Google 推出全新 AI 代码编辑器 Antigravity:免费支持 Gemini 3 Pro / Claude 4.5,上手体验

Google 推出全新 AI 代码编辑器 Antigravity:免费支持 Gemini 3 Pro / Claude 4.5,上手体验

大家好,我是小贺。

2025 年 11 月 18 日,Google 开放了其内部 AI 代码编辑器 Antigravity 的公共预览(Public Preview)。作为一个基于 VS Code 二次开发的 IDE,它整合了 Google 最新的模型能力,目前在开发者社区引起了不少关注。

笔者在第一时间进行了下载和实测,主要针对大家关心的模型能力、Agent 交互以及与现有工具的对比做了详细测试。以下是真实的上手体验报告。

一、Antigravity 的核心特性

Antigravity 本质上是一个 AI Native 的编辑器,但在底层逻辑上做了一些新的尝试:

  • 多模型支持:目前的预览版集成了 Gemini 3 ProClaude Sonnet 4.5 以及 GPT-OSS 120B
  • Agent 深度集成:不同于简单的 Copilot 补全,它的 Agent 具有终端(Terminal)和浏览器环境的操作权限,支持生成 Artifacts(Markdown 报告)来辅助代码审查。
  • 环境兼容:支持 Windows/Mac/Linux,且可以一键迁移 VS Code 的主题、插件和快捷键配置。

二、多模型实际编码体验

在实际开发中,Antigravity 最大的特点是允许开发者根据任务类型切换后端模型。笔者测试了以下几种典型场景:

1. Gemini 3 Pro (High)

  • 适用场景:大型重构、跨文件理解、Monorepo 维护。
  • 体验:得益于 Google 基础设施和较大的上下文窗口(Context Window),它在处理复杂项目结构时表现稳定,对上下文的抓取比较准确,适合做“大手术”。

2. Claude Sonnet 4.5

  • 适用场景:代码审查(Code Review)、复杂算法实现、逻辑优化。
  • 体验:开启 Thinking 模式后,其生成的代码逻辑性较强,注释和命名规范更符合工程标准,非常适合用来打磨核心代码。

3. GPT-OSS 120B (Medium)

  • 适用场景:快速脚本编写、单元测试生成、简单工具调用。
  • 体验:响应速度极快,指令跟随能力强,适合处理短平快的迭代任务。
💡 实用工作流建议:目前的预览版支持“混合协作”。例如,先用 Gemini 生成代码框架,再调用 Claude 进行审查优化,最后用 GPT-OSS 补全测试用例。这种组合拳在实测中效率提升明显。

三、Antigravity vs Cursor:差异对比

很多朋友关心它和 Cursor 的区别,通过一天的重度使用,整理了以下对比维度:

维度Google AntigravityCursor Pro差异分析
模型策略第一方集成 Gemini 3 / Claude 4.5主要是 Claude 3.5 / GPT-4oAntigravity 在模型选择上目前更加激进,且预览期门槛更低。
推理速度TPU 加速优化标准 API 速度在大型上下文推理时,Antigravity 的延迟控制表现不错。
Agent 能力原生支持浏览器/终端控制需配置 ComposerAntigravity 的 Agent 自主性更强,适合复杂的自动化任务。
隐私合规强调企业级隔离标准合规对于对数据安全敏感的团队,Google 的基础设施可能具有一定优势。
上手成本公共预览期免费订阅制目前 Antigravity 对尝鲜用户非常友好。

四、使用中遇到的问题(避坑指南)

虽然功能强大,但作为一个预览版(Preview)软件,目前存在以下局限性,建议大家理性看待:

  1. 网络环境要求高:由于服务器节点原因,国内直连体验不佳,容易出现连接超时或响应延迟。建议在良好的网络代理环境下使用,否则可能会影响模型推理速度。
  2. 扩展兼容性:虽然兼容 VS Code 插件生态,但部分冷门插件在 UI 渲染上可能存在小 Bug。
  3. 稳定性:在公共预览的高峰期,偶尔会出现排队或 Overload 的提示。

五、总结与建议

Google Antigravity 的发布,给 AI 编辑器领域带来了新的竞争,这对开发者来说是好事。

推荐以下人群尝试:

  • 希望体验 Gemini 3 和 Claude 4.5 最新编码能力的开发者。
  • 习惯 VS Code 生态,不想改变现有操作习惯的用户。
  • 对 Agent 自动执行任务(如自动跑测试、自动查文档)感兴趣的朋友。

目前官网(antigravity.google)已开放下载,建议大家可以先作为备用编辑器体验一下,看看是否契合自己的工作流。


本文仅代表个人体验,欢迎在评论区交流你的使用心得。

Read more

OpenClaw配置Bot接入飞书机器人+Kimi2.5

OpenClaw配置Bot接入飞书机器人+Kimi2.5

上一篇文章写了Ubuntu_24.04下安装OpenClaw的过程,这篇文档记录一下接入飞书机器+Kimi2.5。 准备工作 飞书 创建飞书机器人 访问飞书开放平台:https://open.feishu.cn/app,点击创建应用: 填写应用名称和描述后就直接创建: 复制App ID 和 App Secret 创建成功后,在“凭证与基础信息”中找到 App ID 和 App Secret,把这2个信息复制记录下来,后面需要配置到openclaw中 配置权限 点击【权限管理】→【开通权限】 或使用【批量导入/导出权限】,选择导入,输入以下内容,如下图 点击【下一步,确认新增权限】即可开通所需要的权限。 配置事件与回调 说明:这一步的配置需要先讲AppId和AppSecret配置到openclaw成功之后再设置订阅方式,

【机器人】复现 StreamVLN 具身导航 | 流式VLN | 连续导航

【机器人】复现 StreamVLN 具身导航 | 流式VLN | 连续导航

StreamVLN 通过在线、多轮对话的方式,输入连续视频,输出动作序列。 通过结合语言指令、视觉观测和空间位姿信息,驱动模型生成导航动作(前进、左转、右转、停止)。 论文地址:StreamVLN: Streaming Vision-and-Language Navigation via SlowFast Context Modeling 代码地址:https://github.com/OpenRobotLab/StreamVLN 本文分享StreamVLN 复现和模型推理的过程~ 下面是示例效果: 1、创建Conda环境 首先创建一个Conda环境,名字为streamvln,python版本为3.9; 然后进入streamvln环境,执行下面命令: conda create -n streamvln python=3.9 conda activate streamvln 2、 安装habitat仿真环境

无人机和地面站能够达到的多远的通信距离?无人机需要飞多高?附在线计算网页

无人机和地面站能够达到的多远的通信距离?无人机需要飞多高?附在线计算网页

无人机和地面站能够达到的多远的通信距离?无人机需要飞多高?附在线计算网页 在无人机组网通信中,如何估算无人机与地面站之间的稳定通信距离是一个常见的问题。本文将从地球曲率和菲涅尔区两个方面,详细探讨如何计算无人机与地面站的通信距离,并提供一个在线计算网页以方便读者进行实际计算。 经常有朋友会问到这个问题, * 无人机组网通信中,如果已经知道了无人机的飞行高度、地面站天线的高度,那么无人机和地面站稳定通信距离是多少km? * 无人机组网通信中,如果已经知道了地面站天线高度、期望的稳定通信距离,无人机需要飞多高才能满足期望的通信距离? 解答这个问题,需要从以下两个方面来考虑: 1. 无线通信距离受到地球曲率的影响 2. 无线通信距离受到空间传输通道的影响。 注意:本文不讨论由于发射端EIRP不够,链路余量不足引起的通信距离不足的问题,所有的计算和分析都是假设发射端EIRP足够,链线余量足够,仅仅考虑地球曲率和空间传输通道的影响。 地球曲率(无线信号传输的视距模型):解决能否看见的问题 无人机与地面电台之间的最远通讯距离受地球曲率限制,通常采用考虑大气折射的无线电视距

AI不是前端/UI的“终结者”,而是提升的“加速器”

AI不是前端/UI的“终结者”,而是提升的“加速器”

最近团队里的讨论越来越频繁:“XX用AI生成可视化大屏原型,半天就交了初稿”“Figma的AI插件直接把线框图转成高保真,切图都省了”“领导说以后简单的管理系统界面,让AI先出一版再改”。随之而来的是藏不住的焦虑:连最吃经验的视觉排版、组件适配都能被AI搞定,我们这些前端/UI从业者是不是迟早要被替代? 这种焦虑并非空穴来风,但恰恰走进了一个认知误区——把AI当成了抢饭碗的“终结者”,却忽略了它作为效率工具的核心价值。对于我们做网站建设、数字孪生、工控界面这些业务的前端/UI人来说,AI从来不是要取代我们,而是帮我们跳出重复劳动、承接更多项目、拿到更高提成的“推进器”。搞懂这一点,才能在技术迭代中站稳脚跟,而不是被焦虑牵着走。 一、先厘清:前端/UI领域的AI,到底是什么? 先别忙着恐慌,我们先给行业里的AI工具定个性——它不是能独立完成项目的“超级程序员”,而是精准匹配前端/UI工作场景的“高级辅助工匠”。具体来说,就是基于大量行业数据训练,能快速完成重复性、模板化工作的工具集合,核心作用是“减少基础工作量”,而非“替代核心决策”。 我们可以按工作场景把这些AI工具分