Google Antigravity : comment combiner rules, skills et workflows pour des agents IA fiables

Google Antigravity fait progressivement passer l'assistant IA du statut d'outil d'autocomplétion à celui d'agent d'ingénierie configurable. Au lieu de lui donner des consignes ponctuelles, le développeur définit des règles de travail, des compétences dédiées et des scénarios prêts à l'emploi, puis lance un processus QA reproductible d'une seule commande. Concrètement, la revue de code, le refactoring et la génération de tests peuvent être assemblés en un pipeline local, sans orchestrateur externe ni supervision manuelle permanente à chaque étape.

Trois briques : rules, skills, workflows

L'approche repose sur trois briques. Les rules fixent les contraintes de base de l'agent : style de code, pratiques adoptées et cadre technologique du projet. Les skills servent de paquets de connaissances réutilisables pour une tâche précise, comme la revue, le déploiement ou l'écriture de tests. Les workflows relient le tout en une séquence d'actions appelable par une commande slash. Dans sa documentation, Google compare les workflows à des prompts enregistrés et les rules à des instructions système. Ce découpage en couches évite que l'agent charge d'emblée toutes les consignes dans son contexte : il ne mobilise les instructions spécialisées qu'en cas de besoin.

Progressive disclosure et structure d'un skill

Google mise aussi sur la progressive disclosure. Un skill ne reste pas en permanence dans le contexte du modèle : l'agent ne voit d'abord qu'une courte description, et ne charge les instructions complètes que lorsque la tâche correspond réellement à sa fonction. Cela limite la surcharge d'outils et de règles superflus, réduit la latence et évite de diluer le comportement du modèle. Un skill peut d'ailleurs être davantage qu'une simple note textuelle : un petit dossier de projet avec un fichier SKILL.md, des scripts additionnels, de la documentation de référence et des assets. Les skills peuvent être stockés globalement pour tous les projets, ou localement dans un workspace donné s'ils dépendent de la stack et des processus d'une équipe.

Scénario pratique : QA d'un code Python

Le scénario pratique présenté pour Antigravity est très terre à terre : la vérification QA de code Python. On crée dans l'espace de travail les dossiers .agents/rules et .

agents/skills, puis on ajoute pour Python une règle imposant PEP 8, le formatage avec black et l'usage exclusif de dépendances open source gratuites. Cette règle peut être rattachée à un masque glob couvrant tous les fichiers .py, afin de s'appliquer automatiquement à tout code Python.

On crée ensuite un skill dédié à la génération de tests : il occupe son propre répertoire, contient le fichier obligatoire SKILL.md et décrit comment l'agent doit écrire la couverture d'un code déjà vérifié. La configuration devient ainsi modulaire : les standards du projet vivent à part des commandes ponctuelles du chat.

Par-dessus ces briques, on assemble un workflow nommé par exemple qa-check. L'agent y reçoit une série de tâches : ouvrir le fichier Python courant, repérer les bugs et les écarts de style, simplifier si nécessaire les passages inefficaces, puis appeler le skill de test et, pour finir, produire des tests unitaires prêts à l'emploi en recommandant de lancer pytest dans le terminal. Pour la démonstration, on prend une fonction de division volontairement bâclée, mal formatée et sans gestion de la division par zéro.

Une fois le workflow lancé, l'agent ne se contente pas de réécrire le code plus proprement : il propose une suite de tests pour des valeurs normales, négatives et décimales, ainsi qu'un cas dédié à la division par zéro avec l'erreur attendue. Le point est important : Antigravity ne s'arrête pas à un refactoring cosmétique, il mène la tâche jusqu'à un résultat vérifiable, dont la qualité est validée par la logique de test.

Ce que cela change pour les équipes

Cette approche a deux conséquences pratiques. D'abord, les équipes peuvent construire dans l'IDE des rituels d'ingénierie reproductibles, sans couche d'automatisation distincte au-dessus de l'éditeur. Ensuite, l'agent IA ne fonctionne plus comme un interlocuteur généraliste, mais comme un exécutant spécialisé au périmètre clairement défini. Pour le développement, cela signifie moins d'allers-retours manuels entre revue, corrections et tests ; pour Google, c'est un pas de plus pour qu'Antigravity rivalise non seulement avec les assistants de code, mais aussi avec des environnements de travail agentiques complets.

En bref :

• Antigravity transforme l'assistant IA en agent d'ingénierie configurable, avec une QA reproductible d'une seule commande.
• Trois briques : rules (contraintes), skills (paquets de connaissances), workflows (commande slash), plus la progressive disclosure.
• Dans le scénario QA, l'agent mène la tâche jusqu'à des tests unitaires vérifiables, au lieu de se limiter au refactoring.