Google Antigravity: Cómo Conectar Rules, Skills y Workflows para Agentes de IA Confiables

Google Antigravity está transformando gradualmente un asistente de IA de una herramienta de autocompletado en un agente de ingeniería personalizable: en lugar de sugerencias únicas, un desarrollador le proporciona reglas de trabajo, habilidades individuales y escenarios predefinidos, y luego inicia un proceso de QA repetible con un único comando. En la práctica, esto significa que la revisión de código, refactorización y generación de pruebas pueden ensamblarse en un pipeline local sin orquestadores externos ni supervisión manual constante en cada paso. La idea clave gira en torno a tres entidades.

Rules establecen restricciones básicas para el agente: estilo de código, prácticas aceptadas y marco tecnológico del proyecto. Skills actúan como paquetes de conocimiento reutilizables para una tarea específica, como revisión, despliegue o escritura de pruebas. Workflows vinculan todo esto en una secuencia de acciones que se puede invocar con un comando de barra.

En la documentación de Google, los workflows se comparan con prompts guardados, y rules se comparan con instrucciones del sistema. Esta estratificación es necesaria para que el agente no extraiga todo el conjunto de instrucciones en el contexto de una sola vez y conecte instrucciones especializadas solo según sea necesario.

Por separado, Google apuesta por la divulgación progresiva. Una skill no cuelga permanentemente en el contexto del modelo: primero, el agente ve solo una breve descripción de la skill, y extrae las instrucciones completas solo cuando la tarea realmente coincide con su propósito. Esto reduce la sobrecarga de herramientas y reglas innecesarias, disminuye la latencia y ayuda a evitar que el comportamiento del modelo se vuelva difuso.

La skill en sí puede ser más que una simple nota de texto: puede ser una pequeña carpeta de proyecto con un archivo SKILL.md, scripts adicionales, materiales de referencia y assets. Las skills se pueden almacenar globalmente para todos los proyectos o localmente dentro de un workspace específico si están vinculadas al stack y a los procesos de un solo equipo.

El escenario práctico discutido para Antigravity es bastante realista: verificación de QA del código Python. En el workspace, se crean carpetas .agents/rules y .

agents/skills, después de lo cual se añade una regla para Python con requisitos PEP 8, uso de black para formato y restricciones en dependencias de código abierto gratuito. Esta regla puede aplicarse a una máscara glob para todos los archivos .py de modo que se aplique automáticamente a cualquier código Python.

Por separado, se crea una skill para generación de pruebas: reside en su propio directorio, contiene un archivo SKILL.md requerido y describe cómo el agente debe escribir cobertura para código ya verificado. Este enfoque hace que la configuración sea modular: los estándares del proyecto viven separados de comandos únicos en el chat.

Sobre estos bloques, se ensambla un workflow con un nombre como qa-check. En él, se asigna secuencialmente al agente abrir el archivo Python actual, encontrar bugs y violaciones de estilo, simplificar secciones ineficientes si es necesario, luego llamar a la skill de prueba y finalmente generar pruebas unitarias listas con una recomendación de ejecutar pytest en la terminal. Para la demostración, se utiliza una función de división intencionalmente negligente con formato deficiente y sin manejo de división por cero.

Después de ejecutar el workflow, el agente no solo reescribe el código de manera más ordenada, sino que también propone un conjunto de pruebas para valores normales, negativos y fraccionarios, así como un caso separado para división por cero con un error esperado. Este es un punto importante: Antigravity aquí no se limita a refactorización cosmética, sino que lleva la tarea a un resultado verificable, donde la calidad se confirma por la lógica de prueba.

Este enfoque tiene dos consecuencias prácticas. Primero, los equipos pueden ensamblar rituales de ingeniería repetibles dentro del IDE sin una capa de automación separada sobre el editor. Segundo, el agente de IA comienza a funcionar no como un interlocutor universal, sino como un ejecutor especializado con una zona clara de responsabilidad. Para el desarrollo, esto significa menos cambio manual entre revisión, correcciones y pruebas, y para Google, otro paso hacia que Antigravity compita no solo con asistentes de código, sino con entornos de trabajo basados en agentes completos.