbox --> Reason["Agent denkt, fuehrt Code aus, verwaltet Dateien"]
    Reason --> Browse["Agent browst eigenstaendig im Web"]

Ein einzelner API-Aufruf provisioniert eine Linux-Sandbox, in der der Agent eigenständig denkt, Code ausführt, Dateien verwaltet und im Web recherchiert – vergleichbar mit einer Cloud-Version des Desktop-Agenten, aber vollständig programmatisch ansteuerbar.

⚙️ Eigenen Agenten konfigurieren

Das zugrunde liegende Modell (z. B. Gemini 3.7 Flash, Gemini 3.6 Flash oder Gemini 3.5 Flash) wird über agent_config festgelegt und lässt sich um eigene Instruktionen, Skills und Daten erweitern:

Die Konfiguration wird direkt beim Erstellen einer neuen Interaktion mitgegeben – ohne separaten Registrierungsschritt. Geeignet für schnelle Prototypen und einmalige Aufgaben.

Die Agenten-Dateien (Instruktionen, Skills, Konfiguration) werden in einer versionierbaren Verzeichnisstruktur organisiert und beim Start in die Agentenumgebung eingebunden – geeignet für wiederverwendbare, teambasierte Agenten.

🧩 Anpassungsmöglichkeiten

Baustein Funktion
Custom Functions Eigene Python-Funktionen einbinden, die der Agent bei Bedarf aufruft.
Structured Outputs Ausgaben über Schemata an eigene Datentypen binden, statt Freitext zu parsen.
MCP-Server Externe APIs und Datenbanken über das Model Context Protocol anbinden.
Function Calling Eigene Funktionen als Werkzeuge registrieren, um den Agenten an bestehende Systeme anzuschließen.

📋 Beispiel: Ein Recherche-Agent per API

agent_config = {
  "model": "gemini-3.6-flash",
  "instructions": "Du bist ein Recherche-Agent für Markttrends.
                    Fasse Ergebnisse als strukturierte JSON-Liste zusammen.",
  "tools": ["web_search", "custom_function:save_to_database"]
}

Ein solcher Agent lässt sich per API-Aufruf in eine bestehende Anwendung integrieren – etwa als Backend-Dienst, der auf eingehende Anfragen mit einer eigenständigen Recherche antwortet, ohne dass ein Mensch die Desktop-App bedienen muss.

Verhältnis zur Desktop-App

Die Managed Agents API eignet sich für automatisierte, wiederkehrende Agentenaufgaben ohne menschliche Aufsicht im Loop. Für interaktive Entwicklungsarbeit mit Review-Schritten bleibt die Desktop-App (siehe erstes Projekt) der bessere Einstieg.

🔗 Verwandte Themen

Hinweis: Diese Inhalte wurden mit Unterstützung von Künstlicher Intelligenz erstellt und redaktionell überprüft (Transparenzhinweis gemäß Art. 50 EU AI Act).