O Antigravity levou os agentes para a nuvem. O que fica de fora é o seu setup local

A descrição da própria equipe do Antigravity é o melhor resumo: suas tarefas rodam em máquinas virtuais independentes na nuvem, então você dispara uma tarefa, sai para o café, libera permissões pelo celular e volta para testes passando e um pull request limpo.
A versão 2.29 começou a ser liberada em 3 de novembro e a equipe confirmou os agentes remotos publicamente em 6 de novembro. O changelog lista 22 mudanças, e as duas que importam são os agentes remotos e um modo de voz construído sobre o Gemini Live.
A mudança é fácil de subestimar. Agentes de programação são software local desde que a categoria existe. Eles leem seus arquivos, rodam seus testes, usam suas ferramentas e param quando você fecha a tampa. Mover a execução para uma VM gerenciada muda o que o produto é, e também expõe quais partes da capacidade de um agente nunca estiveram no modelo.
Agentes remotos, e o que eles não são
O Antigravity já tinha um recurso chamado Remote Control, que comanda de outro dispositivo agentes rodando na sua própria estação de trabalho. Isso ainda exige que a estação esteja online. Agentes remotos são outra coisa: sessões e ferramentas executam em um ambiente isolado gerenciado pelo Google, então o trabalho continua quando o laptop dorme, o navegador fecha ou você troca o desktop pelo celular.
Você pode iniciar uma sessão pelo aplicativo de desktop, pela web em antigravity.google.com ou pela CLI com `agy --remote-agent`, que exige a versão 1.4.12 ou posterior.
Um projeto remoto anexa recursos. Repositórios do GitHub são clonados e montados via OAuth. Arquivos do Google Drive são lidos sob demanda. Você pode enviar arquivos diretamente, até 8 MiB cada, 50 arquivos, 100 MiB por projeto e 2 GiB por conta. O Google diz que as credenciais são criptografadas em repouso. Plugins para GitHub, Drive, Docs, Sheets, Slides e Calendar se conectam por OAuth.
Esses limites de upload são pequenos de um jeito que define para que o recurso serve. Oito mebibytes por arquivo serve para um script e não serve para um conjunto de dados. É um agente para trabalho de repositório e de documento, não para engenharia de dados.
A linha de elegibilidade é a linha interessante
Agentes remotos estão disponíveis em contas pessoais Google AI Pro e Ultra. Não no plano gratuito. Não no Google AI Plus. Não em contas corporativas Workspace ou Google Cloud.
Essa última exclusão é estranha para um recurso cujo cliente óbvio é uma equipe de desenvolvimento. Um plano de equipe iria querer projetos compartilhados, trilha de auditoria e um administrador capaz de revogar acesso. O Google lançou primeiro a versão de consumidor, o que mostra que a empresa está otimizando para o desenvolvedor individual que experimenta o produto, não para o departamento de compras.
Isso também significa que o fluxo “volte para um pull request limpo” é, por enquanto, um fluxo pessoal. Seu agente trabalha em uma VM gerenciada pelo Google sob sua assinatura pessoal, contra um repositório que você autorizou com sua própria conta do GitHub.
O que você perde na nuvem
A lista de recursos indisponíveis no modo remoto é a parte mais informativa da documentação: modo de impressão, busca de código, `/diff`, `/rewind`, ditado por voz, e servidores MCP, plugins e skills instalados localmente.
Leia esse último grupo de novo. Servidores MCP, plugins e skills são boa parte do que torna um agente de programação útil dentro de uma empresa específica. O esquema da API interna, o script de deploy, o runbook, o guia de estilo, a checklist de migração. Tudo isso mora localmente, instalado pelo desenvolvedor, muitas vezes apontando para endpoints internos que a VM na nuvem não alcança.
Então o recurso chega com uma divisão limpa. Um agente na nuvem recebe o repositório, a internet pública e a competência geral do modelo. Não recebe o seu ferramental local. Para trabalho greenfield isso está bem. Para o repositório bagunçado que precisa do wrapper interno de build para compilar, o agente vai bater em uma parede que não tem nada a ver com inteligência.
É um problema de transição e vai ser resolvido, provavelmente permitindo que equipes publiquem servidores MCP e skills aprovados em um projeto remoto. Até lá, a descrição honesta dos agentes remotos é: excelente para tarefas que só precisam de código e de um shell, limitado para tarefas que precisam da configuração da sua máquina.
Voz como canal de permissão
O modo de voz roda no Gemini Live, que ouve sua voz diretamente em vez de uma transcrição, então você pode interromper no meio da frase e ele se adapta. Você pode planejar, orientar mudanças e aprovar permissões em voz alta. A voz e a velocidade de reprodução são configuráveis, e o modo é limitado a conversas locais.
O detalhe que importa é a exceção: permissões rotineiras podem ser aprovadas por voz, ações destrutivas não podem.
É uma linha sensata e revela onde está o atrito de verdade. Um agente rodando por quarenta minutos vai parar várias vezes para perguntar se pode executar um comando, instalar um pacote ou apagar um arquivo. Cada parada é uma troca de contexto para o humano. Aprovar por voz elimina a troca de contexto nas chatas e mantém um ato físico para as que podem machucar.
O objetivo declarado é que você fale com o agente como falaria com um colega em uma chamada. Reconhecimento de fala é a parte fácil. Um colega em uma chamada pode ouvir “use Postgres em vez disso” e refazer o plano, enquanto um agente precisa que a instrução chegue no momento certo do loop.
O resto da semana foi na mesma direção
O Cursor lançou o Build Live Apps, que recebe uma descrição e produz um aplicativo web hospedado com banco Postgres, autenticação e varreduras de segurança, publicado atrás de um link compartilhável com SSO. O Cursor diz que seus próprios times usam para painéis, ferramentas internas de operação e portais de onboarding. A consequência interessante é que a etapa de deploy deixa de ser uma etapa.
A LangChain adicionou subagentes assíncronos ao Deep Agents, com cinco ferramentas para iniciar, verificar, atualizar, cancelar e listar tarefas em segundo plano. Uma atualização em uma tarefa em execução pode interromper e reiniciar, o que serve para uma correção como “use Postgres em vez disso”, ou entrar na fila até a execução atual terminar, o que serve para um acréscimo como “rode os testes quando terminar”. Tarefas inacabadas aparecem no prompt de sistema do orquestrador, e um subagente concluído é recolhido antes da próxima chamada de modelo do orquestrador ou o acorda com uma nova execução.
Três equipes separadas, três implementações da mesma ideia: o agente vira um serviço que roda continuamente, e o humano vira um aprovador que entra e sai.
O encanamento está quase resolvido
Junte as peças e a arquitetura fica visível. Execução em VMs na nuvem que sobrevivem ao seu hardware. Orquestração de subagentes com semântica explícita de interrupção e fila. Deploy como efeito colateral da geração. Voz como canal de aprovação. Um celular como superfície de controle.
O que não está resolvido é justamente aquilo em torno do que tudo isso foi desenhado: o prompt de permissão. Todos esses sistemas ainda assumem que um humano decide, dezenas de vezes por dia, se um processo autônomo pode tomar uma ação irreversível. A resposta do Google é tornar a aprovação barata e mantê-la necessária para operações destrutivas. É o padrão correto e também é a admissão de que ninguém confia no agente para tomar essa decisão.
A próxima versão desse problema é uma camada de política: regras que dizem o que um agente pode fazer sem perguntar, limitadas a um repositório, um ambiente e uma janela de tempo, com registro de auditoria. Até isso existir, “dispare uma tarefa e vá embora” funciona exatamente enquanto nada incomum acontecer, o que é outra forma de dizer que funciona em demonstração.
Artigos relacionados
A NVIDIA abriu quatro modelos de mundo de 16B. O que ninguém mediu é o aprendizado de política
Quatro modelos de mundo abertos de 16B e um decodificador que emite geometria de uma só vez. A NVIDIA entregou as duas metades, mas admitiu que falta medir o aprendizado de política.
Quatro dos repositórios em alta no GitHub são bibliotecas de skills. O problema agora é empacotar
Skills de agente ocupam mais de um quarto das tendências do GitHub, vindas da Anthropic, Google e Cloudflare. O formato é simples; o empacotamento é um caos de quatro caminhos.
A Thinking Machines lançou um modelo de 594B e empurrou os pesos para a semana seguinte
O Inkling 2 Small chega com contexto de um milhão de tokens e visão como canal de verificação. Os pesos abertos, prometidos para a semana seguinte, ainda não têm data.
Um modelo denso de 65B vence rivais até oito vezes maiores. A conta é a verdadeira notícia
Um modelo denso de 65B da Ricursive lidera o Terminal-Bench 2.1 à frente de rivais de 500B ou mais. O número mais importante não é a nota, e sim os US$ 32 milhões gastos.