Dynamic Workflows en Antigravity: agentes en paralelo

Dynamic Workflows en Antigravity pone agentes de código en paralelo bajo un mismo libreto: un script corto de Python. Google empezó a desplegar la función el 13 de noviembre en la aplicación de Antigravity y en su línea de comandos. El usuario escribe la tarea y el agente redacta el programa que coordina al resto; nada corre hasta que la persona aprueba ese texto.

La diferencia frente a una conversación larga con un solo agente es el control. Cada paso queda escrito en fases con nombre, con agentes a la vez o en fila, y con resultados en un formato cerrado que el script puede leer sin adivinar. Una revisión puede repartir un agente por archivo cambiado y recoger un veredicto de una línea por cada uno.

El despliegue llega a los planes Google AI Pro y Google AI Ultra, sin precio aparte: el gasto sale de los créditos del plan. Un flujo con decenas de agentes hace decenas de llamadas al modelo, y la elección del modelo por agente es la palanca principal para cuidar ese consumo.

Un script manda, los agentes ejecutan

Al escribir /run-workflow, el agente principal lee la habilidad integrada y genera el script. Antigravity lo enseña antes de ejecutarlo y espera el visto bueno, salvo que el ajuste de permisos ya lo autorice. Si el plan no convence, el usuario lo rechaza, pide el ajuste y el agente lo reescribe.

AlphaSignal, que reunió el detalle técnico del lanzamiento, describe un proceso aparte para cada flujo: el script corre en segundo plano con el intérprete de Python incluido en Antigravity, la conversación principal queda libre y, al cerrar, el agente inicial lee los registros y resume el resultado. Instalar Python no hace falta; quien necesite otro intérprete lo fija con la variable ANTIGRAVITY_PYTHON.

Cada agente del flujo trabaja en su propia conversación. No ve el script ni a sus compañeros, así que el programa debe entregarle contexto completo, tarea exacta y formato de salida. La respuesta vuelve por una vía estrecha: el agente la entrega con una función de cierre que la valida contra un esquema JSON, el molde que define qué campos y tipos de dato se aceptan, y el script recibe el valor ya ordenado.

Lecturas de archivos, búsquedas y registros de pruebas se quedan en las conversaciones de esos agentes. La ventana de contexto de la conversación principal, el espacio donde el modelo recuerda la charla, no se llena con ese material pesado. En trabajos con muchos archivos, esa separación pesa tanto como la velocidad.

Cinco piezas y tres niveles de modelo

El programa se arma con cinco bloques. phase() abre una fase con nombre y agrupa sus registros y tarjetas de agente. agent() define cada trabajador: instrucción, esquema de salida, rol, tipo y modelo. parallel() corre la misma operación sobre una lista a la vez, en el orden de la lista; si una pieza falla, el resto se cancela. pipeline() procesa la lista de uno en uno. Y trajectory() permite traer pasos anteriores de la conversación al script.

La documentación de Google Antigravity añade el control fino del espacio de trabajo: con workspace en modo branch, cada agente recibe su propia copia aislada del repositorio en Git, el sistema de control de versiones, para editar y correr pruebas sin pisar el trabajo de otro. El modo share entrega una copia nueva con almacenamiento compartido, y el modo por defecto hereda el espacio de la conversación.

Cada agente, además, puede correr con un modelo distinto. La opción por defecto hereda el de la conversación; flash_lite y flash quedan para chequeos rápidos y de volumen, y pro para los pasos que piden razonamiento más profundo. El flujo puede llamar también al agente de investigación de solo lectura o a un subagente personalizado del propio usuario.

La pelea por coordinar agentes de programación lleva meses abierta. Herramientas centradas en dar contexto real a los agentes de código atacan el problema desde los datos del equipo; Google lo ataca desde el libreto: si la coordinación es un programa revisable, el flujo se guarda como archivo .py y se repite la semana que viene con la misma forma.

Los usos de ejemplo son los de taller diario: revisar en paralelo cada archivo cambiado de una rama, auditar paquete por paquete, o montar un circuito donde un revisor persistente anota los fallos, un grupo de agentes los corrige a la vez y el mismo revisor confirma el arreglo. Para colas de errores que comparten archivos, el ejemplo cambia a secuencia: primero la prueba que falla, después el arreglo, un caso por turno.

Antigravity guarda otras vías para repartir trabajo. /swarm junta agentes que se coordinan en un tablero de mensajes compartido, un subagente suelto resuelve una tarea cerrada con menos estructura y el modo Orchestrator deja la planificación en un modelo de frontera. Dynamic Workflows ocupa el hueco del trabajo repetible: el que debe salir igual cada vez, con cada resultado en su casilla.

Un script aprobado no queda aprobado para siempre: cada corrida nueva pide el visto bueno otra vez, salvo autorización permanente en la conversación. Ese freno deja la pregunta práctica en el consumo: un flujo guardado que se repite a diario multiplica llamadas en silencio, y el contador son los créditos del plan Pro o Ultra.

Fuente: Google Antigravity