Google Antigravity : Comment Connecter Rules, Skills et Workflows pour des Agents IA Fiables

Google Antigravity transforme progressivement un assistant IA d'un outil d'autocomplétion en un agent d'ingénierie personnalisable : au lieu de suggestions ponctuelles, un développeur lui fournit des règles de travail, des compétences individuelles et des scénarios prêts à l'emploi, puis lance un processus QA répétable avec une seule commande. En pratique, cela signifie que l'examen du code, la refactorisation et la génération de tests peuvent être assemblés dans un pipeline local sans orchestrateurs externes et sans surveillance manuelle constante à chaque étape. L'idée clé s'articule autour de trois entités.

Rules établissent les contraintes de base pour l'agent : style de code, pratiques acceptées et cadre technologique du projet. Skills agissent comme des packages de connaissances réutilisables pour une tâche spécifique, comme l'examen, le déploiement ou la rédaction de tests. Workflows relient tout cela dans une séquence d'actions qui peut être invoquée avec une commande slash.

Dans la documentation de Google, les workflows sont comparés à des prompts sauvegardés, et rules sont comparés à des instructions système. Cette stratification est nécessaire pour que l'agent ne tire pas l'ensemble complet des instructions dans le contexte en une seule fois et ne connecte les instructions spécialisées que selon les besoins.

Séparément, Google mise sur la révélation progressive. Une compétence ne reste pas accrochée en permanence dans le contexte du modèle : d'abord, l'agent ne voit qu'une brève description de la compétence, et ne récupère les instructions complètes que lorsque la tâche correspond réellement à son objectif. Cela réduit la surcharge d'outils et de règles inutiles, diminue la latence et aide à éviter que le comportement du modèle ne devienne diffus.

La compétence elle-même peut être plus qu'une simple note textuelle—elle peut être un petit dossier de projet avec un fichier SKILL.md, des scripts supplémentaires, des matériaux de référence et des assets. Les compétences peuvent être stockées globalement pour tous les projets ou localement dans un workspace spécifique si elles sont liées à la pile et aux processus d'une seule équipe.

Le scénario pratique discuté pour Antigravity est assez terrestre : vérification d'assurance qualité du code Python. Dans l'espace de travail, les dossiers .agents/rules et .

agents/skills sont créés, après quoi une règle est ajoutée pour Python avec les exigences PEP 8, l'utilisation de black pour le formatage et des restrictions sur les dépendances open-source gratuites. Cette règle peut être appliquée à un masque glob pour tous les fichiers .py afin qu'elle s'applique automatiquement à tout code Python.

Séparément, une compétence est créée pour la génération de tests : elle se trouve dans son propre répertoire, contient un fichier SKILL.md obligatoire et décrit comment l'agent doit écrire la couverture pour le code déjà vérifié. Cette approche rend la configuration modulaire : les normes de projet vivent séparément des commandes ponctuelles dans le chat.

Au-dessus de ces blocs, un workflow est assemblé avec un nom comme qa-check. En lui, l'agent se voit assigner séquentiellement l'ouverture du fichier Python actuel, trouver des bugs et des violations de style, simplifier les sections inefficaces si nécessaire, puis appeler la compétence de test et finalement générer des tests unitaires prêts avec une recommandation d'exécuter pytest dans le terminal. Pour la démonstration, une fonction de division intentionnellement négligente est utilisée avec un formatage déficient et aucune gestion de la division par zéro.

Après l'exécution du workflow, l'agent ne se contente pas de réécrire le code de manière plus ordonnée, mais propose également un ensemble de tests pour les valeurs normales, négatives et fractionnaires, ainsi qu'un cas séparé pour la division par zéro avec une erreur attendue. C'est un point important : Antigravity ne se limite pas ici à une refactorisation cosmétique, mais mène la tâche à un résultat vérifiable, où la qualité est confirmée par la logique de test.

Cette approche a deux conséquences pratiques. Premièrement, les équipes peuvent assembler des rituels d'ingénierie répétables dans l'IDE sans une couche d'automatisation séparée au-dessus de l'éditeur. Deuxièmement, l'agent IA commence à fonctionner non pas comme un interlocuteur universel, mais comme un exécuteur spécialisé avec une zone de responsabilité claire. Pour le développement, cela signifie moins de basculement manuel entre l'examen, les corrections et les tests, et pour Google, une autre étape vers la création d'Antigravity pour concurrencer non seulement les assistants de code, mais les environnements de travail basés sur les agents.