Google Antigravity چیست؟

Google Antigravity یک پلتفرم توسعه عامل‌محور یا Agent-First Development Platform است که برای برنامه‌نویسی، مدیریت پروژه‌های نرم‌افزاری و اجرای وظایف پیچیده با کمک Agentهای هوش مصنوعی طراحی شده است.

در ابزارهای سنتی برنامه‌نویسی، توسعه‌دهنده کد را می‌نویسد و هوش مصنوعی در تکمیل خطوط، توضیح خطا یا تولید چند تابع به او کمک می‌کند. Antigravity این رابطه را یک مرحله جلوتر می‌برد: توسعه‌دهنده هدف را مشخص می‌کند و Agent می‌تواند برای رسیدن به آن برنامه‌ریزی کند، فایل‌ها را تغییر دهد، دستورهای Terminal را اجرا کند، برنامه را در مرورگر آزمایش کند و نتیجه را برای بررسی ارائه دهد.

گوگل Antigravity را در نوامبر ۲۰۲۵ به‌عنوان یک پلتفرم جدید برای هماهنگ‌سازی Agentهای برنامه‌نویسی معرفی کرد. براساس معرفی رسمی گوگل، Agentهای این پلتفرم می‌توانند وظایف را در Editor، Terminal و Browser برنامه‌ریزی، اجرا و اعتبارسنجی کنند. اطلاعات به‌روز این محصول در Google Developers Blog و مستندات رسمی Antigravity منتشر می‌شود.

پاسخ کوتاه: Antigravity چه کاری انجام می‌دهد؟

با Google Antigravity می‌توان وظایفی مانند موارد زیر را به Agentهای هوش مصنوعی سپرد:

• ایجاد ساختار اولیه یک پروژه
• تولید Frontend و Backend
• اضافه‌کردن قابلیت جدید به پروژه موجود
• پیدا کردن و رفع خطا
• اجرای تست‌های نرم‌افزاری
• بررسی خروجی در مرورگر
• بازنویسی و تمیزکردن کد
• مستندسازی پروژه
• کار روی چند Repository
• مدیریت چند Agent یا Subagent
• ساخت اپلیکیشن‌های متصل به API
• آماده‌سازی پروژه برای استقرار

Antigravity فقط یک تولیدکننده کد نیست. هدف آن مدیریت چرخه کامل انجام یک وظیفه توسعه نرم‌افزار است.

تفاوت AI Assistant و AI Agent چیست؟

یک AI Assistant معمولاً منتظر می‌ماند تا سؤال مشخصی از آن پرسیده شود. برای مثال، توسعه‌دهنده یک تابع می‌فرستد و از دستیار می‌خواهد خطای آن را پیدا کند.

AI Agent می‌تواند هدف سطح بالاتری دریافت کند:

یک اپلیکیشن فارسی برای خلاصه‌سازی متن بساز، Backend امن ایجاد کن، آن را به API درواره متصل کن و عملکرد صفحه را آزمایش کن.

برای اجرای این درخواست، Agent باید خودش چند مرحله را تشخیص دهد:

1. ساختار پروژه را بررسی کند.
2. فناوری مناسب را انتخاب کند.
3. فایل‌های Frontend و Backend را بسازد.
4. پکیج‌های لازم را نصب کند.
5. Endpoint موردنیاز را ایجاد کند.
6. اتصال به مدل هوش مصنوعی را پیاده‌سازی کند.
7. برنامه را اجرا کند.
8. صفحه را در مرورگر باز کند.
9. خطاها را پیدا و اصلاح کند.
10. نتیجه نهایی را برای بررسی ارائه دهد.

این توانایی برنامه‌ریزی و اجرای چندمرحله‌ای، مهم‌ترین تفاوت Agent با قابلیت ساده تکمیل خودکار کد است.

Antigravity 2.0 چیست؟

در نسخه ۲، Antigravity از یک Agent Manager وابسته به محیط ویرایش کد به یک برنامه دسکتاپ مستقل برای مدیریت Agentها تبدیل شده است.

براساس مستندات Antigravity 2.0، این برنامه نقش مرکز فرماندهی Agentها را دارد و می‌تواند Agentهای مختلف را برای کارهای برنامه‌نویسی و دانشی اجرا، مشاهده و هماهنگ کند.

Antigravity 2.0 قادر است:

• فرمان‌های سیستم را اجرا کند.
• فایل‌ها را بخواند یا تغییر دهد.
• در وب جست‌وجو کند.
• با Chrome تعامل داشته باشد.
• از Skills و MCP Serverها استفاده کند.
• Subagent ایجاد و مدیریت کند.
• Implementation Plan بسازد.
• خروجی‌ها را به‌صورت Artifact نمایش دهد.
• چند Workspace یا Git Worktree را مدیریت کند.
• وظایف زمان‌بندی‌شده اجرا کند.

در کنار برنامه دسکتاپ، گوگل Antigravity IDE، Antigravity CLI و Antigravity SDK را نیز به‌عنوان سطوح مختلف کار با این پلتفرم معرفی کرده است.

اجزای اصلی اکوسیستم Google Antigravity

Antigravity 2.0

برنامه مستقل دسکتاپ برای ایجاد Project، اجرای Agentها و مدیریت چند وظیفه هم‌زمان است. این گزینه برای کاربرانی مناسب است که می‌خواهند چند Agent را از یک محیط گرافیکی کنترل کنند.

Antigravity IDE

یک محیط کامل برنامه‌نویسی مبتنی بر هوش مصنوعی است. این محیط قابلیت‌های آشنایی مانند ویرایش فایل، جست‌وجوی کد و تکمیل خودکار را با Agentهای برنامه‌نویسی، Skills و MCP ترکیب می‌کند.

Antigravity CLI

رابط Terminal برای توسعه‌دهندگانی است که محیط خط فرمان را ترجیح می‌دهند یا روی Server و SSH کار می‌کنند. گوگل در سال ۲۰۲۶ اعلام کرد قابلیت‌های اصلی Gemini CLI، از جمله Skills، Hooks، Subagents و Extensions، به اکوسیستم Antigravity CLI منتقل می‌شوند.

Antigravity SDK

یک فریم‌ورک Python برای ساخت Agentهای سفارشی روی Antigravity Harness است. این گزینه بیشتر برای توسعه‌دهندگانی کاربرد دارد که می‌خواهند ابزارها، Hookها، سیاست‌های اجرایی و Subagentهای اختصاصی خود را تعریف کنند.

Project در Antigravity چیست؟

Project مرز دسترسی Agent را تعیین می‌کند. هر Project می‌تواند شامل یک یا چند پوشه محلی یا Git Repository باشد.

Agent فقط در محدوده‌ای که برای Project تعریف شده است فعالیت می‌کند؛ مگر آنکه کاربر سطح دسترسی گسترده‌تری به آن بدهد.

برای ساخت Project جدید:

1. Antigravity را باز کنید.
2. روی آیکون پوشه همراه علامت مثبت کلیک کنید.
3. گزینه New Project را انتخاب کنید.
4. یک یا چند پوشه یا Repository اضافه کنید.
5. روی Create کلیک کنید.
6. تنظیمات دسترسی و سیاست‌های Project را بررسی کنید.

مستندات رسمی مراحل به‌روز ساخت پروژه را در صفحه Getting Started with Antigravity توضیح داده‌اند.

Local Mode و New Worktree Mode چه تفاوتی دارند؟

هنگام اجرای Agent می‌توان نحوه دسترسی آن به پروژه را انتخاب کرد.

Local Mode

Agent مستقیماً روی فایل‌های فعال پروژه کار می‌کند. تغییرات بلافاصله در Working Directory اصلی دیده می‌شوند.

این حالت برای پروژه‌های آزمایشی یا تغییرات کوچک مناسب است، اما در پروژه‌های مهم باید تغییرات Agent مرتب بررسی شوند.

New Worktree Mode

Agent در یک Git Worktree جداگانه فعالیت می‌کند. تغییرات آن از نسخه کاری اصلی جدا باقی می‌مانند و پس از بررسی می‌توان آن‌ها را ادغام کرد.

برای تغییرات بزرگ، اجرای چند Agent یا کار روی Repository حساس، استفاده از Worktree معمولاً انتخاب مطمئن‌تری است.

Artifact در Google Antigravity چیست؟

Artifact گزارشی است که Agent برای نمایش برنامه، تغییرات یا نتیجه اجرای خود تولید می‌کند.

Artifact می‌تواند شامل موارد زیر باشد:

• Implementation Plan
• خلاصه تغییرات
• Code Diff
• Screenshot
• Browser Recording
• نتیجه اجرای تست‌ها
• Walkthrough نهایی

برای مثال، اگر از Agent بخواهید فرم ثبت‌نام یک وب‌سایت را بازطراحی کند، Agent می‌تواند پس از تغییر کد، برنامه را در مرورگر اجرا و تصویری از رابط نهایی ارائه کند.

براساس مستندات Walkthrough، Antigravity بعد از تکمیل پیاده‌سازی می‌تواند خلاصه تغییرات، تصاویر و ضبط تعامل مرورگر را در اختیار توسعه‌دهنده قرار دهد.

تعامل Antigravity با مرورگر

Antigravity می‌تواند یک پروفایل جداگانه Chrome را باز کند و وب‌سایت در حال توسعه را آزمایش کند.

Browser Subagent قادر است:

• یک صفحه محلی را باز کند.
• روی دکمه‌ها کلیک کند.
• فرم‌ها را تکمیل کند.
• رابط کاربری را بررسی کند.
• از صفحه Screenshot بگیرد.
• تعامل خود را ضبط کند.
• خطاهای قابل‌مشاهده را گزارش دهد.

این قابلیت برای تست رابط کاربری مفید است، اما جایگزین تست‌های خودکار، تست امنیت، تست دسترسی‌پذیری و بررسی انسانی نمی‌شود. توضیحات رسمی این قابلیت در Browser Overview قرار دارد.

دانلود و نصب Google Antigravity

نسخه IDE از صفحه رسمی دانلود Antigravity دریافت می‌شود.

طبق مستندات فعلی، Antigravity IDE برای سیستم‌عامل‌های زیر ارائه شده است:

• macOS 12 یا جدیدتر روی پردازنده پشتیبانی‌شده
• Windows 10 نسخه ۶۴ بیتی یا جدیدتر
• توزیع‌های Linux دارای نسخه‌های سازگار glibc و glibcxx

از آنجا که شرایط سیستم و نسخه‌های پشتیبانی‌شده ممکن است تغییر کنند، پیش از دانلود باید صفحه راهنمای نصب Antigravity IDE بررسی شود.

نصب Antigravity CLI

در macOS و Linux می‌توان از دستور رسمی نصب استفاده کرد:

curl -fsSL https://antigravity.google/cli/install.sh | bash

در PowerShell ویندوز:

irm https://antigravity.google/cli/install.ps1 | iex

پس از نصب، رابط خط فرمان با دستور زیر اجرا می‌شود:

agy

اجرای مستقیم Script از اینترنت باید تنها از دامنه رسمی و پس از بررسی محتوا انجام شود. دستورهای نصب ممکن است در نسخه‌های آینده تغییر کنند؛ بنابراین مرجع نهایی، صفحه Getting Started with Antigravity CLI است.

آموزش ساخت اولین پروژه با Google Antigravity

در این آموزش یک اپلیکیشن فارسی خلاصه‌سازی متن می‌سازیم. Antigravity کد پروژه را ایجاد و آزمایش می‌کند و اپلیکیشن هنگام اجرا از API هوش مصنوعی درواره استفاده خواهد کرد.

معماری برنامه شامل سه بخش است:

• رابط کاربری برای دریافت متن
• Backend برای محافظت از API Key
• API درواره برای ارسال درخواست به مدل انتخاب‌شده

نکته مهم این است که Antigravity ابزار توسعه پروژه است، درحالی‌که API درواره مدل هوش مصنوعی موردنیاز اپلیکیشن نهایی را تأمین می‌کند.

مرحله اول: ایجاد Project

یک پوشه خالی با نام زیر بسازید:

persian-ai-summarizer

این پوشه را به‌عنوان Project جدید به Antigravity اضافه کنید. برای پروژه واقعی بهتر است Git را نیز فعال کنید:

git init

سپس یک Commit اولیه ایجاد کنید تا بازبینی تغییرات Agent ساده‌تر شود.

مرحله دوم: نوشتن Prompt مناسب

Prompt اولیه باید هدف، فناوری، محدودیت‌ها و معیار پذیرش را مشخص کند.

این Prompt را به Agent بدهید:

یک اپلیکیشن فارسی برای خلاصه‌سازی متن بساز.

الزامات:
- Backend با Node.js و Express باشد.
- Frontend ساده و Responsive باشد.
- کاربر بتواند متن فارسی وارد کند.
- Frontend درخواست را به POST /api/summarize بفرستد.
- Backend از OpenAI JavaScript SDK استفاده کند.
- Base URL از طریق متغیر محیطی تنظیم شود.
- API Key هرگز وارد Frontend نشود.
- مدل از متغیر DARVAREH_MODEL_ID خوانده شود.
- برای متن خالی و ورودی بیش از حد طولانی Validation ایجاد کن.
- Timeout و مدیریت خطا اضافه کن.
- فایل .env.example و README بساز.
- بعد از پیاده‌سازی، برنامه را اجرا و در مرورگر آزمایش کن.
- پیش از تغییر فایل‌ها ابتدا یک Implementation Plan ارائه بده.

این Prompt از عبارت مبهم «یک خلاصه‌ساز بساز» مؤثرتر است؛ زیرا Agent می‌داند چه خروجی‌ای قابل‌قبول محسوب می‌شود.

مرحله سوم: بررسی Plan

پیش از تأیید اجرای Agent، Plan پیشنهادی را بررسی کنید.

یک Plan مناسب احتمالاً مراحل زیر را دارد:

1. ایجاد پروژه Node.js
2. نصب Express، OpenAI و dotenv
3. ایجاد Server
4. ایجاد Endpoint خلاصه‌سازی
5. ساخت رابط کاربری
6. اضافه‌کردن Validation
7. ساخت فایل تنظیمات محیطی
8. اجرای برنامه
9. تست API
10. تست رابط در مرورگر

اگر Agent قصد داشت API Key را در فایل JavaScript مرورگر قرار دهد، Plan را رد یا اصلاح کنید.

مرحله چهارم: نصب وابستگی‌ها

ساختار پایه پروژه می‌تواند با فرمان‌های زیر ایجاد شود:

npm init -y
npm install express openai dotenv

برای اجرای راحت‌تر در محیط توسعه می‌توان nodemon را نیز اضافه کرد:

npm install --save-dev nodemon

مرحله پنجم: تنظیم متغیرهای محیطی

فایل .env.example باید چنین ساختاری داشته باشد:

DARVAREH_API_KEY=your_api_key
DARVAREH_MODEL_ID=your_model_id
DARVAREH_BASE_URL=https://api.darvareh.ir/v1
PORT=3000

کاربر یک کپی با نام .env می‌سازد و مقادیر واقعی را در آن قرار می‌دهد.

فایل .env باید در .gitignore ثبت شود:

node_modules/
.env

شناسه دقیق مدل باید از فهرست مدل‌های قابل‌استفاده در حساب درواره انتخاب شود. نباید نام بازاری یک مدل را بدون بررسی به‌عنوان Model ID وارد کرد.

مرحله ششم: اتصال Backend به API درواره

نمونه ساده فایل server.js:

import "dotenv/config";
import express from "express";
import OpenAI from "openai";

const app = express();
const port = process.env.PORT || 3000;

if (!process.env.DARVAREH_API_KEY) {
  throw new Error("DARVAREH_API_KEY is not configured");
}

if (!process.env.DARVAREH_MODEL_ID) {
  throw new Error("DARVAREH_MODEL_ID is not configured");
}

const client = new OpenAI({
  apiKey: process.env.DARVAREH_API_KEY,
  baseURL:
    process.env.DARVAREH_BASE_URL ||
    "https://api.darvareh.ir/v1",
  timeout: 30_000,
});

app.use(express.json({ limit: "100kb" }));
app.use(express.static("public"));

app.post("/api/summarize", async (req, res) => {
  try {
    const text =
      typeof req.body?.text === "string"
        ? req.body.text.trim()
        : "";

    if (!text) {
      return res.status(400).json({
        error: "متن برای خلاصه‌سازی ارسال نشده است.",
      });
    }

    if (text.length > 20_000) {
      return res.status(400).json({
        error: "طول متن بیشتر از محدودیت مجاز است.",
      });
    }

    const completion = await client.chat.completions.create({
      model: process.env.DARVAREH_MODEL_ID,
      messages: [
        {
          role: "system",
          content:
            "شما یک ویراستار فارسی هستید. متن را دقیق، روان و بدون افزودن اطلاعات جدید خلاصه کنید.",
        },
        {
          role: "user",
          content: text,
        },
      ],
    });

    const summary =
      completion.choices?.[0]?.message?.content?.trim();

    if (!summary) {
      throw new Error("Model returned an empty response");
    }

    return res.json({ summary });
  } catch (error) {
    console.error("Summarization failed", {
      name: error?.name,
      status: error?.status,
    });

    return res.status(502).json({
      error:
        "در حال حاضر امکان پردازش متن وجود ندارد. کمی بعد دوباره تلاش کنید.",
    });
  }
});

app.listen(port, () => {
  console.log(`Server is running on http://localhost:${port}`);
});

در SDK جاوااسکریپت، مقدار baseURL روی آدرس زیر قرار می‌گیرد:

https://api.darvareh.ir/v1

به‌دلیل سازگاری API درواره با ساختار رایج OpenAI، می‌توان برای قابلیت‌های سازگار از OpenAI SDK استفاده کرد. جزئیات این معماری در مقاله API سازگار با OpenAI چیست؟ توضیح داده شده است.

مرحله هفتم: ساخت رابط کاربری

Frontend باید درخواست را فقط به Backend خود برنامه ارسال کند:

const form = document.querySelector("#summary-form");
const input = document.querySelector("#input-text");
const output = document.querySelector("#summary-output");
const button = document.querySelector("#submit-button");

form.addEventListener("submit", async (event) => {
  event.preventDefault();

  const text = input.value.trim();

  if (!text) {
    output.textContent = "ابتدا متن موردنظر را وارد کنید.";
    return;
  }

  button.disabled = true;
  output.textContent = "در حال خلاصه‌سازی...";

  try {
    const response = await fetch("/api/summarize", {
      method: "POST",
      headers: {
        "Content-Type": "application/json",
      },
      body: JSON.stringify({ text }),
    });

    const data = await response.json();

    if (!response.ok) {
      throw new Error(data.error || "Request failed");
    }

    output.textContent = data.summary;
  } catch (error) {
    output.textContent =
      error.message || "خطایی در پردازش درخواست رخ داد.";
  } finally {
    button.disabled = false;
  }
});

در این معماری، مرورگر هیچ‌گاه API Key درواره را دریافت نمی‌کند. کلید فقط در Backend ذخیره و استفاده می‌شود.

مرحله هشتم: درخواست تست از Agent

پس از پیاده‌سازی، Prompt دوم را ارسال کنید:

اکنون پروژه را بررسی کن.

کارهای لازم:
- برنامه را اجرا کن.
- Endpoint را با یک متن فارسی معتبر آزمایش کن.
- حالت متن خالی را آزمایش کن.
- حالت ورودی طولانی را آزمایش کن.
- صفحه را در مرورگر باز کن.
- ارسال فرم و نمایش نتیجه را بررسی کن.
- خطاهای Console و Network را بررسی کن.
- اگر مشکلی وجود داشت آن را اصلاح کن.
- در پایان یک Walkthrough همراه با فهرست فایل‌های تغییرکرده ارائه بده.

این درخواست Agent را وادار می‌کند صرفاً به تولید کد اکتفا نکند و خروجی را نیز بررسی کند.

چگونه Prompt بهتری برای Antigravity بنویسیم؟

یک Prompt مناسب برای Agent برنامه‌نویسی بهتر است این بخش‌ها را داشته باشد:

هدف

دقیقاً مشخص کنید چه چیزی باید ساخته یا اصلاح شود.

محدوده تغییرات

تعیین کنید Agent اجازه تغییر چه فایل‌ها یا بخش‌هایی را دارد.

فناوری‌ها

Framework، زبان، Database و کتابخانه‌های ترجیحی را مشخص کنید.

محدودیت‌ها

مواردی مانند سازگاری با نسخه فعلی، عدم تغییر API موجود یا ممنوعیت افزودن Dependency غیرضروری را بنویسید.

معیار پذیرش

توضیح دهید از کجا متوجه می‌شوید وظیفه با موفقیت انجام شده است.

روش اعتبارسنجی

از Agent بخواهید تست‌ها، Lint، Build و بررسی مرورگر را اجرا کند.

یک قالب کاربردی:

هدف:
...

وضعیت فعلی:
...

محدوده مجاز تغییرات:
...

الزامات فنی:
...

مواردی که نباید تغییر کنند:
...

معیارهای پذیرش:
...

دستورهای اعتبارسنجی:
...

مقایسه Google Antigravity با VS Code

VS Code در اصل یک ویرایشگر توسعه‌پذیر است. Antigravity یک محیط عامل‌محور برای اجرای وظایف توسعه محسوب می‌شود.

انتخاب میان این دو الزاماً صفر و یک نیست. توسعه‌دهنده می‌تواند همچنان از ویرایشگر موردعلاقه خود استفاده کند و Antigravity را برای وظایف عامل‌محور به کار ببرد.

مقایسه Antigravity با Google AI Studio

Google AI Studio بیشتر برای آزمایش مدل‌های Gemini، طراحی Prompt، دریافت API Key و نمونه‌سازی قابلیت‌های هوش مصنوعی استفاده می‌شود.

Antigravity برای کار روی فایل‌ها، Repositoryها، Terminal، مرورگر و چرخه توسعه نرم‌افزار طراحی شده است.

به زبان ساده:

• Google AI Studio: آزمایش و استفاده از مدل
• Google Antigravity: ساخت و تغییر نرم‌افزار با Agent
• API درواره: اتصال اپلیکیشن ساخته‌شده به مدل‌های هوش مصنوعی از طریق یک API یکپارچه

مقایسه Antigravity با Vibe Coding

Vibe Coding یک روش یا سبک توسعه است که در آن کاربر با زبان طبیعی، رفتار نرم‌افزار را توصیف می‌کند و هوش مصنوعی بخش زیادی از کد را تولید می‌کند.

Antigravity یک ابزار مشخص برای اجرای جریان‌های Agentic Coding است. بنابراین می‌توان با Antigravity به روش Vibe Coding کار کرد، اما استفاده حرفه‌ای از آن فقط به نوشتن Prompt و پذیرفتن تمام خروجی‌ها محدود نمی‌شود.

در پروژه واقعی همچنان باید موارد زیر انجام شوند:

• بررسی Code Diff
• اجرای تست
• بازبینی معماری
• مدیریت Secretها
• کنترل Dependencyها
• بررسی کیفیت خروجی مدل
• ارزیابی هزینه API
• بازبینی انسانی قبل از انتشار

کنترل دسترسی Agentها

طبق مستندات قابلیت‌های Antigravity، Agentها به‌صورت پیش‌فرض در محدوده پوشه‌های Project فعالیت می‌کنند و برای اجرای دستورهای Terminal می‌توانند به تأیید کاربر نیاز داشته باشند.

پیش از انتخاب تنظیمات گسترده‌تر، باید تفاوت سطح‌های دسترسی را درک کنید. دادن دسترسی کامل سیستم به یک Agent می‌تواند فایل‌ها، تنظیمات و Secretهای خارج از پروژه را نیز در معرض تغییر قرار دهد.

برای پروژه‌های مهم:

• از Git استفاده کنید.
• تغییرات را در Worktree جدا انجام دهید.
• دسترسی Agent را به پوشه‌های لازم محدود کنید.
• فرمان‌های Terminal را پیش از تأیید بخوانید.
• Secretها را در فایل‌های قابل‌خواندن غیرضروری قرار ندهید.
• اجرای دستورات حذف یا Migration را خودکار تأیید نکنید.
• قبل از Merge، Diff را بررسی کنید.
• از داده واقعی کاربران در محیط آزمایشی استفاده نکنید.

اشتباه‌های رایج هنگام استفاده از Antigravity

درخواست بسیار کلی

Promptهایی مانند «یک فروشگاه بساز» فضای تصمیم‌گیری بیش از حدی به Agent می‌دهند. فناوری، صفحات، جریان خرید و معیار پذیرش را مشخص کنید.

تغییر هم‌زمان بخش‌های زیاد

به‌جای بازنویسی کامل پروژه در یک مرحله، وظیفه را به بخش‌های کوچک و قابل‌آزمایش تقسیم کنید.

اعتماد کامل به تست مرورگر

بازشدن صحیح صفحه به معنی نبودن خطای منطقی، امنیتی یا Performance نیست.

قرار دادن API Key در Frontend

هر Secret موجود در JavaScript مرورگر قابل‌استخراج است. اتصال به API درواره باید از Backend انجام شود.

استفاده از Model ID حدسی

شناسه مدل را از فهرست مدل‌های درواره انتخاب کنید. نام تجاری مدل ممکن است با شناسه API متفاوت باشد.

اجرا نکردن تست پس از تغییرات

از Agent بخواهید Build، Lint و تست‌ها را اجرا کند و نتایج واقعی را گزارش دهد.

پذیرفتن Dependencyهای غیرضروری

هر کتابخانه جدید هزینه نگهداری و ریسک ناسازگاری دارد. از Agent بخواهید دلیل افزودن هر Dependency را توضیح دهد.

چک‌لیست ساخت پروژه واقعی با Antigravity و API درواره

• Project در محدوده یک Repository مشخص ایجاد شده است.
• Git و Commit اولیه وجود دارد.
• وظیفه دارای معیار پذیرش روشن است.
• Plan پیش از اجرا بررسی شده است.
• تغییرات بزرگ در Worktree جدا انجام می‌شوند.
• API Key فقط در Backend قرار دارد.
• فایل .env در Git ثبت نمی‌شود.
• Base URL درواره به‌صورت Config تعریف شده است.
• Model ID از تنظیمات محیطی خوانده می‌شود.
• ورودی کاربر اعتبارسنجی می‌شود.
• محدودیت طول ورودی وجود دارد.
• Timeout برای درخواست مدل تعریف شده است.
• خطاهای API مدیریت می‌شوند.
• اطلاعات حساس در Log ثبت نمی‌شوند.
• Rate Limit در Backend اعمال می‌شود.
• خروجی مدل قبل از عملیات حساس اعتبارسنجی می‌شود.
• Build و تست‌ها اجرا شده‌اند.
• تغییرات Agent به‌صورت دستی بازبینی شده‌اند.
• رابط کاربری در موبایل و دسکتاپ بررسی شده است.
• مصرف API و هزینه مدل پایش می‌شود.

آیا می‌توان API درواره را مستقیماً مدل داخلی Antigravity کرد؟

باید میان دو کاربرد تفاوت قائل شد.

در کاربرد اصلی این آموزش، Antigravity کد اپلیکیشن را می‌سازد و اپلیکیشن ساخته‌شده در زمان اجرا به API درواره متصل می‌شود. این روش به پشتیبانی Antigravity از یک Provider سفارشی وابسته نیست.

مستندات فعلی Antigravity CLI امکان استفاده از Gemini API Key و تعیین یک Endpoint سازگار با Gemini را توضیح می‌دهند. اما API درواره یک API سازگار با OpenAI ارائه می‌کند. سازگار بودن با OpenAI الزاماً به معنی سازگار بودن با Endpoint اختصاصی Gemini نیست.

بنابراین، بدون مستندات رسمی Integration نباید Base URL درواره را به‌عنوان Endpoint داخلی Gemini در Antigravity تنظیم کرد. روش مطمئن این است که Antigravity پروژه را توسعه دهد و کد Backend پروژه از OpenAI SDK همراه با Base URL درواره استفاده کند.

آیا Google Antigravity جای برنامه‌نویس را می‌گیرد؟

Antigravity می‌تواند زمان موردنیاز برای نوشتن کدهای تکراری، بررسی پروژه، اجرای تست و نمونه‌سازی را کاهش دهد. بااین‌حال، تصمیم‌های مهم همچنان به دانش انسانی نیاز دارند:

• طراحی معماری
• انتخاب فناوری
• تعریف نیازمندی
• مدیریت ریسک
• ارزیابی امنیت
• بررسی کیفیت تجربه کاربری
• تحلیل هزینه
• رفع مشکلات Production
• پذیرش مسئولیت تغییرات

هرچه Agent مستقل‌تر عمل کند، اهمیت تعیین مرز دسترسی، معیار پذیرش و بازبینی خروجی نیز بیشتر می‌شود.

پرسش‌های متداول

Google Antigravity چیست؟

Google Antigravity یک پلتفرم عامل‌محور برای توسعه نرم‌افزار است که Agentهای هوش مصنوعی را برای برنامه‌ریزی، تغییر فایل‌ها، اجرای فرمان‌ها، تست مرورگر و اعتبارسنجی نتیجه هماهنگ می‌کند.

آیا Google Antigravity رایگان است؟

طرح‌ها، محدودیت مصرف و شرایط دسترسی این سرویس ممکن است تغییر کنند. برای اطلاع از وضعیت فعلی باید صفحه دانلود، حساب کاربری و مستندات رسمی گوگل بررسی شود.

آیا Antigravity برای ویندوز منتشر شده است؟

بله، براساس مستندات فعلی نسخه ۶۴ بیتی Windows 10 و نسخه‌های جدیدتر پشتیبانی می‌شوند. شرایط دقیق باید پیش از نصب در صفحه رسمی بررسی شود.

آیا Antigravity روی Linux نصب می‌شود؟

بله، نسخه Linux ارائه شده است؛ اما توزیع باید حداقل نسخه‌های موردنیاز کتابخانه‌هایی مانند glibc و glibcxx را داشته باشد.

آیا Antigravity فقط برای Gemini است؟

Harness و قابلیت‌های Antigravity با اکوسیستم مدل‌های Gemini ارتباط نزدیکی دارند، اما کاربرد پلتفرم فقط تولید درخواست برای Gemini نیست. Agent می‌تواند پروژه‌ای بسازد که در زمان اجرا به APIها و سرویس‌های دیگر متصل شود.

آیا می‌توان با Antigravity سایت ساخت؟

بله. Agent می‌تواند ساختار Frontend و Backend را ایجاد، فایل‌ها را تغییر و نتیجه را در مرورگر آزمایش کند. کیفیت سایت به Prompt، فناوری انتخاب‌شده و بازبینی توسعه‌دهنده بستگی دارد.

آیا می‌توان اپلیکیشن ساخته‌شده را به درواره متصل کرد؟

بله. کافی است اتصال Backend با OpenAI SDK یا درخواست HTTP ایجاد شود و Base URL روی https://api.darvareh.ir/v1 قرار گیرد. API Key باید فقط در محیط امن سرور نگهداری شود.

آیا Antigravity جایگزین Cursor یا VS Code است؟

Antigravity بخشی از قابلیت‌های IDEهای هوشمند را پوشش می‌دهد، اما تمرکز آن روی مدیریت وظایف و Agentهای چندمرحله‌ای است. انتخاب ابزار به Workflow، زبان برنامه‌نویسی و میزان کنترل موردنیاز بستگی دارد.

آیا خروجی Agent همیشه صحیح است؟

خیر. Agent ممکن است کد اشتباه، Dependency نامناسب، تست ناکافی یا تصمیم معماری ضعیف تولید کند. تمام تغییرات مهم باید بازبینی و آزمایش شوند.

جمع‌بندی

Google Antigravity نشان‌دهنده حرکت ابزارهای برنامه‌نویسی از «کمک به نوشتن کد» به «اجرای وظایف کامل توسعه» است. در این پلتفرم، Agent می‌تواند برنامه‌ریزی کند، فایل‌ها را تغییر دهد، فرمان اجرا کند، نتیجه را در مرورگر ببیند و گزارش قابل‌بررسی ارائه دهد.

برای استفاده مؤثر از Antigravity باید هدف، محدوده دسترسی، الزامات فنی و معیار پذیرش را شفاف تعریف کرد. همچنین استفاده از Git، Worktree، تست خودکار و بازبینی Code Diff ضروری است.

اگر اپلیکیشن ساخته‌شده به قابلیت‌های هوش مصنوعی نیاز داشته باشد، می‌توان Backend آن را با API یکپارچه درواره متصل کرد. در این حالت Antigravity فرایند توسعه را تسریع می‌کند و درواره دسترسی برنامه به مدل‌های هوش مصنوعی را فراهم می‌سازد.

برای شروع، در درواره حساب ایجاد کنید، API Key بگیرید، مدل موردنظر را انتخاب کنید و پروژه‌ای که با Antigravity ساخته‌اید به API درواره متصل کنید.

مقالات مرتبط

• ساخت سایت با هوش مصنوعی؛ معرفی ابزارها و آموزش کامل
• ساخت اپلیکیشن با هوش مصنوعی؛ راهنمای جامع
• هوش مصنوعی گوگل Gemini چیست؟
• برنامه‌نویسی با ChatGPT؛ راهنمای کامل
• آموزش هوش مصنوعی با پایتون و API
• API سازگار با OpenAI چیست؟

منابع

• معرفی Google Antigravity در وبلاگ توسعه‌دهندگان گوگل
• مستندات رسمی Google Antigravity
• راهنمای Antigravity 2.0
• راهنمای شروع کار با Antigravity
• راهنمای نصب Antigravity IDE
• راهنمای Antigravity CLI
• مستندات Browser Subagent

این مقاله صرفاً با هدف آموزش و اطلاع‌رسانی تهیه شده است. پیش از استفاده عملی، مستندات رسمی سرویس‌ها و صفحه سلب مسئولیت را مطالعه کنید.