用了很长时间才觉得自己有一定的资格来写评价。
Coding是一个很复杂的场景，而我本身写代码的场景并不多，缺少对coding agent进行benchmark的需求，也没怎么实际进行过测试。
在我这里，antigravity实际上并不算是一个足够好用的coding agent，它只能算是一个好用的通用助手，只是恰好把它作为coding agent而已。
在我的理解里，它在做的事情同时是两件：1. LLM act in a loop 2. 尽可能地让人类可以理解、观察和调整这个loop
为什么我这么说，首先要看官方的设计哲学
> Antigravity is our first product that brings four key tenets of collaborative development together: trust, autonomy, feedback, and self-improvement.
> Antigravity是我们首个将协作开发四大核心原则融合的产品：信任、自主、反馈和自我提升。
其次是artifacts
> Artifacts allow for the Agent to asynchronously communicate its work to the user, as opposed to requiring the user to carefully monitor every Agent step synchronously.
> Artifacts允许Agent异步向用户传达工作，而不必用户同步监控每一步。
从设计哲学和功能表达上，整个antigravity都是一种基于“规范”的工具，而不是基于“智能”或者“功能”的工具。
这表现在实际的执行中，就不是cursor那样简单的线性todolist，也不是cc或者其他agent一样你要求它做出的plan/claude.md/agent.md，而是
> AI 可以自己干活，但每一步都要留下“人类看得懂”的痕迹，方便审查
那么在实际体验中，我的感受是：丝滑、流畅、完整、可追溯。
这听起来其实并不像一个coding agent对吧，毕竟我只口不提这个流程对coding有多少帮助，至今为止还不讲上下文、不讲RAG、不讲mcp、不讲skills，因为实际是个人体感是不如cc。
但是，它可以轻而易举地，把一个用户描述，拆成有几十个check项的checklist，然后连续地执行。
这很像一个执行长时间工作的实习生，规范决定了实习生的工作范围，而搭载的模型决定了实习生的聪明程度，我只要review它给我提交的周报做出适当的评价就可以了。
你不能期待实习生给你完成一个复杂的算法任务，但你可以要求它搜集资料、整理并研究，在非常长的checklist下，你完全不用担心它像cursor一样为了省token尽早结束任务。
在免费的opus和gemini3 pro下，这表现得很有吸引力，我感觉到了一种token free的自由，这不是超强学习资源吗，让它爬东西下来，组织整理，给我做成文件索引，然后让我"渐进式学习"。
当然也不能说没有缺点，缺点就是：
喜欢把东西放在artifact里，而不落地
任务一多，artifacts就多，也不好管理
写代码完全看模型能力，这个agent框架本身并没有对写代码有额外的帮助
文档组织能力弱，看起来是提示词中的artifact让它对保持良好的文件结构有一些抗拒
再让我想我就想不到什么缺点了，这是免费的欸，还能对人家要求啥。