一句话看懂：谷歌为 Antigravity SDK 增加了本地模型支持，让开发者把 AI 代理的代码密集工作留在自己的机器上，只把规划交给云端，从而降低 Token 成本并减少源码外传风险。
事件核心：发生了什么
根据 InfoQ CN 报道，谷歌在 Antigravity SDK 中引入了对本地模型的支持。开发者可以直接在本机构建和执行智能代理工作流，同时保留调用云端模型处理高层任务的能力，并在数据隐私、推理成本、网络依赖和算力分配上获得更多控制权。
核心机制是“架构师-构建者”混合编排：云端“架构师”只依据文件名和任务描述制定计划、拆分任务，不接触源代码；本地“构建者”则在隔离环境中执行复现漏洞、提出修复、审查补丁和跑回归测试等任务。谷歌在一项针对三个存在漏洞的 Python 模块的审计与修补演示中表示，约 3400 个 Token 里只有 95 个用于云端规划，97.2% 在本地消耗，且没有源码上传到云端。
初步实现主要基于谷歌 LiteRT 运行 Gemma 4 26B A4B 模型，同时也通过 LocalOpenAIAgentConfig 兼容 Ollama、LM Studio 和 vLLM 等 OpenAI 兼容的本地推理服务器。需要区分的是，Antigravity SDK 是用于编程构建代理的工具，Antigravity IDE 则是基于同一代理基础设施的集成开发环境。
为什么重要
目前公开信息显示，这套设计把“大模型推理放在哪里”变成可调参数，而不是默认全部上云。对企业而言，源码不出本机意味着合规和知识产权风险更容易控制，推理成本也更多取决于自有硬件而非云端 Token 账单。对云厂商和开源推理生态来说，它进一步确认了“云端规划 + 本地执行”的混合代理路线，也让本地推理服务器有了更多被编排的可能。
对用户/开发者/创作者的影响
开发者需要评估的不只是 Token 账单。Reddit 用户 FollowingTop3534 提出，云端 Token 占比不能说明本地运行是否更快或更便宜，建议同时看补丁接受率、运行时间和能耗；素材还提到推荐 24GB 以上显存或统一内存，这是一道硬件门槛。另一位用户 ambassadortim 强调企业可更自主地控制模型和变更时机；Latter_Crazy 则给出积极评价。这些均为社区个人观点，不代表谷歌官方结论。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是本地模型在实际代码审计中的补丁接受率和耗时能否经得起更多任务检验；二是 Ollama、vLLM 等第三方推理服务的支持成熟度；三是谷歌是否公布更多模型选项和定价信息，以及企业客户是否会因隐私诉求跟进类似架构。
来源：InfoQ CN
