Google Antigravity 2.0 přichází jako samostatná desktopová aplikace určená pro práci s autonomními AI agenty. Její hlavní ambicí je soustředit plánování, vývoj, testování a automatizaci úloh do jednoho pracovního centra. Místo toho, aby člověk AI pouze požádal o kus kódu nebo jednotlivou odpověď, může agentovi předat cíl, schválit plán a nechat jej pracovat na konkrétním projektu.
Za nejzajímavější považuji důraz na souběžnou práci. Antigravity 2.0 má umožnit spouštět více agentů najednou, každý na jiném projektu. Jeden může připravovat rozšíření pro Chrome, druhý tvořit výukovou 3D aplikaci a další se může starat o pravidelnou organizaci souborů na počítači.
Nástroj je už dostupný a vedle desktopového prostředí zahrnuje také CLI, IDE a SDK. Podrobnosti a materiály pro začátek jsou k dispozici na oficiálním webu Antigravity.
Obsah
- 🚀 Antigravity 2.0 jako řídicí centrum pro AI agenty
- 🧠 Od nápadu k hotové aplikaci
- 🗂️ Příklad: organizátor karet v Chrome
- 📝 Plán není formalita, ale pracovní dohoda
- 🧾 Další ukázky: 3D modely a evidence výdajů
- 🧹 Automatizovaný úklid počítače jako pravidelná úloha
- ⚙️ Více agentů může pracovat současně
- 🔍 Proč je závěrečné vysvětlení důležité
- 💻 Desktopová aplikace, CLI, IDE a SDK
- 📌 Jak formulovat zadání pro AI agenta
- 🌟 Co Antigravity 2.0 naznačuje o budování s AI
- ✅ Závěr: od jednotlivých příkazů k řízeným projektům
🚀 Antigravity 2.0 jako řídicí centrum pro AI agenty
Antigravity 2.0 je navržený jako pracovní prostor, ve kterém lze zadávat cíle autonomním AI agentům a řídit jejich postup. V praxi nejde jen o jednorázové generování textu nebo kódu. Agent má postupovat od pochopení zadání přes návrh řešení až po vytvoření, otestování a vysvětlení výsledku.
AI agent je softwarový systém, který využívá umělou inteligenci k plnění cíle nebo sady úkolů jménem uživatele. Rozdíl oproti běžnému chatovacímu rozhraní spočívá hlavně v pracovním postupu. Nejde pouze o otázku a odpověď. Agent dostává záměr, rozpracuje ho na kroky, využívá relevantní nástroje a následně předkládá výsledek ke kontrole.
V Antigravity 2.0 má mít tento proces podobu centralizovaného řízení projektů. Uživatel může zadat více různých nápadů, sledovat jejich průběh a současně upravovat plán tam, kde je potřeba více upřesnění. To je důležité zejména u úloh, které mají několik částí a vyžadují více než jediný příkaz.
Za hlavní přínos považuji skutečnost, že systém staví na spolupráci člověka a agenta, nikoli na bezvýhradném předání kontroly. Člověk určuje, čeho chce dosáhnout, poskytuje kontext, komentuje navržený postup a rozhoduje o schválení. Agent pak vykonává technickou práci v rámci daného zadání.
🧠 Od nápadu k hotové aplikaci
Ukázkový pracovní postup začíná jednoduchým popisem požadovaného výsledku. Nemusí jít nutně o detailní technickou specifikaci. Pokud není jasné, jak přesně projekt formulovat, lze použít příkaz /grill me, který spustí rozhovor zaměřený na zpřesnění zadání.
Tento přístup má praktický význam. Mnoho digitálních projektů selhává ne proto, že by bylo těžké napsat kód, ale proto, že cíl není na začátku dostatečně jasný. Má aplikace organizovat karty podle tématu, stáří, domény, nebo rozpracovaného projektu? Má ponechat připnuté karty bez změny? Kdy má neaktivní kartu zavřít? Právě na podobné otázky má agent reagovat dříve, než začne něco vytvářet.
Po upřesnění požadavků vznikne plán. Ten lze komentovat podobně jako dokument. Pokud navržené řešení neodpovídá představě, člověk do něj může vložit poznámky, požádat o změnu priorit nebo doplnit omezení. Teprve po schválení se agent pustí do realizace.
Tento model lze shrnout do pěti kroků:
- Definice cíle: člověk popíše aplikaci, automatizaci nebo problém, který chce vyřešit.
- Upřesnění požadavků: agent se doptává na detaily a pomáhá převést obecný nápad na proveditelné zadání.
- Návrh plánu: systém předloží pracovní postup, který lze připomínkovat.
- Schválení a realizace: po odsouhlasení agent pracuje na vytvoření řešení.
- Souhrn výsledku: po dokončení vznikne přehled toho, co bylo vytvořeno a proč.
Právě krok se schválením považuji za velmi důležitý. Autonomní nástroje mohou být užitečné jen tehdy, když je zřejmé, co přesně mají udělat. Připomínkování plánu dává uživateli příležitost odhalit nejasnosti dříve, než se promění v nevhodné rozhodnutí nebo zbytečně složité řešení.
🗂️ Příklad: organizátor karet v Chrome
Jedním z představených příkladů je organizátor karet pro Chrome. Jeho úkolem je automaticky seskupovat otevřené karty a zavírat ty, které už nejsou potřeba. Takový nástroj reaguje na běžný problém práce v prohlížeči: velké množství otevřených stránek rychle komplikuje orientaci, zvyšuje rozptylování a ztěžuje návrat k důležitým materiálům.
Agent při realizaci pracuje přímo s rozhraními pro rozšíření Chrome, vyhledává příslušnou dokumentaci a vytváří potřebný kód. Pro vývoj podobných řešení je podstatné, že rozšíření prohlížeče mají specifická oprávnění a rozhraní. Základní technické souvislosti lze ověřit v dokumentaci pro rozšíření Chrome.
Antigravity zde nepředstavuje jen generátor zdrojových souborů. Důležitá je celá posloupnost práce:
- vyjasnění pravidel, podle nichž se mají karty organizovat,
- příprava návrhu rozšíření,
- práce s příslušnými rozhraními Chrome,
- napsání kódu,
- testování vytvořeného řešení,
- závěrečné vysvětlení provedených kroků.
Výsledkem má být také čitelný průvodce hotovým projektem. Nejde tedy pouze o předání aplikace bez kontextu. Agent má vysvětlit, co vytvořil, proč zvolil daný postup a jak jednotlivé části řešení fungují. Pro člověka, který chce aplikaci dále upravovat nebo se z ní učit, je takové shrnutí cennější než samotný výstup.
Organizátor karet je dobrý příklad, protože spojuje jasně definovaný problém s konkrétní technickou implementací. Zadání je srozumitelné i bez hlubokého vývojářského zázemí, přesto vyžaduje práci s dokumentací, oprávněními a logikou rozšíření. To dobře ukazuje, jakým typem projektu se Antigravity 2.0 snaží zabývat.
📝 Plán není formalita, ale pracovní dohoda
V automatizovaném vývoji je snadné přeskočit příliš rychle od nápadu k implementaci. To však může vést k výsledku, který technicky funguje, ale řeší špatný problém. Proto má v Antigravity 2.0 plánování vlastní významnou fázi.
Když agent klade doplňující otázky, pomáhá převést vágní požadavek na konkrétní rozhodnutí. U organizátoru karet mohou otázky směřovat k tomu, zda má systém zavírat pouze dlouho nepoužívané karty, jestli má vytvářet skupiny podle tématu, nebo jak má nakládat s kartami souvisejícími s aktivním projektem.
Podobně lze postupovat při návrhu mobilní aplikace, automatizace souborů či výukového nástroje. Kvalita výstupu obvykle závisí na kvalitě vstupu. Čím lépe je popsán účel, uživatel, hranice projektu a požadovaný výsledek, tím lépe může agent vytvořit vhodný plán.
Já bych při schvalování plánu kontroloval zejména čtyři věci:
- Rozsah: je jasné, co má řešení umět a co naopak není součástí první verze?
- Pravidla: jsou vymezeny podmínky, podle nichž má automatizace jednat?
- Výstup: je zřejmé, zda má vzniknout aplikace, rozšíření, automatizovaný proces nebo jiný typ projektu?
- Kontrola: existuje bod, ve kterém lze návrh upravit ještě před spuštěním práce?
Takový postup nepůsobí jen jako ochrana proti chybám. Je to také způsob, jak si rychleji ujasnit vlastní myšlenku. AI agent může fungovat jako partner pro konkretizaci projektu, protože nutí převést obecné přání na rozhodnutí, která lze implementovat.
🧾 Další ukázky: 3D modely a evidence výdajů
Představené možnosti se neomezují na rozšíření pro prohlížeč. Antigravity 2.0 bylo použito také k vytvoření aplikace, která dokáže převádět kresby do 3D modelů. V jiné ukázce vznikla nativní aplikace pro Android, jež eviduje účtenky a automaticky je zapisuje do cloudové databáze.
Tyto příklady ukazují šíři zamýšleného použití. Jeden projekt pracuje s kreativním vstupem a tvorbou 3D objektů. Druhý se zaměřuje na každodenní administrativu a pořádek ve finančních záznamech. V obou případech však zůstává stejná základní myšlenka: AI agent pomáhá proměnit záměr v realizovaný pracovní postup.
Vedle toho vznikala i vlastní 3D modelovací aplikace určená pro výuku o Pantheonu. Tento příklad je zajímavý tím, že propojuje tvorbu softwaru se vzděláváním. Místo obecného nástroje může vzniknout aplikace navržená pro konkrétní téma, cílovou skupinu a způsob výuky.
Neznamená to, že každá myšlenka automaticky vyústí v rozsáhlý produkt. Přínos podobného systému spočívá i v možnosti rychle zpracovat prototyp, ověřit směr a získat funkční základ, který lze dále posuzovat. Pro malé osobní nástroje, interní automatizace i nápady na specializované aplikace může být tato cesta přímější než začínat od prázdného projektu.
🧹 Automatizovaný úklid počítače jako pravidelná úloha
Antigravity 2.0 není zaměřený pouze na tvorbu aplikací. Důležitou částí jsou také naplánované úlohy. Předvedený příklad nastavuje každovečerní úklid pracovní plochy a složky se staženými soubory.
Agent se nejprve doptá, na jakých projektech člověk pracuje, které soubory jsou důležité a co lze odstranit. Na základě těchto pravidel pak může každý večer organizovat soubory do odpovídajících složek a odstraňovat to, co už není potřeba.
Tento scénář dobře ukazuje rozdíl mezi jednorázovým příkazem a skutečnou automatizací. Jednorázový příkaz vyřeší konkrétní situaci. Naplánovaná úloha vytváří opakovatelný proces. Po nastavení pravidel se spouští v určený čas a pravidelně provádí stejný druh organizační práce.
Já v tom vidím především příležitost odstranit drobné, ale opakované činnosti. Pracovní plocha, složka Stažené soubory, projektové materiály a dočasné dokumenty se snadno mění v nepřehledný prostor. Když jsou pravidla dobře definovaná, automatizace může pomoci udržovat pořádek bez nutnosti denně provádět stejnou ruční rutinu.
Zároveň je rozumné postupovat opatrně. U úloh, které přesouvají nebo mažou soubory, bych vždy začal jasným vymezením důležitých složek, projektů a souborů, jež se nemají měnit. Automatizace je nejsilnější tehdy, když má přesně stanovené hranice.
⚙️ Více agentů může pracovat současně
Největší novinkou Antigravity 2.0 je důraz na paralelní práci agentů. Není nutné čekat na dokončení jednoho projektu, než se začne další. V ukázce běžel vývoj organizátoru karet současně s tvorbou 3D modelovací aplikace určené pro výuku o Pantheonu.
Každý agent může dostat vlastní projekt a vlastní cíl. Tím se rozděluje práce podle témat. Jeden agent řeší prohlížečové rozšíření, druhý vzdělávací aplikaci a třetí může zajišťovat plánovanou údržbu souborů. Z pohledu produktivity je tento model zajímavý zejména tehdy, když projekty nejsou na sobě přímo závislé.
Antigravity navíc podporuje využití subagentů v rámci jedné úlohy. Hlavní agent tak může rozdělit složitější práci na dílčí části. Smyslem není vytvářet zbytečně komplikovanou strukturu, ale umožnit současné řešení různých aspektů jednoho zadání.
Prakticky lze tento princip chápat jako rozdělení práce do několika proudů:
- jeden agent zpracovává hlavní projekt,
- druhý agent pracuje na samostatném nápadu,
- subagenti řeší dílčí úkoly v rámci většího projektu,
- naplánované úlohy vykonávají pravidelnou rutinu v určeném čase.
Paralelní provoz ale zvyšuje význam dobrého zadání. Když běží několik agentů najednou, je užitečné mít u každého projektu jasně uvedený cíl, priority a očekávaný výsledek. Jinak se může snadno stát, že vznikne více rozpracovaných výstupů, které se budou obtížně vyhodnocovat.
🔍 Proč je závěrečné vysvětlení důležité
Po dokončení projektu Antigravity 2.0 nepředkládá pouze hotový výsledek. Součástí má být také podrobná prohlídka vytvořeného řešení a shrnutí důvodů, proč agent postupoval daným způsobem.
To považuji za jednu z nejdůležitějších částí celého konceptu. Automatizace, která pouze něco provede, ale nevysvětlí, co změnila, se hůře kontroluje. Souhrn dává člověku možnost reagovat, ověřit provedené kroky a rozhodnout, zda výsledek odpovídá původnímu záměru.
U vývoje aplikace může závěrečné vysvětlení pomoci pochopit strukturu projektu. U automatizace souborů může objasnit, podle jakých pravidel byly soubory roztříděny. U rozšíření Chrome může přiblížit, jakým způsobem řešení pracuje s kartami a rozhraními prohlížeče.
V tomto smyslu není cílem pouze rychlost. Cílem je i srozumitelnost. Když je možné výsledek přečíst, připomínkovat a dále upravit, zůstává člověk aktivní součástí procesu. To je zvlášť podstatné u nástrojů, které pracují s více kroky a mají potenciál vykonávat opakované úlohy.
💻 Desktopová aplikace, CLI, IDE a SDK
Samostatná desktopová aplikace je hlavním řídicím rozhraním Antigravity 2.0, ale není jedinou dostupnou formou. Platforma je k dispozici také jako CLI, IDE a SDK.
Tyto možnosti naznačují, že Antigravity míří na různé způsoby práce. Desktopová aplikace slouží jako centrální prostor pro řízení agentů a projektů. CLI může být vhodné pro práci z příkazové řádky. IDE zapadá do vývojového prostředí a SDK otevírá cestu k využití Antigravity v dalších vlastních řešeních.
Bez ohledu na zvolený přístup zůstává společný princip stejný: definovat cíl, získat plán, kontrolovat průběh a vyhodnotit výsledek. Rozdíl je hlavně v tom, kde a jak chce člověk s AI agenty pracovat.
Pro někoho může být nejpřístupnější desktopové pracovní centrum. Pro zkušenější vývojové týmy může být relevantní práce z terminálu, vývojového prostředí nebo propojení prostřednictvím SDK. Důležité je, že Antigravity není představený jako jediná uzavřená aplikace, ale jako sada cest pro budování a řízení agentních pracovních postupů.
📌 Jak formulovat zadání pro AI agenta
Představené ukázky ukazují, že kvalita zadání má zásadní vliv na užitečnost výsledku. Nemusím znát každou technickou podrobnost, ale měl bych umět popsat problém, cílový stav a důležitá omezení.
Dobré zadání může mít jednoduchou strukturu:
- Popis problému: co mi dnes zabírá čas nebo co mi chybí?
- Požadovaný výsledek: jak má vypadat hotová aplikace či automatizace?
- Pravidla: co má systém dělat, kdy to má dělat a jaké hranice nesmí překročit?
- Priorita: co je pro první verzi nejdůležitější?
- Kontrola: jaké body chci vidět v plánu ještě před schválením?
U organizátoru karet by například nestačilo napsat pouze „ukliď mi Chrome“. Užitečnější je určit, zda se mají karty seskupovat, jak se pozná neaktivní karta a které typy stránek mají zůstat otevřené. U organizace souborů je zase vhodné vymezit projekty, složky a soubory, s nimiž se nesmí manipulovat.
Příkaz pro doplňující otázky zde dává smysl právě proto, že člověk nemusí mít hotové zadání od první věty. Agent může pomoci odhalit mezery v návrhu a přetvořit volný nápad do konkrétního pracovního plánu.
🌟 Co Antigravity 2.0 naznačuje o budování s AI
Antigravity 2.0 představuje model, v němž AI nepůsobí jen jako nástroj pro jednotlivé odpovědi, ale jako prostředí pro řízení práce. Aplikace, automatizace a opakované procesy mohou začínat běžným popisem potřeby, pokračovat plánem a končit výsledkem, který je možné zkontrolovat a komentovat.
Za nejsilnější prvky považuji kombinaci několika schopností:
- agent se doptává na nejasné zadání,
- před realizací vytváří plán,
- uživatel může plán připomínkovat a schválit,
- agent pracuje na tvorbě a testování řešení,
- po dokončení předkládá srozumitelný souhrn,
- více agentů může řešit více projektů současně,
- automatizace lze nastavit jako pravidelně spouštěné úlohy.
Ukázky zahrnují organizátor karet v Chrome, převod kreseb do 3D modelů, nativní Android aplikaci pro evidenci účtenek, výukový 3D nástroj o Pantheonu i každovečerní úklid souborů. Společným jmenovatelem není konkrétní programovací jazyk ani jeden typ aplikace. Je jím možnost zadat cíl a nechat AI agenta řízeně pracovat na jeho naplnění.
Já bych Antigravity 2.0 vnímal především jako příležitost začít u reálného pracovního problému. Nemusí jít o velký produkt. Dobrou první úlohou může být organizace opakovaných souborů, malý interní nástroj, jednoduché rozšíření prohlížeče nebo prototyp aplikace pro konkrétní vzdělávací či administrativní potřebu.
✅ Závěr: od jednotlivých příkazů k řízeným projektům
Google Antigravity 2.0 posouvá práci s AI směrem k dlouhodobějším a strukturovanějším úkolům. Místo izolovaného generování kódu staví na procesu, který zahrnuje rozhovor o zadání, plánování, připomínkování, realizaci, testování a přehledné vysvětlení výsledku.
Možnost spouštět paralelní agenty zároveň otevírá prostor pro souběžné budování více nápadů. Jeden projekt se může týkat tvorby aplikace, jiný automatizace osobní administrativy a další pravidelného pořádku v souborech. Přitom zůstává důležité, aby každý agent pracoval s jasně vymezeným cílem a pravidly.
Nejlepší výsledky pravděpodobně nezačnou otázkou, co všechno AI dokáže. Začnou konkrétnější otázkou: Jaký opakující se problém chci vyřešit a jak by měl vypadat dobrý výsledek? Antigravity 2.0 nabízí prostředí, v němž lze tuto otázku převést do plánu, projektu a automatizovaného pracovního postupu.
