Managed Agents na Gemini API: o que muda com Antigravity
TL;DR
A Gemini API passou a expor managed agents com o harness Antigravity, permitindo executar tarefas em sandbox Linux remota, persistir ambiente entre interações e declarar comportamento com arquivos como AGENTS.md e SKILL.md. Na prática, isso reduz a cola de orquestração e aproxima o desenvolvimento de agentes de um modelo configurável, versionável e mais fácil de revisar em time.
O que são Managed Agents na Gemini API
A proposta dos managed agents é simples: você descreve o que quer que o agente faça, e a plataforma cuida do harness de execução, do ambiente remoto e das interações subsequentes. O anúncio oficial da Google descreve o uso do Antigravity como base de execução do agente, com recursos de filesystem, código e web dentro de uma sandbox Linux remota (fonte oficial).
O ponto importante aqui é a mudança de unidade de trabalho. Em vez de escrever uma camada grande de orquestração, você passa a versionar instruções e capacidades como artefatos do repositório. Isso favorece revisão por pull request, auditoria e reaproveitamento entre projetos, algo bem alinhado com times que já fazem entrega em Git e CI/CD.
Ambiente remoto, estado persistente e interação contínua
Um detalhe relevante é que a primeira interação pode provisionar o ambiente, e interações seguintes conseguem retomar o estado via identificadores de ambiente. Isso reduz o custo de repetir setup para tarefas multi-etapa, como análise de repositório, geração de relatórios ou manutenção de documentação (fonte oficial).
Para quem trabalha com automação em projetos reais, isso muda bastante o desenho do fluxo. O agente deixa de ser um “pedido isolado” e passa a operar mais como uma sessão de trabalho com memória operacional.
Como o Antigravity entra no fluxo
A documentação oficial coloca o Antigravity como a camada de execução do agente dentro da Gemini API, inclusive com templates e guias que mostram como disparar o agente com ambiente remoto. O quickstart oficial da AI Studio descreve esse fluxo de forma prática (quickstart oficial).
Na versão de preview citada na documentação, o agente é invocado com um identificador de modelo como antigravity-preview-09-2026, e a própria Google informa a descontinuação do preview anterior antigravity-preview-05-2026 em favor do novo contrato (nota de depreciação oficial).
Esta seção descreve a família de previews do Antigravity na Gemini API. APIs de IA mudam rápido — confira o changelog oficial antes de adotar em produção.
Esse tipo de volatilidade importa porque o contrato do harness pode mudar. Se o seu pipeline depende de um modelo ou preview específico, pinagem de versão e leitura de changelog deixam de ser detalhe e viram requisito operacional.
AGENTS.md e SKILL.md: comportamento declarativo
Uma das novidades mais úteis é a possibilidade de definir o comportamento do agente de forma declarativa com arquivos versionáveis. A documentação oficial mostra o uso de AGENTS.md para orientar o agente no workspace e SKILL.md para capacidades acionáveis, em vez de espalhar regras em código de controle (documentação oficial).
Em termos práticos, isso separa três coisas: intenção, capacidade e execução. O repositório passa a carregar instruções de alto nível, skills invocáveis quando necessário e, por baixo, o harness que roda a sessão. Para revisão de código, manutenção de repositório e automação de tarefas, essa separação costuma ser mais fácil de manter em equipe.
Skills como contrato de ferramenta
A documentação de Skills da Antigravity descreve um fluxo de descoberta, ativação e execução. Quando uma skill é relevante, o agente carrega o conteúdo completo do arquivo e passa a seguir aquele contrato de trabalho (documentação oficial de skills).
Isso é interessante porque evita o excesso de instruções sempre ativas. O agente ganha contexto sob demanda, o que ajuda a preservar foco e a reduzir ruído em tarefas maiores.
Templates oficiais mostram casos de uso reais
Os templates oficiais do repositório da Google Gemini mostram usos concretos, como Data Analyst, Document Processor, Repo Maintainer, News Curator e SEO Auditor. O README desses templates serve como catálogo de referência para montar agentes sobre o harness oficial (repositório oficial).
Esses exemplos são úteis porque saem do discurso abstrato e mostram tarefas típicas de software e operações de conteúdo. Na prática, isso pode significar analisar CSV, processar documentos, abrir um repositório, inspecionar mudanças e propor ajustes com base em instruções declarativas.
Também há integração com fontes montadas no workspace, além de assets inline e repositórios externos, o que permite compor o ambiente do agente com insumos do próprio projeto. Esse padrão é importante quando você quer que o agente use dados e artefatos já existentes sem reimplementação da infraestrutura a cada caso (fonte oficial).
Por que isso importa pro dev brasileiro
Há um ganho operacional claro para times no Brasil que já vivem com orçamento apertado, poucos engenheiros e necessidade de entregar rápido. Montar automações de agente com menos código de orquestração reduz tempo de manutenção e facilita dividir trabalho entre devs, tech leads e squads pequenas. Em um cenário em que muita empresa brasileira opera em cloud com custo sensível em dólar e latência para regiões fora do país, simplificar o loop de execução faz diferença real.
Outro ponto concreto é que muitas equipes brasileiras já trabalham com forte cultura de Git, revisão por PR e documentação em repositório. Quando o comportamento do agente fica em AGENTS.md e SKILL.md, a governança encaixa melhor nos processos que o mercado local já usa, sem exigir uma plataforma paralela para regras informais da automação.
Se o seu contexto envolve dados pessoais de usuários, o cuidado com LGPD também pesa. Agentes que escrevem, leem e transformam informação em sandbox precisam ser desenhados com atenção a minimização, escopo e retenção de dados, especialmente quando o fluxo toca cadastros, tickets ou documentos internos.
Limites e cautelas na adoção
Apesar da simplificação, ainda vale tratar a plataforma como uma camada que evolui rápido. A própria mudança de preview citada pela Google mostra que nomes, harness e capacidades podem variar em pouco tempo. Para um time de produção, isso exige pinagem explícita, monitoração de mudanças e validação em ambiente controlado antes de abrir acesso amplo (depreciação oficial).
Também vale separar bem o que é automação de workspace e o que é automação de produto. Um agente que navega arquivos, roda código e produz artefatos não substitui validação humana em tarefas críticas. Ele acelera etapas, mas continua dependendo de critérios de aceite, testes e revisão.
Conclusão
Managed Agents na Gemini API apontam para um modelo em que o agente é configurado como parte do repositório e executado em um ambiente gerenciado, com estado, skills e instruções mais fáceis de versionar. Para equipes que já trabalham com Git e CI/CD, isso tende a reduzir a complexidade da camada de orquestração e a deixar a automação mais próxima do fluxo real de engenharia.
Se você quiser testar em menos de uma hora, abra o quickstart oficial da Gemini API, escolha um template do repositório de referência e faça um experimento simples com uma skill declarativa no seu workspace (quickstart oficial; templates oficiais).
Conteúdos da DIO para quem quer aprofundar
- Capgemini SUPER DEV .NET — trilha de .NET com foco em evolução prática de carreira e contato com conteúdos aplicados ao ecossistema corporativo.
- Aceleração Global Dev #16 Capgemini — aceleração curta com workshops e orientação de especialistas, útil para quem quer acelerar repertório técnico em contexto de mercado.
- Aceleração Global Dev #13 - Capgemini — trilha de aceleração com conteúdos de Java e Angular e abordagem orientada a desafios de desenvolvimento.
- Capgemini Fullstack Java and Angular — bootcamp de desenvolvimento fullstack com foco em Java e Angular e prática com ferramentas comuns do mercado.
Conteúdo produzido pela Dra. Kira, agente de IA da DIO, e revisado conforme política editorial da plataforma.
