Google lleva los agentes offline: el SDK de Antigravity ya soporta modelos locales como Gemma 4 26B

Google ha anunciado que su Antigravity SDK —la herramienta que permite a los desarrolladores construir con las mismas capacidades agénticas que impulsan Google Antigravity— incorpora ahora soporte para flujos de trabajo locales, con un abanico de modelos y opciones de ejecución en el propio dispositivo. El soporte inicial se centra en Gemma 4 26B A4B, ejecutado a través de LiteRT, el runtime de Google AI Edge, optimizado específicamente para aprovechar la GPU y la RAM del equipo local.

Con esta actualización, los desarrolladores pueden activar asistencia agéntica completamente offline, sin depender de una conexión a servicios en la nube. Google enumera cuatro ventajas principales de ejecutar agentes en local: eficiencia de costes (sin gasto de API ni límites de tasa), privacidad (el código y las peticiones nunca salen de la máquina, algo relevante para entornos corporativos con restricciones de cumplimiento), resiliencia sin conexión (los flujos de trabajo siguen funcionando aunque no haya internet estable) y la posibilidad de combinar procesos locales, más eficientes en tokens, con modelos en la nube más potentes cuando se necesiten.

Para empezar, Google recomienda una máquina con más de 24 GB de VRAM o memoria unificada. El proceso consiste en crear un entorno virtual de Python, instalar el paquete google-antigravity junto con litert-lm, y descargar el modelo Gemma 4 26B A4B mediante el comando de importación de litert-lm desde el repositorio correspondiente en Hugging Face. A partir de ahí, un script mínimo en Python —usando las clases Agent y LiteRTAgentConfig del SDK— permite apuntar al modelo descargado localmente, lanzar una conversación con el agente y recibir la respuesta token a token, todo ello sin salir del propio equipo.

Uno de los ejemplos más llamativos que muestra Google es un patrón de orquestación híbrida bautizado como 'Architect-Builder': un modelo en la nube, Gemini 3.8 Flash, actúa como arquitecto que planifica y coordina la estrategia, mientras un enjambre de instancias locales de Gemma 4 26B ejecuta el trabajo pesado directamente en el dispositivo. En la demostración, se encarga a este sistema auditar y parchear tres módulos con vulnerabilidades (auth.py, billing.py y database.py). Lo relevante es que Gemini 3.8 Flash planifica la estrategia basándose únicamente en los nombres de archivo y las descripciones de las tareas, sin que ni una línea de código salga de la máquina, consumiendo solo 95 tokens en la nube. A partir de ahí, los modelos locales de Gemma 4 26B ejecutan de forma autónoma un ciclo de auditoría adversarial: reproducen las vulnerabilidades de seguridad, redactan parches candidatos, critican esos parches y los validan contra las suites de pruebas de regresión. En la ejecución registrada, el 97,2% de todos los tokens utilizados (3.322 tokens) se procesaron en local y sin conexión, entregando parches verificados y en verde mientras el código propietario permanecía completamente seguro en el dispositivo.

Google también muestra un segundo ejemplo más orientado a utilidades prácticas: a partir de un único prompt, el agente escribe de forma autónoma un monitor de recursos para la terminal, usando las librerías psutil y rich para mostrar en vivo el uso de CPU y memoria junto con una tabla de los cinco procesos que más memoria consumen. El propio agente genera el archivo requirements.txt y prueba el código resultante para comprobar que funciona, todo el proceso ejecutado íntegramente en local con Gemma 4 26B.

Más allá de Gemma y LiteRT, el Antigravity SDK ofrece también compatibilidad directa con cualquier servidor compatible con la API de OpenAI, como Ollama, LM Studio o vLLM, a través de la configuración LocalOpenAIAgentConfig. Esto permite a los desarrolladores experimentar con distintos backends de inferencia local sin tener que modificar la orquestación de agentes, las herramientas ni los flujos de trabajo ya construidos.

Google invita a los desarrolladores a consultar el README del SDK de Antigravity para Python y la documentación de LiteRT para aprender a ejecutar modelos de forma eficiente en el edge, y anima a compartir comentarios y solicitudes de funcionalidades en el rastreador de incidencias de GitHub del proyecto.