Google Antigravity: como combinar rules, skills e workflows para criar agentes de IA confiáveis

O Google Antigravity vem transformando o assistente de IA, antes um simples autocompletar, em um agente de engenharia configurável. Em vez de dar instruções avulsas, o desenvolvedor define regras de trabalho, habilidades específicas e cenários prontos, e depois dispara um processo de QA repetível com um único comando. Na prática, revisão de código, refatoração e geração de testes podem ser reunidas em um pipeline local, sem orquestradores externos e sem supervisão manual constante a cada etapa.

Três entidades: rules, skills, workflows

A ideia central gira em torno de três entidades. As rules estabelecem as restrições básicas do agente: estilo de código, práticas adotadas e os limites tecnológicos do projeto. As skills funcionam como pacotes de conhecimento reutilizáveis para tarefas específicas, como revisão, deploy ou escrita de testes. Os workflows encadeiam tudo isso em uma sequência de ações que pode ser acionada por um slash command. A documentação do Google compara os workflows a prompts salvos e as rules a instruções de sistema. Essa divisão em camadas evita que o agente carregue todo o conjunto de orientações no contexto de uma vez: as instruções especializadas entram só quando necessário.

Progressive disclosure e a estrutura de uma skill

O Google também aposta no progressive disclosure. Uma skill não fica o tempo todo no contexto do modelo: primeiro o agente vê apenas uma breve descrição dela e só carrega as instruções completas quando a tarefa de fato corresponde ao seu propósito. Isso reduz a sobrecarga de ferramentas e regras desnecessárias, diminui a latência e ajuda a não diluir o comportamento do modelo.

A skill, por sua vez, pode ser mais do que uma nota de texto: pode ser uma pequena pasta de projeto com o arquivo SKILL.md, scripts adicionais, materiais de referência e assets. As skills podem ficar armazenadas globalmente, para todos os projetos, ou localmente dentro de um workspace específico, quando dependem da stack e dos processos de uma única equipe.

Cenário prático: QA de código Python

O cenário prático analisado para o Antigravity é bem pé no chão: QA de código Python. No workspace, são criadas as pastas .agents/rules e .

agents/skills. Em seguida, entra uma regra para Python com os requisitos da PEP 8, uso do black para formatação e restrição a dependências open source gratuitas. Essa regra pode ser associada a uma máscara glob para todos os arquivos .

py, de modo que se aplique automaticamente a qualquer código Python. À parte, cria-se uma skill para geração de testes: ela fica em um diretório próprio, contém o arquivo obrigatório SKILL.md e descreve como o agente deve escrever a cobertura para o código já revisado.

Essa abordagem deixa a configuração modular: os padrões do projeto ficam separados dos comandos pontuais no chat. Sobre esses blocos, monta-se um workflow com um nome como qa-check. Nele, o agente recebe, em sequência, as tarefas de abrir o arquivo Python atual, encontrar bugs e violações de estilo, simplificar trechos ineficientes quando necessário, acionar a skill de testes e, por fim, entregar os testes unitários prontos com a recomendação de rodar o pytest no terminal.

Para a demonstração, usa-se uma função de divisão propositalmente descuidada, mal formatada e sem tratamento de divisão por zero. Depois de rodar o workflow, o agente não só reescreve o código de forma mais organizada como também propõe um conjunto de testes para valores normais, negativos e fracionários, além de um caso específico de divisão por zero com o erro esperado. Esse ponto é importante: aqui o Antigravity não fica na refatoração cosmética e leva a tarefa até um resultado verificável, em que a qualidade é confirmada pela lógica dos testes.

O que isso muda para as equipes

Essa abordagem tem duas consequências práticas. Primeiro, as equipes podem montar dentro da IDE rituais de engenharia repetíveis, sem uma camada de automação separada por cima do editor. Segundo, o agente de IA deixa de atuar como um interlocutor genérico e passa a funcionar como um executor especializado, com uma área de responsabilidade bem definida. Para o desenvolvimento, isso significa menos alternância manual entre revisão, correções e testes. Para o Google, é mais um passo para que o Antigravity concorra não só com assistentes de código, mas também com ambientes de trabalho agênticos completos.

Resumo:

• O Antigravity transforma o assistente de IA em um agente de engenharia configurável, com QA repetível a partir de um único comando.
• Três entidades: rules (restrições), skills (pacotes de conhecimento), workflows (slash command), além do progressive disclosure.
• No cenário de QA, o agente leva a tarefa até testes unitários verificáveis, em vez de apenas refatorar o código.