Antigravity: agenti, modelli e modalità operative

Nella lezione precedente abbiamo introdotto Antigravity come piattaforma di sviluppo basata su agenti di intelligenza artificiale. Abbiamo visto che Antigravity non è semplicemente un’interfaccia per interrogare un modello linguistico, ma un vero e proprio ambiente di lavoro in cui più agenti cooperano con noi per pianificare, eseguire e verificare attività di sviluppo software.
In questa seconda lezione entriamo nel cuore del sistema: gli agenti, i modelli che li alimentano e le modalità operative che ne regolano il comportamento. Comprendere questi elementi è fondamentale, perché definiscono come Antigravity lavora con noi e quanto controllo abbiamo sul processo.

Che cos’è un agente in Antigravity

In Antigravity, un agente non è una semplice istanza di un modello linguistico. È un’entità operativa, pensata per agire all’interno di un contesto ben definito, con uno scopo preciso e un insieme di regole che ne guidano il comportamento. Quando lavoriamo con un agente, non stiamo solo “chattando” con un’AI ma stiamo collaborando con un soggetto che mantiene memoria, che conosce il proprio ruolo e che opera secondo limiti chiari.

Questa distinzione è fondamentale, perché ci permette di spostare l’attenzione dal singolo prompt al processo. L’agente diventa parte integrante del nostro flusso di lavoro: osserva il contesto, interpreta le nostre richieste e produce output coerenti nel tempo, non risposte isolate.

A rendere possibile tutto questo è la separazione netta tra agente e modello. Il modello rappresenta la capacità cognitiva dell’agente, ovvero ciò che è in grado di fare in termini di linguaggio, ragionamento e generazione di contenuti. L’agente, invece, definisce come queste capacità vengono utilizzate. Possiamo immaginare il modello come il motore e l’agente come il veicolo che lo utilizza seguendo determinate regole.

Ogni agente in Antigravity è definito da tre elementi principali:

1. Un modello.
2. Una configurazione comportamentale.
3. Un insieme di permessi e strumenti.

Il modello rappresenta il “motore cognitivo” dell’agente, cioè la componente che gli permette di comprendere il linguaggio naturale, ragionare, analizzare informazioni e generare output come codice, testi o piani di lavoro.
La configurazione comportamentale definisce il ruolo dell’agente e il modo in cui deve comportarsi nel tempo e non si limita a stabilire uno stile di risposta, ma influenza profondamente il modo in cui l’agente prende decisioni, gestisce le incertezze e interagisce con noi.

Infine, l’insieme di permessi e strumenti fa sì che un agente non abbia accesso illimitato a tutto il sistema: può utilizzare solo gli strumenti che gli vengono esplicitamente concessi. Questo significa decidere se l’agente può leggere o modificare file, creare artifact, eseguire controlli, navigare il web tramite subagent o interagire con altri agenti.

I modelli di Antigravity

Antigravity ci consente di scegliere tra diversi modelli di ragionamento avanzati, provenienti dal Google Vertex Model Garden. Questi modelli rappresentano lo stato dell’arte dell’AI generativa e includono soluzioni più potenti, più veloci o più orientate al ragionamento profondo. La cosa importante non è tanto memorizzare i nomi dei modelli, quanto capire che possiamo selezionare il modello più adatto in base al tipo di lavoro che stiamo svolgendo.

Quando affrontiamo un task complesso, che richiede pianificazione, analisi e decisioni articolate, possiamo optare per un modello più “profondo”, capace di mantenere catene di ragionamento lunghe e coerenti. Quando invece abbiamo bisogno di risposte rapide, verifiche o piccoli interventi, possiamo affidarci a modelli più leggeri e veloci. Antigravity rende questa scelta semplice e accessibile direttamente dall’interfaccia, permettendoci di cambiare modello senza stravolgere il resto del flusso.

Per scegliere un particolare modello, quello che dobbiamo fare è andare sulla destra dell'IDE di Antigravity e, sotto la voce Agent, selezionare quelli a disposizione, come mostrato in figura:

I modelli a disposizione sono:

• Gemini 3 Pro (alta qualità).
• Gemini 3 Pro (bassa latenza).
• Gemini 3 Flash.
• Claude Sonnet 4.5.
• Claude Sonnet 4.5 (con capacità di ragionamento avanzata).
• Claude Opus 4.5 (con capacità di ragionamento avanzata).
• GPT-OSS.

Configurazione comportamentale dell'Agente

Una volta scelto il modello, entra in gioco la configurazione dell’agente. Ogni agente è guidato da istruzioni persistenti che ne definiscono il ruolo e il comportamento. A differenza di un prompt tradizionale, queste istruzioni non vengono “dimenticate” dopo una singola risposta, ma rimangono attive per tutta la durata del lavoro dell’agente. Questo ci consente di costruire agenti coerenti, prevedibili e allineati alle nostre aspettative.

Ad esempio, possiamo configurare un agente affinché adotti sempre un approccio prudente, segnali le incertezze e chieda conferma prima di compiere azioni potenzialmente rischiose. Oppure possiamo creare un agente più proattivo, capace di proporre soluzioni alternative e di suggerire miglioramenti anche quando non esplicitamente richiesto. In entrambi i casi, il comportamento dell’agente non dipende dal modello in sé, ma dalle istruzioni che abbiamo definito.

Un altro elemento chiave del comportamento degli agenti è rappresentato dalle modalità operative. Le modalità stabiliscono quanto un agente può essere autonomo e quanto deve coinvolgerci nelle decisioni. Antigravity non assume che l’autonomia sia sempre desiderabile: al contrario, ci mette nelle condizioni di scegliere il livello di controllo più adatto alla situazione.

Nelle modalità più guidate, l’agente si comporta come un assistente estremamente cauto. Ogni passo viene spiegato, ogni decisione viene proposta e nulla viene eseguito senza una nostra conferma esplicita. Questo approccio è ideale quando stiamo ancora esplorando la piattaforma o quando lavoriamo su codice critico, dove un errore potrebbe avere conseguenze significative.

Man mano che aumentiamo la fiducia nel sistema e definiamo meglio i confini del problema, possiamo passare a modalità più collaborative. In questo caso l’agente inizia a prendere piccole iniziative, eseguendo task limitati e concatenando azioni semplici, ma resta pronto a fermarsi e a chiedere chiarimenti quando rileva ambiguità o rischi. È spesso questa la modalità che meglio si adatta al lavoro quotidiano di sviluppo.

Conclusioni

In questa lezione abbiamo approfondito il funzionamento di Antigravity, concentrandoci sul ruolo degli agenti, sui modelli che ne costituiscono il motore cognitivo e sulle modalità operative che ne regolano l’autonomia. Abbiamo visto come la combinazione tra modello, configurazione comportamentale e permessi permetta di creare agenti coerenti e controllabili.
Nella prossima lezione entreremo nel merito di regole, workflow e gestione dei task. Vedremo come orchestrare il lavoro degli agenti in modo strutturato, trasformando queste basi teoriche in un processo operativo solido e ripetibile.