Google เปิดตัว Antigravity SDK รองรับโมเดล AI แบบ Local

23 ก.ย. 2026

วันนี้ Google ประกาศว่า Antigravity SDK เริ่มรองรับเวิร์กโฟลว์แบบ Local ร่วมกับโมเดลและตัวเลือกการประมวลผลที่หลากหลาย โดยประเดิมรองรับ Gemma 4 26B A4B เป็นอันดับแรก ผ่านการใช้งาน LiteRT ของ Google AI Edge

Antigravity SDK ช่วยให้นักพัฒนาสามารถสร้างเอเจนต์ที่มีความสามารถระดับเดียวกับที่ขับเคลื่อน Google Antigravity โดยการรองรับใหม่นี้จะช่วยให้การช่วยเหลือของเอเจนต์ผ่านโมเดล Local ทำงานได้แบบออฟไลน์สมบูรณ์แบบ ซึ่งทีมงานได้ปรับปรุงเวิร์กโฟลว์ให้เหมาะสำหรับ LiteRT และ Gemma 4 26B เพื่อดึงประสิทธิภาพจาก GPU และ RAM ของเครื่องมาใช้ให้ได้สูงสุด

การประมวลผลโมเดลแบบ Local มอบข้อดีสำคัญหลายด้านสำหรับการสร้างเอเจนต์ ได้แก่:

• ประสิทธิภาพด้านต้นทุน: รันเวิร์กโฟลว์ได้โดยไม่มีค่าใช้จ่าย API หรือการจำกัด Rate limits
• ความเป็นส่วนตัว: เก็บโค้ดและคำขอทั้งหมดไว้บนเครื่อง เหมาะสำหรับองค์กรที่มีข้อกำหนดด้านความปลอดภัยของข้อมูลเข้มงวด
• ความยืดหยุ่น: ทำงานได้อย่างราบรื่นแม้ในสภาพแวดล้อมที่ไม่มีอินเทอร์เน็ตหรือการเชื่อมต่อไม่เสถียร
• เวิร์กโฟลว์แบบไฮบริด: ผสมผสานความประหยัดของโมเดล Local เข้ากับพลังของโมเดลบนคลาวด์ขนาดใหญ่ได้เมื่อจำเป็น

สำหรับผู้ที่ต้องการเริ่มต้นใช้งาน เราแนะนำให้ใช้เครื่องที่มี VRAM หรือ Unified Memory มากกว่า 24GB โดยเริ่มจากการตั้งค่าสภาพแวดล้อมดังนี้:

python3 -m venv .venv
source .venv/bin/activate

pip install google-antigravity litert-lm
litert-lm import \
--from-huggingface-repo=litert-community/gemma-4-26B-A4B-it-litert-lm \
gemma-4-26B-A4B-it-gpu.litertlm \
gemma4-26b

จากนั้นให้สร้างไฟล์ชื่อ agy_sample.py ในไดเรกทอรีของคุณแล้ววางโค้ดต่อไปนี้:

import asyncio
import os
from google.antigravity import Agent, LiteRTAgentConfig
from google.antigravity.hooks import policy
# UPDATE: Point to the locally downloaded model from the previous step (litert-lm import ...)
MODEL_PATH = os.path.expanduser("~/.litert-lm/models/gemma4-26b/model.litertlm")
async def main():
print(f"Using local LiteRT model: {MODEL_PATH}. Please wait for local inference to complete. This could take several minutes.")
config = LiteRTAgentConfig(model_path=MODEL_PATH).lightweight()
async with Agent(config) as agent:
response = await agent.chat("What files are in the current directory?")
async for token in response:
print(token, end="", flush=True)
if __name__ == "__main__":
asyncio.run(main())

ในการทดสอบ เราพบว่ารูปแบบ Architect-Builder เป็นวิธีที่ยอดเยี่ยมในการดึงจุดเด่นของทั้งคลาวด์และ Local มาใช้ร่วมกัน ดังในวิดีโอสาธิตที่ใช้ Gemini 3.8 Flash บนคลาวด์เป็นสถาพานิกวางแผนงาน และใช้ฝูงโมเดล (Swarm) ของ Gemma 4 26B แบบ Local จัดการงานหนักบนอุปกรณ์โดยตรง

เมื่อทดสอบให้ตรวจสอบและแก้ไขโมเดลที่มีช่องโหว่ 3 โมดูล เวิร์กโฟลว์นี้ช่วยรักษาความเป็นส่วนตัวและประหยัดต้นทุนได้อย่างมีนัยสำคัญ โดย Gemini 3.8 Flash จะใช้ทอเคนเพียง 95 ทอเคนเพื่อวางกลยุทธ์จากชื่อไฟล์เท่านั้น โดยไม่มีการส่งซอร์สโค้ดออกไปนอกเครื่อง

จากนั้นโมเดล Gemma 4 26B แบบ Local จะรับช่วงต่อเพื่อรันลูปการตรวจสอบความปลอดภัย (Adversarial Audit) ทั้งการจำลองช่องโหว่และเขียนโค้ดแก้ไข ผลลัพธ์คือ 97.2% ของทอเคนทั้งหมด (3,322 ทอเคน) ทำงานแบบ Local ทำให้ได้แพตช์ที่ผ่านการตรวจสอบโดยที่โค้ดที่เป็นกรรมสิทธิ์ยังคงปลอดภัยอยู่บนอุปกรณ์ สามารถดูโปรเจกต์ตัวอย่างได้ที่นี่

นอกจากนี้ Antigravity SDK ยังโดดเด่นในการสร้างเครื่องมือระบบที่ใช้งานได้จริง เช่น เอเจนต์สามารถสร้างสคริปต์ Python สำหรับตรวจสอบทรัพยากรเครื่อง (Resource Monitor) ที่แสดงผลแบบ Real-time พร้อมไฟล์ requirements.txt และทดสอบการทำงานให้เสร็จสรรพจากการพรอมต์เพียงครั้งเดียว

cli_resource_monitor.py

import asyncio
import os
from google.antigravity import Agent, LiteRTAgentConfig
from google.antigravity.hooks import policy
# UPDATE: Your prompt
PROMPT = "Build a command-line interface tool using the psutil and rich libraries that displays a live-updating terminal dashboard. It should show CPU usage, memory consumption, and a sorted table of the top 5 most memory-intensive processes. Save the script as 'monitor.py' and create a 'requirements.txt' file. Test that it works."
# UPDATE: Point to the locally imported LiteRT-LM model path
MODEL_PATH = os.path.expanduser("~/.litert-lm/models/gemma4-26b/model.litertlm")
# UPDATE: Give AGY-SDK a workspace to write files
WORKING_DIR = os.path.expanduser("~/agy-test")
os.makedirs(WORKING_DIR, exist_ok=True)
os.chdir(WORKING_DIR)
async def main():
print(f"Using local LiteRT model: {MODEL_PATH}. Please wait for local inference to complete. This could take several minutes.")
config = LiteRTAgentConfig(
model_path=MODEL_PATH,
workspaces=[WORKING_DIR],
policies=[policy.allow_all()],
).lightweight()
async with Agent(config) as agent:
response = await agent.chat(PROMPT)
async for token in response:
print(token, end="", flush=True)
if __name__ == "__main__":
asyncio.run(main())

SDK นี้ยังรองรับการใช้งานแบบ Plug-and-play ร่วมกับเซิร์ฟเวอร์ที่เข้ากันได้กับ OpenAI เช่น Ollama, LM Studio หรือ vLLM ผ่าน LocalOpenAIAgentConfig ช่วยให้นักพัฒนามีความยืดหยุ่นในการสลับเปลี่ยน Inference Backends ได้ตามต้องการโดยไม่ต้องแก้เวิร์กโฟลว์หลัก

ผู้ที่สนใจสามารถเริ่มต้นใช้งานได้ที่ Antigravity Python SDK README และศึกษาการรันโมเดลบน Edge ได้ที่ LiteRT ทีมงานยินดีรับฟังคำติชมผ่าน GitHub เพื่อพัฒนาฟีเจอร์ใหม่ๆ ในอนาคต