Antigravity /teamwork 新进展:多代理何时值得并行

从 Google 11 月 13 日的新进展出发,以解析器迁移为例,拆解任务依赖、独立裁判、证据交接和预算分配,说明什么时候应增加代理,什么时候应退回顺序执行。

把一个工程任务交给十个代理,最常见的失望未必是它们写得不够快,而是十份看似完成的结果最后拼不到一起。接口假设不同、测试数据不同、错误处理约定不同,协调者只能重新读一遍全部过程。省下的编写时间,往往在合并时又花回去了。

Google Research 在 2026 年 11 月 13 日介绍了 Antigravity /teamwork 的新进展。对工程团队而言,值得注意的是它把并行探索与独立检查结合起来,并通过分隔上下文组织长任务;官方同时指出,紧密耦合的代码任务更适合顺序实现与修订。本文没有运行该产品,也不把官方展示当作本地项目的性能保证。Google Research 公告

我更关心一个可以落实的问题:已有一个能工作的单代理流程,什么时候值得把它改成多代理?判断依据应当是任务中存在多少可独立验证的分支,以及最终裁判能否负担增加的候选,而不是界面上能同时亮起多少个工作窗口。

先把“完成”从对话里拿出来

以一个假设项目为例:团队要把旧的日志解析器替换为新实现。输入是用户上传的文本,输出是按顺序排列的事件记录。要求保留旧版本已经约定的行为,并修复某一类畸形输入导致的内存膨胀。这个任务看起来很适合分工:一个代理研究旧代码,一个写新解析器,一个做性能优化,再安排一个检查安全。

问题是,四个角色各自宣布完成并不构成验收。研究者可能认为非法日期应直接拒绝,实现者可能将它转成空值,性能优化者可能跳过非法行,安全检查者却只测试了请求体大小。每份报告都合理,合在一起却没有一致的产品行为。

我会先冻结一份输入输出契约,至少明确编码、空行、重复字段、非法记录、顺序和资源上限。契约无法回答的问题进入待决清单,由负责人先作选择。代理可以提出修改建议,但不能因为自己的实现更方便就自行改变验收规则。否则系统会逐渐把“满足原需求”替换成“满足当前代码”。

这份契约也不必一次写成厚文档。选择十几个能区分关键行为的样例,比写“保持兼容、保证安全”更有效。例如同样出现重复时间戳,究竟保留两条记录,还是合并为一条;单条记录超限后,是整个请求失败,还是在错误列表中报告该行。确定这些决定,后续工作才有可以共同遵守的边界。

分工边界应该顺着依赖走

最容易独立的部分通常不是前端、后端、测试这种岗位划分,而是具有独立输入输出的工作单元。对于解析器迁移,整理已有样例、分析异常路径和设计内存测试可以并行,因为它们都读取同一份基线,输出的是可供核对的证据。实现新的公共数据结构与修改所有调用方则往往有顺序关系,过早拆开会制造大量无效协商。

可以画一个很小的依赖图:契约确认之后,兼容性样例和异常样例分别准备;新实现依赖契约;集成检查依赖新实现及两组样例;性能调优再依赖正确性基线。只有同一层里互不修改对方输入的工作,才默认允许并行。发生依赖变更时,受影响任务必须重新验证,不能沿用旧的通过记录。

Antigravity 早期的官方说明也区分了迭代编码和分布式编码两种组织方式,并把模式描述为角色、推进条件与任务结构的组合。这个区分比“一个代理还是多个代理”更有用:同一个项目的不同阶段,可以采用不同组织方式。Teamwork 模式说明,2026 年 8 月 27 日

这里有一个不太直观的取舍。为了让任务更独立,有时需要先花时间写适配层、固定接口或生成样例。如果项目只改一次且规模很小,准备成本可能高于并行收益;如果后面还会反复迁移相似模块,这些边界又可能成为可复用资产。不能把前期整理时间从多代理方案的账上扣掉,再宣布它比单代理快。

审核者不应先读作者的胜利宣言

作者知道自己尝试过哪些路线,因此很容易把最终方案解释得顺理成章。审核者如果先读“为什么它已经正确”,往往会沿着同一组假设继续检查。即使没有任何恶意,也可能漏掉双方从未想到的输入。

我会给第一轮审核者需求契约、待审代码和原始测试记录,不先给作者的长篇推理。审核任务也写得具体:寻找一个能让输出违反契约的输入,或者指出哪条契约目前缺少证据。等独立检查结束,再开放作者说明,用来解释设计动机和讨论修复。这样做不是要求审核者故意唱反调,而是降低早期叙述对检查路径的影响。

但干净上下文并不自动产生独立性。如果生成器和审核者都只见过相同的正常样例,都忽略了同一个错误分支,它们仍会一致通过。真正的差异应来自检验手段:执行固定样例、比较旧新输出、构造边界输入、检查资源消耗,各自回答不同的问题。第二个模型给出的赞同,只能算补充意见。

审核者还需要能够说“无法确认”。比如内存测试环境缺少隔离条件,测得的峰值受到其他进程影响,此时不能把不稳定数字压成一个漂亮结论。应保留原始日志和环境信息,把这个项目标记为未完成验证。让未知状态在流程中有合法位置,才能减少为了推进任务而虚报完成的压力。

候选越多,裁判越容易成为瓶颈

假设一次完整验证需要十分钟,而生成一个候选只需要两分钟。若同时启动二十个生成器,第一轮很快就会堆出二十份候选,但只有一个验证槽位时,排队检查可能需要数小时。继续增加生成并发,只会让队列更长。这里的数字只是容量推演,不是 Antigravity 的测量结果。

更合理的方式是分层过滤。先做格式、编译和短样例检查,明显失败的候选立即退回;通过后再跑完整兼容性集合;最后才进行昂贵的压力测试。每一层应记录淘汰原因,让下一轮避免重复同类错误。筛选的目的不是把难测的候选丢掉,而是把有限的验证资源分配给更可能有价值的方案。

快速检查也有危险。假设短样例主要是小文件,代理可能不断找到只对小文件有利的优化。如果所有晋级都按这套代理指标决定,最终赢家可能在大文件上退化。因此快速检查只能负责初筛,完整工作负载必须定期进入评估,且最后验收不能被代理指标替代。

在实际团队里,我会先测量候选产生速度与验证速度,再决定并发数。如果验证队列持续增长,先限制新候选;如果大多数候选都因同一条规则失败,先修订任务说明;如果正确候选很多但性能没有进展,才考虑增加不同策略的探索。并发应当跟随当前瓶颈变化,而不是从开工到结束固定一个数。

交接应交证据,而不是压缩聊天记录

长任务迟早需要换上下文。把此前一万行聊天压缩成“已经完成解析器,只剩性能优化”,看似节省了输入,却删除了最重要的边界:到底完成了哪个版本、哪些测试通过、哪些输入还没覆盖。

一个可用的交接包应包含稳定的产物标识、使用的契约版本、执行命令、原始结果位置、仍未解决的问题,以及禁止重复的失败路线。下列结构是本文提出的通用记录格式,不是 Antigravity 的实际配置接口,也不应直接作为它的 API 请求:

{
  "task": "parser-migration",
  "contract": "contract-v3",
  "candidate": "candidate-017",
  "baseline": "baseline-004",
  "checks": [
    {"name": "compatibility", "status": "passed", "evidence": "run-041"},
    {"name": "memory-limit", "status": "not-run", "evidence": null}
  ],
  "open_questions": [
    "需要在隔离环境验证超长单行输入"
  ]
}

这里最重要的是把没有执行与执行失败分开。没有运行内存测试,不意味着候选已经失败,但也不允许接手者把它当作已验证方案继续上线。证据标识还必须对应不可悄悄覆盖的记录。若候选代码改了,旧测试记录可以保留作历史比较,却不再证明新版本通过。

失败路线也应该保存,但不必保存全部闲聊。记录“逐行拼接在超长单行输入时仍可能无限增长”以及触发样例,比记录某个代理如何反复争论更有价值。接手者需要知道这个结论适用于什么条件,才能判断新方案是否真的绕开了旧问题,而不是换个变量名再次尝试。

共享记忆需要有保质条件

一条被写进共享笔记的结论,很容易在几轮之后失去来源。例如“旧解析器会忽略尾部空行”最初可能只是一个局部样例的观察,后来却被当成所有格式都适用的规则。多代理把信息传播速度提高了,也会提高未经核实的假设变成事实的速度。

我会把共享信息分成三种:原始观察、待验证解释和已接受约束。观察附带输入与版本;解释说明尚缺什么证据;约束必须对应已经确定的需求或验收决定。只有第三种可以直接限制后续实现。前两种可以启发探索,但不能静默升级为项目规则。

当基线、依赖或需求改变时,相关结论需要重新检查。一个在旧解析器上成立的兼容性行为,未必应该被永久继承;有些恰好是本次要修的缺陷。团队需要显式区分“为了兼容必须保留”和“历史上存在但允许修正”,否则越忠实地模仿旧实现,反而越难完成改造目标。

共享记忆也不宜只有正面成果。保留被反例推翻的断言,可以减少循环探索。但失效结论必须明确标记,不能与当前有效规则放在一起让模型自行猜测。整理记忆本身就是工程工作,应计入成本,而不是期待上下文窗口自然承担全部项目管理职责。

怎样做一次不夸大收益的试验

如果准备在团队内尝试,我会选一个可以回滚、又确实存在独立验证标准的小任务,而不是直接把核心系统整体交出去。解析器、格式转换器或局部数据处理模块都可能合适,前提是团队知道怎样判断结果正确。需求尚不明确、验收主要依赖审美争论的项目,暂时不适合用它证明多代理优势。

对照组至少保留一个顺序执行流程。两组使用同一需求、同一基线和相同的总资源上限,记录从开始到验收完成的时间,而不是只记第一次生成代码的时间。人工澄清、合并冲突、失败重试和最终检查都应计入。多代理若消耗了更多资源,报告中就同时展示资源成本,不能只拿墙钟时间讲故事。

测试集应区分开发阶段可见样例与最终保留样例。保留样例不需要神秘化,但不能在每轮失败后都泄露全部答案,再继续把下一次通过当作独立泛化能力。若必须公开某个失败样例用于修复,就把它移入开发集合,并另选新的验证样例。有限的样例永远无法覆盖全部行为,报告也应说明没有测到的输入空间。

值得观察的指标包括:最终通过率、人工介入次数、整体验收耗时、验证成本、重复劳动和合并返工。某次试验中,多代理比单代理慢,却发现了一条重要边界缺陷,这仍可能是有价值的结果;反过来,速度更快但需要更多人工补救,也不一定适合常规工作。评价标准必须与团队真正缺少的东西一致。

我会把并发预算优先给不同路线

如果一个代理已经拿到了清楚的需求和可运行的测试,继续增加几个只会复述相同实现的代理,边际收益可能很低。我更愿意把额外预算放在不同的候选策略、独立失败分析,或者专门检查最昂贵的错误类型。例如一个实现追求最小改动,另一个探索流式处理,而审核者重点检查超限输入和中断恢复。这样的分工才有机会扩大被检查的空间。

当任务高度耦合、基线不稳定、验证依赖人工且非常昂贵时,顺序执行通常更容易控制。当任务可拆分、候选容易生成、验证标准清楚且自动化程度高时,并行探索才更可能兑现价值。这个判断会随着项目阶段改变:前期可以并行研究,接口确定后顺序实现,最后再并行做不同类型的检查。

截至 2026 年 11 月 16 日,本文依据公开资料讨论组织方法,未复现 Google 的研究结果,未测量 /teamwork 的费用、延迟或成功率,也未验证其所有展示能力是否已对每个账户开放。真正值得从这轮进展带走的,是一个可以在本地试验中检验的主张:先让结果能够被独立判错,再增加探索者。没有这个前提,多代理很容易把未解决的问题写成更整齐的报告;有了它,并发才可能成为可管理的工程投入。

相关文章

评论

登录后即可参与讨论

暂无评论。