Google Antigravity: cómo combinar rules, skills y workflows para crear agentes de IA fiables

Google Antigravity está convirtiendo poco a poco al asistente de IA, que deja de ser un simple autocompletado para pasar a ser un agente de ingeniería configurable. En lugar de dar indicaciones puntuales, el desarrollador le asigna reglas de trabajo, habilidades específicas y escenarios predefinidos, y después lanza un proceso de QA repetible con un solo comando. En la práctica, esto significa que la revisión de código, la refactorización y la generación de tests pueden reunirse en un pipeline local, sin orquestadores externos y sin supervisión manual constante en cada paso.

Tres entidades: rules, skills, workflows

La idea central gira en torno a tres entidades. Las rules fijan las restricciones básicas del agente: el estilo de código, las prácticas adoptadas y el marco tecnológico del proyecto. Los skills funcionan como paquetes de conocimiento reutilizables para una tarea concreta, como la revisión, el despliegue o la escritura de tests. Los workflows enlazan todo esto en una secuencia de acciones que se puede invocar con un comando slash. La documentación de Google compara los workflows con prompts guardados y las rules con instrucciones de sistema. Esta separación por capas evita que el agente cargue en el contexto todas las indicaciones a la vez: las instrucciones especializadas solo se activan cuando hacen falta.

Progressive disclosure y estructura de un skill

Google también apuesta por la progressive disclosure. Un skill no permanece siempre en el contexto del modelo: al principio el agente solo ve una breve descripción y carga las instrucciones completas únicamente cuando la tarea encaja de verdad con su propósito. Así se reduce la sobrecarga de herramientas y reglas innecesarias, disminuye la latencia y se evita diluir el comportamiento del modelo.

Además, un skill puede ser algo más que una nota de texto: puede ser una pequeña carpeta de proyecto con un archivo SKILL.md, scripts adicionales, material de referencia y assets. Los skills pueden guardarse de forma global para todos los proyectos o de forma local dentro de un workspace concreto si dependen del stack y los procesos de un equipo.

Escenario práctico: QA de código Python

El escenario práctico que se analiza para Antigravity es bastante terrenal: el control de calidad de código Python. En el espacio de trabajo se crean las carpetas .agents/rules y .

agents/skills, y después se añade una regla para Python que exige PEP 8, usar black para el formateo y limitarse a dependencias open source gratuitas. Esta regla puede asociarse a una máscara glob para todos los archivos .py, de modo que se aplique automáticamente a cualquier código Python.

Aparte, se crea un skill para generar tests: vive en su propio directorio, contiene el archivo obligatorio SKILL.md y describe cómo debe el agente escribir la cobertura para un código ya revisado. Este enfoque hace que la configuración sea modular: los estándares del proyecto quedan separados de los comandos puntuales en el chat.

Sobre estos bloques se construye un workflow con un nombre del tipo qa-check. En él, el agente recibe en orden las tareas de abrir el archivo Python actual, encontrar bugs e infracciones de estilo, simplificar las partes ineficientes si es necesario, invocar después el skill de tests y, al final, entregar los tests unitarios listos con la recomendación de ejecutar pytest en la terminal. Para la demostración se usa una función de división deliberadamente descuidada, con mal formato y sin gestionar la división entre cero.

Tras lanzar el workflow, el agente no se limita a reescribir el código de forma más limpia: también propone un conjunto de tests para valores normales, negativos y decimales, además de un caso específico de división entre cero con el error esperado. Este punto es importante: aquí Antigravity no se queda en una refactorización cosmética, sino que lleva la tarea hasta un resultado verificable, en el que la calidad queda respaldada por la lógica de los tests.

Qué cambia para los equipos

Este enfoque tiene dos consecuencias prácticas. Primero, los equipos pueden montar dentro del IDE rutinas de ingeniería repetibles sin una capa de automatización aparte por encima del editor. Segundo, el agente de IA deja de funcionar como un interlocutor genérico y pasa a ser un ejecutor especializado con un ámbito de responsabilidad claro. Para el desarrollo, esto supone menos saltos manuales entre revisión, correcciones y testing; para Google, es un paso más para que Antigravity compita no solo con los asistentes de código, sino también con entornos de trabajo agénticos completos.

En resumen:

• Antigravity convierte al asistente de IA en un agente de ingeniería configurable, con QA repetible mediante un solo comando.
• Tres entidades: rules (restricciones), skills (paquetes de conocimiento), workflows (comando slash), además de progressive disclosure.
• En el escenario de QA, el agente lleva la tarea hasta tests unitarios verificables, en lugar de limitarse a refactorizar el código.