Gemanagte Agenten in der Gemini-API: Sandbox-Umgebungen, Fähigkeiten und persistente Agenten
Eine praktische Einführung in Googles Antigravity Managed Agents: die entfernte Linux-Sandbox, der Egress-Proxy, der mehrstufige Zustandsverlauf, die Skills, die benannten Agenten sowie die Produktionsmuster.
Quellen: Antigravity Managed Agents Tutorial: Ship Production AI Agents
Die Wand, auf die jeder Agent-Bauer stößt
Jeder, der bereits eine KI-Anwendung entwickelt hat, kennt dieses Problem. Von einem Sprachmodell wird erwartet, bei der Erstellung einer Website zu helfen, und es liefert sauberen Code. Danach passiert jedoch nichts, denn das Modell kann keinen Editor öffnen, die Datei speichern oder „Ausführen“ klicken, um zu prüfen, ob alles funktioniert. Die ganze Arbeit fällt somit auf den Entwickler zurück.
Bestehende Agent-Tools decken zwar mehr Bereiche ab, einschließlich des Startens von Servern und Durchführens von Tests. Dennoch bedeutet die eigene Nutzung weiterhin, sich mit mehreren Aufgaben auseinanderzusetzen:
- die Bereitstellung eines Sandboxes, damit das Modell Code ausführen kann, ohne Ihre Dateien zu löschen
- das Schreiben der Verbindungsmechanismen, die Daten zwischen den Modulen übertragen
- die Konfiguration der Tools, damit das Modell sie aufrufen, auf Ihre Daten zugreifen oder Skripte ausführen kann
Daraus ergeben sich weitere Betriebskosten, die alle notwendig sind, um einen sicheren Betrieb zu gewährleisten. So sieht es aus, wenn ein Modell einen Python-Skript schreiben und testen muss.
from google import genai
import subprocess
client = genai.Client()
# Step 1: Ask the model for code
response = client.models.generate_content(
model="gemini-2.5-flash",
contents="Write a Python script that checks password strength and saves a report."
)
# Step 2: YOU must manually extract the code block from the text response
code = extract_code_from_markdown(response.text) # You wrote this function
# Step 3: YOU must save the file and run it locally
with open("password_checker.py", "w") as f:
f.write(code)
# ⚠️ Danger: Running untrusted AI-generated code on YOUR machine!
result = subprocess.run(["python3", "password_checker.py"], capture_output=True, text=True)
print(result.stdout)
Der Entwickler übernimmt alles: das Herunterladen des Codes aus der Antwort, Datei-Eingabe/Ausgabe, risikoreiche lokale Ausführung sowie die Fehlerschleife, die unweigerlich aktiviert wird, wenn etwas schiefgeht.
Könnte ein einziger API-Aufruf all das übernehmen? Googles Managed Agents-Framework sowie sein Leitagent Antigravity sollen genau das ermöglichen. Das Modell wird zu einem Service: Anstelle eines Chatbots, der nur Text zurückgibt, erhält man einen von Google verwalteten sicheren Cloud-Computer sowie einen mit dem Live-Internet verbundenen Linux-Arbeitsplatz.
Die folgende Tabelle vergleicht drei Ebenen von KI-Systemen.
Der Kern der agierenden Schleife
Angesichts einer Aufgabe rät ein Antigravity-Agent nicht einfach nur. Er arbeitet innerhalb einer kontinuierlichen Schleife, die durch echte Hardware unterstützt wird.
┌────────────────────────────────────────┐
│ 1. PLAN & REASON │
│ (Analyzes objective & breaks it down) │
└───────────────────┬────────────────────┘
│
▼
┌────────────────────────────────────────┐
│ 2. ACT │
│ (Executes a tool: Bash, Python, Web) │
└───────────────────┬────────────────────┘
│
▼
┌────────────────────────────────────────┐
│ 3. OBSERVE │
│ (Reads execution output, errors, data) │
└───────────────────┬────────────────────┘
│
└─── Loop back until task is complete
Dies geht über einen einzelnen Prompt und eine Antwort hinaus. Der Agent erstellt ein Skript, führt es aus, erkennt in der Terminalausgabe einen SyntaxError, behebt den Fehler und versucht es erneut – so lange, bis die Aufgabe abgeschlossen ist.
Die entfernte Sandbox
Jedes Mal, wenn ein Agent aufgerufen wird, startet Google einen dedizierten Arbeitsbereich.
Das Ergebnis ist ein echter Linux-Computer in der Cloud, der während der gesamten Dauer der Aufgabe dem Agenten gehört.
Zwei Ebenen hinter der API
Die Arbeit mit Managed Agents beinhaltet zwei getrennte Ebenen, auf die beide über die Gemini API zugegriffen werden können.
┌─────────────────────────────────┐
│ YOUR APP │
└────────┬───────────────┬────────┘
│ │
1. Define/Configure │ │ 2. Run Task
(System rules, ID) │ │ (Send Prompt)
▼ ▼
┌───────────────────────────────────┐ ┌───────────────────────────────────┐
│ THE CONTROL PLANE │ │ THE RUNTIME PLANE │
│ (Agents API) │ │ (Interactions API) │
├───────────────────────────────────┤ ├───────────────────────────────────┤
│ Saves persistent identity, system │ │ Spawns the Ubuntu sandbox, logs │
│ instructions, and data mounts. │ │ live traces, and processes loops. │
└───────────────────────────────────┘ └───────────────────────────────────┘
Die Control Plane, also die Agents API, ist der Ort, an dem ein Agent konfiguriert und registriert wird. Es ist wie das Erstellen eines Mitarbeiterprofils: Name, Systemanweisungen, individuelle Fähigkeiten sowie Repositorien zum Klonen. Dabei wird eine statische Agent ID zurückgegeben.
Die Runtime Plane, also die Interactions API, ist der Ort, an dem die eigentliche Arbeit stattfindet. Eine Aufgabe wird als „Interaction“ an eine Agent ID gesendet, und diese Ebene kümmert sich um die Bereitstellung des Sandboxes, den Ausführung von Tools, das Aufzeichnen von Überlegungsabläufen sowie die Steuerung des agilen Prozesses.
Sicherheit durch einen Egress-Proxy
Das Ausführen unüberprüfter Skripte durch einen autonomen Agenten ist riskant. Google isoliert die Umgebung mithilfe einer Egress-Proxy-Schicht.
┌─────────────────────────┐
│ REMOTE UBUNTU SANDBOX │
│ (No internal secrets) │
└───────────┬─────────────┘
│ Agent attempts outbound API call
▼
┌─────────────────────────┐
│ EGRESS PROXY LAYER │ ◄── Checks Domain Allowlist
├─────────────────────────┤
│ Intercepts connection, │
│ injects secrets securely│
└───────────┬─────────────┘
│ Safe, Authenticated Request Sent
▼
[ External Target API ]
Dies bietet drei Garantien:
- Keine Geheimnisse im Sandbox-Umfeld. API-Schlüssel und Datenbankpasswörter werden niemals im Arbeitsbereich des Agents gespeichert.
- Domain-Allowlisten. Sie entscheiden, auf welche externen Domains der Agent zugreifen darf.
- Header-Transformation. Bei Aufrufen an eine externe API fängt der Proxy die Anfrage ab, überprüft die Domain gegen die Allowliste und fügt eigenständig das Authentifizierungstoken hinzu. Die Daten gelangen zurück zum Agenten, während der private Schlüssel vor ihm verborgen bleibt.
Ein erster Agent in etwa fünf Minuten
Anforderungen
- Python 3.10 oder neuer, wobei 3.12 empfohlen wird, da er mit der Sandbox-Laufzeit übereinstimmt
- google-genai SDK in Version 2.0.0 oder neuer (2.8.0 war zum Zeitpunkt der Erstellung aktuell)
Richten Sie eine virtuelle Umgebung ein und installieren Sie das SDK.
python3 -m venv managed-agents-env
source managed-agents-env/bin/activate # On Windows: managed-agents-env\Scripts\activate
# Install (or upgrade) the Google GenAI SDK
pip install -U google-genai
# Verify the version — must be 1.14.0 or later
python3 -c "import google.genai; print(google.genai.__version__)"
# Set your API key (get one at https://aistudio.google.com/apikey)
export GEMINI_API_KEY="your-api-key-here"
Falls Sie die lokale Einrichtung überspringen möchten, bietet Google AI Studio einen Abschnitt mit dem Template „Managed Agents“, der als interaktives Umfeld im Browser fungiert.
Ausführung der Beispiele
Jedes Beispiel hier ist ein vollständiges, eigenständiges Python-Skript. Speichern Sie es in einer Datei und führen Sie es anschließend aus.
# 1. Save the code to a file (an example name used here is hello_agent.py
vim hello_agent.py # or use any editor
# 2. Run it
python3 hello_agent.py
Jede Interaktion dauert je nach Aufgabe zwischen einer halben Minute und drei Minuten, da der Agent einen Sandbox startet, Code schreibt und ausführt, Fehler liest und iterative Anpassungen vornimmt. Einfache Aufgaben sind innerhalb einer Minute erledigt, während komplexe mehrstufige Abläufe pro Schritt zwei bis drei Minuten in Anspruch nehmen können.
Hello, Managed Agents
Vergleichen Sie den ungeschickten mehrstufigen Code von zuvor mit dem Äquivalent der Managed Agents.
from google import genai
client = genai.Client()
# One API call. One autonomous agent. One remote Linux sandbox.
interaction = client.interactions.create(
agent="antigravity-preview-05-2026",
input="Write a Python script that generates 100 random exam scores between 0 and 100, "
"calculates the mean, median, and standard deviation, prints a summary, "
"and saves a grade distribution histogram as grade_report.png using matplotlib.",
environment="remote" # This provisions a secure Linux sandbox hosted by Google
)
print(interaction.output_text)
Führen Sie es aus.
python3 hello_agent.py
Die erste Interaktion ergab die folgende Ausgabe. Die Zahlen unterscheiden sich von Lauf zu Lauf, da die Daten zufällig sind.
I have successfully written and executed a Python script that generates 100 random exam scores, computes their key statistics, and plots a grade distribution histogram.
### 1. Generated Python Script (`generate_report.py`)
Here is the Python script, which is saved in the environment as `generate_report.py`. It uses `numpy` for data generation, `statistics` conventions for calculation (such as sample standard deviation), and `matplotlib` to generate a high-quality visualization.
```python
import numpy as np
import matplotlib.pyplot as plt
import statistics
def generate_and_analyze_grades():
# Set a random seed for reproducibility
np.random.seed(42)
# Generate 100 random exam scores between 0 and 100 (inclusive)
scores = np.random.randint(0, 101, size=100)
# Calculate statistics using Python's standard statistics module and NumPy
# (Using ddof=1 for sample standard deviation, which is standard for student grade samples)
mean_val = np.mean(scores)
median_val = np.median(scores)
std_val = np.std(scores, ddof=1)
# Print summary to console
print("=========================================")
print(" EXAM GRADE REPORT SUMMARY ")
print("=========================================")
print(f"Number of Students : {len(scores)}")
print(f"Minimum Score : {np.min(scores)}")
print(f"Maximum Score : {np.max(scores)}")
print(f"Mean Score : {mean_val:.2f}")
print(f"Median Score : {median_val:.2f}")
print(f"Standard Deviation : {std_val:.2f}")
print("=========================================")
# Create the histogram plot
plt.figure(figsize=(10, 6))
# Customize the grid and style
plt.grid(axis='y', linestyle='--', alpha=0.7, zorder=0)
# Draw the histogram with bins of size 10 (0-10, 10-20, ..., 90-100)
bins = range(0, 111, 10)
plt.hist(scores, bins=bins, color='#4A90E2', edgecolor='black', rwidth=0.85, zorder=3)
# Add labels and title
plt.title('Distribution of Exam Scores', fontsize=16, fontweight='bold', pad=15)
plt.xlabel('Exam Scores', fontsize=12, labelpad=10)
plt.ylabel('Number of Students', fontsize=12, labelpad=10)
# Mark Mean and Median with vertical lines
plt.axvline(mean_val, color='#D0021B', linestyle='dashed', linewidth=2, zorder=4, label=f'Mean: {mean_val:.2f}')
plt.axvline(median_val, color='#F5A623', linestyle='dotted', linewidth=2, zorder=4, label=f'Median: {median_val:.2f}')
# Set x-ticks to align with bins
plt.xticks(range(0, 101, 10))
# Add a legend
plt.legend(fontsize=11, loc='upper left')
# Add details text box on the plot
textstr = '\n'.join((
f'Total Students: {len(scores)}',
f'Mean: {mean_val:.2f}',
f'Median: {median_val:.2f}',
f'Std Dev: {std_val:.2f}'
))
props = dict(boxstyle='round', facecolor='wheat', alpha=0.5)
plt.gca().text(0.05, 0.75, textstr, transform=plt.gca().transAxes, fontsize=10,
verticalalignment='top', bbox=props)
# Adjust layout and save the figure
plt.tight_layout()
output_filename = 'grade_report.png'
plt.savefig(output_filename, dpi=300)
print(f"\nHistogram successfully saved to '{output_filename}'")
if __name__ == '__main__':
generate_and_analyze_grades()
```
---
### 2. Output Statistics Summary
Upon running the script in the sandbox environment, it produced the following output:
```text
=========================================
EXAM GRADE REPORT SUMMARY
=========================================
Number of Students : 100
Minimum Score : 1
Maximum Score : 100
Mean Score : 51.31
Median Score : 53.50
Standard Deviation : 29.70
=========================================
Histogram successfully saved to 'grade_report.png'
```
---
### 3. Generated Histogram Details (`grade_report.png`)
The script successfully outputted `grade_report.png` in high-resolution format (300 DPI) containing:
- **Clean Grid & Styling**: Standard light-gray horizontal grids to easily identify column heights.
- **Grade Bins**: Defined score ranges of size 10 (e.g., 0–10, 10–20, ..., 90–100) using custom spacing to give the columns a professional look.
- **Key Metrics Highlighted**:
- A red dashed line representing the **Mean** (`51.31`).
- A yellow dotted line representing the **Median** (`53.50`).
- **An Info Legend and Box**: In the top-left area summarizing all descriptive statistics for easy offline reference.
### How to Run it Yourself
If you want to run this script in another environment, ensure you have the required packages installed:
```bash
pip install matplotlib numpy
python generate_report.py
```
Was zurückkommt, ist eine Zusammenfassung in einfachem Englisch und nicht die Ausgabe des Programms. Sie beschreibt die Aktionen des Agents, nämlich den Code, den er geschrieben hat, die Pakete, die er installiert hat, und das Ergebnis, während die Skript- und Diagrammdateien selbst in der entfernten Sandbox verbleiben.
Das sind einige Zeilen verständlichen Codes. Im Hintergrund führt der Agent folgende Schritte aus:
- startet eine Ubuntu Linux Sandbox
- schreibt ein Python-Skript, um zufällige Daten zu erzeugen und Statistiken zu berechnen
- installiert
matplotlibeigenständig, ohne dass ihm mitgeteilt wird, es sei erforderlich - läuft das Skript aus und erzeugt ein Histogramm in
grade_report.png - gibt eine Zusammenfassung mit den Statistiken sowie die Bestätigung zurück, dass das Diagramm gespeichert wurde
Eine anspruchsvollere Aufgabe erfordert mehrere Werkzeuge zusammen.
from google import genai
client = genai.Client()
interaction = client.interactions.create(
agent="antigravity-preview-05-2026",
input="""
Research the top 5 most popular Python web frameworks in 2026.
For each framework:
1. Find the latest version number and release date
2. Count the GitHub stars
3. Write a comparison table in Markdown
""",
environment="remote"
)
print(interaction.output_text)
In diesem Ablauf durchsucht der Agent Google über Webbesuch, formt die Daten mithilfe von Codeausführung und speichert die Ergebnisse über Dateimanagement – alles vollständig eigenständig innerhalb einer einzigen API-Aufruf. Sein Ausgabeergebnis folgt.
The landscape of Python web development in **2026** is marked by a fascinating split [1, 2]. On one side, classic **backend-first** and **API-focused** frameworks (Django, FastAPI, Flask) remain the dominant standards for enterprise applications and microservices [3, 5]. On the other side, **pure-Python UI and full-stack** frameworks (Streamlit, Reflex) have seen explosive growth—driven by the need to build interactive web apps, data dashboards, and AI/ML interfaces without writing JavaScript or TypeScript [1, 2].
Below is an in-depth research report on the **top 5 most popular Python web frameworks in 2026**, ranked by GitHub stars and overall developer adoption.
---
### Detailed Breakdown of the Top 5 Python Web Frameworks
#### 1. FastAPI (99,034 GitHub Stars)
* **Latest Version:** `0.136.3` (Released: **May 23, 2026**)
* **Architecture Type:** ASGI (Asynchronous Server Gateway Interface)
* **Primary Focus:** High-Performance APIs and Microservices [4]
* **Core Philosophy:** FastAPI is designed to build APIs quickly with standard Python type hints. It leverages **Pydantic v2** for extremely fast data validation and serialization, and **Starlette** for high-concurrency async handling [3, 4]. It natively auto-generates interactive Swagger UI and ReDoc documentation.
* **Ideal Use Case:** AI/ML model deployment, backend APIs for single-page applications (React/Vue/Svelte), and low-latency microservices [5].
#### 2. Django (87,811 GitHub Stars)
* **Latest Version:** `6.0.6` (Released: **June 3, 2026**)
* **Architecture Type:** WSGI & ASGI (Fully async-supported)
* **Primary Focus:** "Batteries-Included" Monolithic Web Applications [4]
* **Core Philosophy:** As an 18-year industry standard, Django remains the premier full-featured web framework [2]. It handles everything—database routing (via its powerful ORM), administration panels, user authentication, form validation, and robust security defaults (SQLi, CSRF, XSS protection) [1]. In 2026, Django 6.x is highly optimized with full native asynchronous views and type hints [4].
* **Ideal Use Case:** Large-scale enterprise applications, content management systems, e-commerce platforms, and fast SaaS MVP development where you need a complete, secure architecture out of the box [2, 5].
#### 3. Flask (71,638 GitHub Stars)
* **Latest Version:** `3.1.3` (Released: **February 19, 2026**)
* **Architecture Type:** WSGI
* **Primary Focus:** Lightweight, Flexible Microframework [4]
* **Core Philosophy:** Flask provides a minimalist core, leaving the choice of database ORM, form handling, and security components completely up to the developer [1, 2]. Paired with modern 2026 extensions (SQLAlchemy 2.x, Pydantic), it represents a simple, un-opinionated foundation that never gets in the developer's way [3].
* **Ideal Use Case:** Small utility applications, lightweight APIs, microservices, and custom projects where developers want total control over their system design [1, 5].
#### 4. Streamlit (44,895 GitHub Stars)
* **Latest Version:** `1.58.0` (Released: **May 28, 2026**)
* **Architecture Type:** UI-First Scripting Paradigm
* **Primary Focus:** Rapid Data and Machine Learning Applications [1]
* **Core Philosophy:** Streamlit turns standard Python scripts into interactive, beautiful web apps in a matter of minutes. It handles the entire frontend and backend flow by re-running the script from top to bottom whenever a user interacts with a widget.
* **Ideal Use Case:** Quick data dashboards, machine learning model prototypes, and internal analytical tools for teams without frontend resources [1, 2].
#### 5. Reflex (28,467 GitHub Stars)
* **Latest Version:** `0.9.4` (Released: **June 4, 2026**)
* **Architecture Type:** Full-Stack Async React-Compiled
* **Primary Focus:** Interactive, Pure-Python Full-Stack Apps [2]
* **Core Philosophy:** Formerly known as Pynecone, Reflex compiles Python code into a high-performance **React/Next.js frontend** and a **FastAPI backend**, using real-time WebSockets to synchronize states between them [1, 2]. It bypasses JavaScript entirely, offering 60+ pre-built Radix UI components with native Tailwind integration [1, 2].
* **Ideal Use Case:** Complex, interactive web applications, real-time streaming dashboards (e.g., AI chat applications, financial trackers), and user-facing SaaS applications built entirely in Python [2].
---
### Other Honorable Mentions in 2026
While they didn't make the top 5 by GitHub stars, these frameworks are heavily utilized:
* **Tornado** (22,182 stars, v6.5.7, Released June 8, 2026): A mature, asynchronous networking framework ideal for long-lived WebSocket connections [4].
* **Sanic** (18,629 stars, v25.12.1, Released May 31, 2026): An ASGI web framework built for extreme speed and Flask-like simplicity, running on its own high-performance web server.
* **Litestar** (8,269 stars, v2.23.0, Released May 29, 2026): A highly structured, strict, and enterprise-grade ASGI alternative to FastAPI [3, 4].
---
### 2026 Python Web Frameworks Comparison Table
| Framework | GitHub Stars | Latest Version | Release Date | Architecture | Best For | Key Strength | Learning Curve |
| :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- |
| **FastAPI** | ~99,034 | `0.136.3` | May 23, 2026 | ASGI (Async) | High-performance API development & AI model deployments [4, 5] | Autogenerated Swagger docs, native Pydantic v2 validation [4] | **Easy / Moderate** |
| **Django** | ~87,811 | `6.0.6` | Jun 03, 2026 | WSGI / ASGI | Enterprise apps, content-heavy websites, secure SQL backends [1, 2] | "Batteries-included" (built-in admin, ORM, security, auth) [1, 2] | **Moderate / Hard** |
| **Flask** | ~71,638 | `3.1.3` | Feb 19, 2026 | WSGI (Sync-first) | Microservices, custom MVPs, lightweight apps [1, 5] | Unrivaled design flexibility, minimal core overhead [1] | **Very Easy** |
| **Streamlit**| ~44,895 | `1.58.0` | May 28, 2026 | Scripted Reactive | Data visualization dashboards & ML interactive tools [1] | Zero frontend experience needed; fast prototyping [1] | **Very Easy** |
| **Reflex** | ~28,467 | `0.9.4` | Jun 04, 2026 | Async React-compiled | Interactive, real-time SaaS & full-stack apps in pure Python [2] | True multi-page routing, state management without JavaScript [2] | **Moderate** |
---
### Guidance: Which Framework Should You Choose in 2026?
1. **Choose FastAPI** if you are building modern REST/GraphQL APIs, backend microservices, or deploying AI/ML models with high concurrency and automatic documentation [3, 5].
2. **Choose Django** if you are building database-driven business platforms or SaaS architectures where user authentication, administrative interfaces, and built-in security are paramount [1, 2].
3. **Choose Flask** if you need to build simple backend services or you want to hand-select every tool in your stack (e.g., combining custom database layers with external identity providers) [1].
4. **Choose Streamlit** if your core team consists of data scientists or business analysts who need to quickly present internal analytics, charts, and interactive widgets without building a complex web architecture [1, 2].
5. **Choose Reflex** if you want to build a fully interactive, production-ready full-stack application (with complex states, WebSocket interactions, and beautiful custom styles) but do not want to divide your team between Python and JavaScript [2].
---
### Sources & References
* [1] [Best Python Web Frameworks 2026 Compared - Reflex](https://reflex.dev/blog/top-python-web-frameworks/)
* [2] [Django vs Flask vs Reflex (April 2026) - Reflex](https://reflex.dev/blog/django-vs-flask-vs-reflex-comparison/)
* [3] [12 Modern Python Frameworks to Try in 2026 - Medium](https://medium.com/the-pythonworld/12-modern-python-frameworks-to-try-in-2026-e7089305bb19)
* [4] [5 top Python web frameworks of 2026 - Educative.io](https://www.educative.io/blog/top-python-web-frameworks)
* [5] [The Python Backend Framework Decision Guide for 2026 - Rollbar](https://rollbar.com/blog/python-backend-frameworks/)
Mehrfachgespräche mit anhaltendem Zustand
Standardmäßig startet jeder Aufruf von interactions.create() ein völlig neues, leeres Sandbox-Umfeld. Damit der Agent auf frühere Arbeiten aufbauen kann, müssen zwei IDs zurückgegeben werden.
from google import genai
client = genai.Client()
# Turn 1: Research and create a report
interaction_1 = client.interactions.create(
agent="antigravity-preview-05-2026",
input="Research the current state of carbon capture technology in 2026. "
"Write a comprehensive 500-word report and save it as report.md",
environment="remote"
)
print(f"Environment ID: {interaction_1.environment_id}")
print(f"Interaction ID: {interaction_1.id}")
print(interaction_1.output_text)
# Turn 2: Build on the previous work - same sandbox, same files
interaction_2 = client.interactions.create(
agent="antigravity-preview-05-2026",
environment=interaction_1.environment_id, # ← Re-attaches to same Ubuntu sandbox
previous_interaction_id=interaction_1.id, # ← Preserves conversation memory
input="Convert that report.md file into a clean index.html webpage "
"with modern inline CSS styling and responsive design."
" Please output the contents of the index.html file"
)
print(interaction_2.output_text)
Die erste Interaktion erzeugte eine report.md-Datei.
Environment ID: 5eb9b4b8-c02f-4a8f-b7a0-c90a796c01a6
Interaction ID: v1_ChdidXNuYXJLQkF1eWlqdU1QODRmUjJRZxIXYnVzbmFyS0JBdXlpanVNUDg0ZlIyUWc
I have researched the state of carbon capture, utilization, and storage (CCUS)
technology in 2026 and compiled a comprehensive 494-word report.
The report has been successfully saved to your environment as **`report.md`**.
Below is the full text of the report,
highlighting how the CCUS sector has transitioned from pilot-stage
demonstrations to industrial infrastructure in 2026.
***
# The State of Carbon Capture Technology in 2026: From Pilot to Infrastructure
## Executive Summary
....
## Point-Source Capture: The Current Backbone
...
## Scaling Direct Air Capture (DAC)
...
## Infrastructure, Transport, and Policy
...
## Key Challenges
...
***
### Sources Cited
* **[1] S&P Global:** [2026 CCUS: Navigating the tides of the great realignment](https://www.spglobal.com/energy/en/news-research/blog/energy-transition/041426-2026-ccus-navigating-the-tides-of-the-great-realignment) (April 2026)
* **[2] Carbon Herald:** [What's Next For Carbon Capture, Utilization & Storage (CCUS) In 2026](https://carbonherald.com/whats-next-for-carbon-capture-utilization-storage-ccus-in-2026/) (January 2026)
* **[3] Nature Tech Memos:** [Top 10 Carbon Capture Startups for Corporate Partnerships in 2026](https://www.naturetechmemos.com/p/top-10-carbon-capture-startups-for-corporate-partnerships-in-2026) (April 2026)
.....
Die zweite Interaktion nutzte die vorherige Umgebung und Interaktion erneut und bat um eine HTML-Version des Berichts, index.html, wobei ausdrücklich angegeben wurde, dass der HTML-Inhalt in der Antwort enthalten sein solle.
I have successfully converted your `report.md` file into a clean, modern, and highly responsive **`index.html`** webpage!
### What was done:
1. **Designed a cohesive palette:** Implemented a modern climate-tech inspired aesthetic using Slate (`#1e293b`) and a range of deep and light teals (`#0f766e`, `#14b8a6`, `#115e59`).
2. **Added an Interactive Stat Dashboard:** Created a high-level statistical summary card grid displaying key 2026 data at a glance (e.g., global Mtpa capacity, Stratos targets, US Section 45Q tax credits).
3. **Structured visual highlights:** Embedded two distinct grid comparison cards for the **Climeworks Mammoth** and **1PointFive Stratos** facilities, as well as a custom callout block highlighting the trans-European **Northern Lights** shipping route.
4. **Professionalized the typography & chemistry:** Used system-ui fonts for excellent loading speeds and correctly formatted all chemical formulas to standard subscripts (e.g., **CO<sub>2</sub>**).
5. **Citations & Interactivity:** Mapped the original references into clickable, superscript citation numbers (e.g., `[1]`) that link smoothly down to a beautifully bulleted "Sources Cited" section with custom index bullet styling.
The full HTML contents of the newly created `index.html` are shown below:
```html
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<meta name="viewport" content="width=device-width, initial-scale=1.0">
<title>The State of Carbon Capture Technology in 2026</title>
<style>
:root {
--primary: #0f766e;
--primary-light: #14b8a6;
--primary-dark: #115e59;
--bg: #f8fafc;
--card-bg: #ffffff;
--text-main: #1e293b;
--text-muted: #475569;
--accent: #0284c7;
--border: #e2e8f0;
--shadow: 0 4px 6px -1px rgba(15, 118, 110, 0.05), 0 2px 4px -2px rgba(15, 118, 110, 0.05);
--shadow-md: 0 10px 15px -3px rgba(15, 118, 110, 0.1), 0 4px 6px -4px rgba(15, 118, 110, 0.1);
}
* {
box-sizing: border-box;
}
body {
font-family: -apple-system, BlinkMacSystemFont, "Segoe UI", Roboto, Helvetica, Arial, sans-serif;
background-color: var(--bg);
color: var(--text-main);
line-height: 1.8;
margin: 0;
padding: 0;
-webkit-font-smoothing: antialiased;
}
<!-- LOTS MORE CSS STUFF :-) -->
footer {
text-align: center;
color: var(--text-muted);
font-size: 0.875rem;
margin-top: 4rem;
padding-top: 2rem;
border-top: 1px solid var(--border);
}
</style>
</head>
<body>
<header>
<div class="header-content">
<span class="meta">Special Intelligence Report</span>
<h1>The State of Carbon Capture Technology in 2026</h1>
<p>From Pilot to Infrastructure</p>
</div>
</header>
<main>
<!-- Key Metrics Dashboard -->
<div class="stats-grid">
<div class="stat-card">
<div class="stat-num">~73 Mtpa</div>
<div class="stat-label">Global Operational Capacity</div>
</div>
<div class="stat-card">
<div class="stat-num">500k Tons</div>
<div class="stat-label">Stratos DAC Annual Target</div>
</div>
<div class="stat-card">
<div class="stat-num">Up to $180</div>
<div class="stat-label">US 45Q Subsidy per Ton</div>
</div>
<div class="stat-card">
<div class="stat-num">36,000 T</div>
<div class="stat-label">Mammoth Iceland Capacity</div>
</div>
</div>
<div class="content-wrapper">
<!-- Executive Summary -->
<section id="executive-summary">
<h2>Executive Summary</h2>
<p>
In 2026, the Carbon Capture, Utilization, and Storage (CCUS) industry is undergoing an "industrial hardening" phase, transitioning decisively from demonstration-stage pilots to commercial-scale infrastructure<sup><a href="#ref-1" class="citation-link">[1]</a></sup>. Global operational capture capacity has reached approximately 73 million metric tons per annum (Mtpa) as of mid-2026, up from 50 Mtpa in early 2025<sup><a href="#ref-1" class="citation-link">[1]</a></sup><sup><a href="#ref-2" class="citation-link">[2]</a></sup>. This momentum is propelled by robust climate policies, corporate carbon-removal commitments, and the commissioning of megaton-scale facilities.
</p>
</section>
<!-- Point-Source Capture -->
<section id="point-source">
<h2>Point-Source Capture: The Current Backbone</h2>
<p>
Point-source carbon capture remains the commercial backbone of CCUS<sup><a href="#ref-2" class="citation-link">[2]</a></sup>. Technologies deployed at industrial and energy facilities—such as cement, steel, chemicals, and refining—now represent the vast majority of active capture capacity. Post-combustion chemical absorption using amine-based solvents is the most widely deployed technology<sup><a href="#ref-2" class="citation-link">[2]</a></sup>. Companies like Carbon Upcycling Technologies are successfully integrating capture systems with utilization, converting captured carbon dioxide (CO<sub>2</sub>) into high-quality construction materials, turning emissions from cement manufacturers into a low-carbon concrete feedstock<sup><a href="#ref-3" class="citation-link">[3]</a></sup>.
</p>
</section>
<!-- Scaling Direct Air Capture -->
<section id="dac">
<h2>Scaling Direct Air Capture (DAC)</h2>
<p>
Direct Air Capture is experiencing a dramatic scale-up<sup><a href="#ref-4" class="citation-link">[4]</a></sup>. Climeworks' "Mammoth" facility in Iceland, operational since May 2024, captures up to 36,000 tons of CO<sub>2</sub> annually, storing it permanently underground via Carbfix mineralization<sup><a href="#ref-4" class="citation-link">[4]</a></sup><sup><a href="#ref-5" class="citation-link">[5]</a></sup>. Meanwhile, 1PointFive's (a subsidiary of Occidental Petroleum) "Stratos" facility in Ector County, Texas, is entering active operation in 2026<sup><a href="#ref-4" class="citation-link">[4]</a></sup>. Designed to capture up to 500,000 tons of atmospheric CO<sub>2</sub> annually using liquid solvent technology licensed from Carbon Engineering, Stratos is currently the world’s largest DAC plant<sup><a href="#ref-4" class="citation-link">[4]</a></sup><sup><a href="#ref-6" class="citation-link">[6]</a></sup>.
</p>
<div class="highlight-grid">
<div class="highlight-box">
<h4>Climeworks: Mammoth (Iceland)</h4>
<p>Nameplate capacity of 36,000 tons/year. Relies on solid-sorbent collectors powered by clean geothermal energy with deep Carbfix basaltic storage.</p>
</div>
<div class="highlight-box">
<h4>1PointFive: Stratos (Texas)</h4>
<p>World's largest facility with 500,000 tons/year target. Employs liquid-solvent infrastructure designed for rapid regional scalability.</p>
</div>
</div>
<p>
Major technology firms (including Microsoft, Google, Meta, and Amazon) have signed multi-year offtake agreements for high-quality, durable carbon credits, paying between $200 and $300 per ton, though current baseline DAC capture costs remain high, between $400 and $1,000 per ton<sup><a href="#ref-3" class="citation-link">[3]</a></sup><sup><a href="#ref-7" class="citation-link">[7]</a></sup>.
</p>
</section>
<!-- Infrastructure, Transport, and Policy -->
<section id="infrastructure">
<h2>Infrastructure, Transport, and Policy</h2>
<p>
The commercial viability of carbon capture relies heavily on dedicated transportation and storage networks<sup><a href="#ref-2" class="citation-link">[2]</a></sup>. In Europe, 2026 marks the active operation of Norway’s "Northern Lights" project, the world's first open-source CO<sub>2</sub> transport and storage network<sup><a href="#ref-8" class="citation-link">[8]</a></sup>. For example, Yara's flagship Sluiskil ammonia plant in the Netherlands is liquefying up to 800,000 tons of CO<sub>2</sub> annually to be shipped by Northern Lights for permanent undersea storage<sup><a href="#ref-8" class="citation-link">[8]</a></sup>. Concurrently, Denmark’s "Greensand" offshore storage initiative is beginning operations<sup><a href="#ref-2" class="citation-link">[2]</a></sup>.
</p>
<div class="callout">
<div class="callout-title">The Trans-European Shipping Pathway</div>
<p>Northern Lights bridges emission-heavy inland industrial sites like Yara Sluiskil in the Netherlands directly with permanent injection storage wells beneath the North Sea seabed.</p>
</div>
<p>
On the policy front, the sector is heavily anchored by government subsidies. In the United States, the Inflation Reduction Act’s (IRA) modified Section 45Q tax credit provides up to $180 per metric ton for DAC and $85 per metric ton for point-source capture<sup><a href="#ref-9" class="citation-link">[9]</a></sup>. In the European Union, the Net Zero Industry Act has accelerated cross-border transport approvals, providing regulatory certainty.
</p>
</section>
<!-- Key Challenges -->
<section id="challenges">
<h2>Key Challenges</h2>
<p>
Despite rapid progress, critical bottlenecks persist. Chief among these is the high energy intensity of DAC, which requires 1.5 to 2.5 megawatt-hours (MWh) of zero-carbon energy per ton of captured CO<sub>2</sub><sup><a href="#ref-7" class="citation-link">[7]</a></sup>. Permitting delays for geologic injection wells—specifically the EPA’s rigorous Class VI permits in the United States—also restrict how fast captured carbon can be sequestered<sup><a href="#ref-4" class="citation-link">[4]</a></sup>. Overcoming these economic and infrastructure hurdles remains essential to achieving megaton targets by 2030.
</p>
</section>
<!-- Sources Cited -->
<div class="sources-section">
<h3>Sources Cited</h3>
<ul class="sources-list">
<li id="ref-1" data-index="1"><strong>S&P Global:</strong> <a href="https://www.spglobal.com/energy/en/news-research/blog/energy-transition/041426-2026-ccus-navigating-the-tides-of-the-great-realignment" target="_blank">2026 CCUS: Navigating the tides of the great realignment</a> (April 2026)</li>
<li id="ref-2" data-index="2"><strong>Carbon Herald:</strong> <a href="https://carbonherald.com/whats-next-for-carbon-capture-utilization-storage-ccus-in-2026/" target="_blank">What's Next For Carbon Capture, Utilization & Storage (CCUS) In 2026</a> (January 2026)</li>
<li id="ref-3" data-index="3"><strong>Nature Tech Memos:</strong> <a href="https://www.naturetechmemos.com/p/top-10-carbon-capture-startups-for-corporate-partnerships-in-2026" target="_blank">Top 10 Carbon Capture Startups for Corporate Partnerships in 2026</a> (April 2026)</li>
<li id="ref-4" data-index="4"><strong>Senken:</strong> <a href="https://www.senken.io/blog/top-direct-air-capture-carbon-removal-projects-buyers-guide" target="_blank">The Top 3 Direct Air Capture Carbon Removal Projects</a> (February 2026)</li>
<li id="ref-5" data-index="5"><strong>Climeworks:</strong> <a href="https://climeworks.com/plant-mammoth" target="_blank">Mammoth: our newest direct air capture and storage facility</a> (May 2024)</li>
<li id="ref-6" data-index="6"><strong>Carbon Credits:</strong> <a href="https://carboncredits.com/top-3-carbon-capture-leaders-to-drive-the-net-zero-race-in-2026/" target="_blank">Top 3 Carbon Capture Leaders to Drive the Net-Zero Race in 2026</a> (January 2026)</li>
<li id="ref-7" data-index="7"><strong>Energy Solutions Intelligence:</strong> <a href="https://energy-solutions.co/articles/sub/carbon-capture-direct-air-dac-cost-analysis" target="_blank">Direct Air Capture in 2026: Cost, Scale, and Path to $200/tCO2</a> (January 2026)</li>
<li id="ref-8" data-index="8"><strong>World Economic Forum:</strong> <a href="https://www.weforum.org/stories/2026/01/scale-carbon-capture-storage-climate-action/" target="_blank">How to scale carbon capture and storage for climate action</a> (January 2026)</li>
<li id="ref-9" data-index="9"><strong>International Energy Agency (IEA):</strong> <a href="https://www.iea.org/policies/16255-inflation-reduction-act-2022-sec-13104-extension-and-modification-of-credit-for-carbon-oxide-sequestration" target="_blank">Inflation Reduction Act 2022: Sec. 13104 Extension and Modification of Credit for Carbon Oxide Sequestration</a> (February 2026)</li>
</ul>
</div>
<footer>
<p style="text-align: center; color: var(--text-muted); font-size: 0.875rem; margin: 0;">© 2026 Carbon Capture Intelligence. Compiled June 2026.</p>
</footer>
</div>
</main>
</body>
</html>
```
Der generierte Bericht sieht so aus.
Die beiden IDs
Wie die Tabelle zusammenfasst, erfüllen die beiden IDs unterschiedliche Aufgaben.
Ein Tipp: environment_id kann ohne previous_interaction_id übergeben werden. Dadurch werden die Dateien sowie installierten Pakete wiederverwendet, doch eine neue Konversation wird gestartet – was geeignet ist, um den Arbeitsbereich für eine neue Aufgabe zu teilen.
Download von Dateien
Eine Möglichkeit besteht darin, den Agenten zu bitten, den Inhalt der Dateien in seiner Antwort mitzuliefern – doch das ist in der Regel nicht die bevorzugte Methode. Oft sollten die Dateien direkt aus dem Sandbox-Umfeld stammen. Die untenstehende Auflistung wiederholt die frühere mehrstufige Sitzung, bei der ein Markdown-Bericht sowie eine HTML-Version erstellt wurden, und fügt am Ende Code hinzu, der das gesamte Umgebungs-Snapshot als Tar-Datei herunterlädt und diese in einem lokalen Verzeichnis extrahiert. Das ist das, was die Managed Agents-Umgebung derzeit unterstützt.
import os
import requests
import tarfile
from google import genai
client = genai.Client()
# Turn 1: Research and create a report
interaction_1 = client.interactions.create(
agent="antigravity-preview-05-2026",
input="Research the current state of carbon capture technology in 2026. "
"Write a comprehensive 500-word report and save it as report.md",
environment="remote"
)
print(f"Environment ID: {interaction_1.environment_id}")
print(f"Interaction ID: {interaction_1.id}")
print(interaction_1.output_text)
# Turn 2: Build on the previous work - same sandbox, same files
interaction_2 = client.interactions.create(
agent="antigravity-preview-05-2026",
environment=interaction_1.environment_id, # ← Re-attaches to same Ubuntu sandbox
previous_interaction_id=interaction_1.id, # ← Preserves conversation memory
input="Convert that report.md file into a clean index.html webpage "
"with modern inline CSS styling and responsive design."
" Please output the contents of the index.html file"
)
print(interaction_2.output_text)
env_id = interaction_2.environment_id
api_key = os.environ.get("GEMINI_API_KEY")
response = requests.get(
f"https://generativelanguage.googleapis.com/v1beta/files/environment-{env_id}:download",
params={"alt": "media"},
headers={"x-goog-api-key": api_key},
allow_redirects=True,
)
with open("snapshot_env.tar", "wb") as f:
f.write(response.content)
os.makedirs("extracted_env_snapshot", exist_ok=True)
with tarfile.open("snapshot_env.tar") as tar:
tar.extractall(path="extracted_env_snapshot")
Zum Zeitpunkt der Erstellung gibt es keine SDK-Methode dafür, weshalb das Snapshot über einen direkten REST-Aufruf abgerufen wird. Nach dem Ausführen des Programms erscheinen die extrahierten Dateien in einem lokalen Ordner.
Agenten mit Fähigkeiten und Persönlichkeiten anpassen
Anstelle einer einzigen großen Prompt-String verwendet Antigravity ein Konfigurationsystem, das auf dem Dateisystem basiert. Wenn die Sandbox gestartet wird, sucht sie nach einem versteckten .agents/-Verzeichnis.
📁 Your-Project-Directory/
└── 📁 .agents/
├── 📄 AGENTS.md ← Global system instructions (persona, rules, standards)
└── 📁 skills/
└── 📁 data-cleaner/
└── 📄 SKILL.md ← Specific skill with step-by-step instructions
AGENTS.md als Persona
Diese Datei enthält die Grundregeln, Verhaltensbeschränkungen sowie Hintergrundinformationen zum Agenten – ähnlich wie ein README, das vor jeder Aufgabe gelesen wird.
SKILL.md für modulare Expertise
Fähigkeiten bündeln fachliche Kenntnisse in wiederverwendbaren Einheiten, wobei YAML-Frontmatter für Metadaten und Markdown für die Anweisungen verwendet wird.
---
name: data-cleaner
description: Use when the user needs to clean, normalize, or validate tabular data files.
---
# Data Cleaner
## When to Use
- User provides CSV, Excel, or JSON files that need cleaning
- Data has missing values, inconsistent formatting, or duplicate rows
## Steps
1. Load the data file using pandas
2. Profile the data: count nulls, duplicates, and type mismatches
3. Apply cleaning rules (fill nulls, normalize strings, deduplicate)
4. Save the cleaned output and generate a summary report
Die zentrale Idee ist progressive Offenlegung. Der Agent lädt den vollständigen Inhalt eines SKILL.md nur dann, wenn er entscheidet, dass die Fähigkeit für die aktuelle Aufgabe wichtig ist. Beim Start liest er lediglich name und description aus dem Frontmatter, wodurch das Kontextfenster sauber bleibt.
Falls eine Fähigkeit nicht wie erwartet ausgelöst wird, liegt der Grund fast immer in deren description im Frontmatter. Machen Sie diese genauer bezüglich des Zeitpunkts, zu dem die Fähigkeit aktiviert werden sollte.
Einen persistenten Agent erstellen
Für die Produktion kann eine Konfiguration für einen persistenten Agent einmalig registriert werden, sodass sie nicht wiederholt werden muss. Die Agents API erstellt einen benannten Agent – hier mit der Datenreinigungs-Fähigkeit aus dem vorherigen Abschnitt.
from google import genai
client = genai.Client()
# Register a reusable, named agent with the data-cleaner skill baked in
agent = client.agents.create(
id="my-csv-cleaner",
base_agent="antigravity-preview-05-2026",
system_instruction="You are a data quality engineer. Always use pandas for data manipulation. "
"Always generate a before/after summary showing what changed.",
base_environment={
"type": "remote",
"sources": [
{
"type": "inline",
"target": ".agents/AGENTS.md",
"content": (
"# Data Quality Agent\n\n"
"## Standards\n"
"- Never drop rows silently — log every removal with a reason\n"
"- Normalize all string columns to lowercase, stripped of whitespace\n"
"- Output cleaned files in UTF-8 CSV format\n"
"- Always print a summary table at the end\n"
)
},
{
"type": "inline",
"target": ".agents/skills/data-cleaner/SKILL.md",
"content": (
"---\n"
"name: data-cleaner\n"
"description: Use when the user needs to clean, normalize, or validate tabular data files.\n"
"---\n"
"# Data Cleaner\n\n"
"## When to Use\n"
"- User provides CSV, Excel, or JSON files that need cleaning\n"
"- Data has missing values, inconsistent formatting, or duplicate rows\n\n"
"## Steps\n"
"1. Load the data file using pandas\n"
"2. Profile the data: count nulls, duplicates, and type mismatches\n"
"3. Apply cleaning rules (fill nulls, normalize strings, deduplicate)\n"
"4. Save the cleaned output and generate a summary report\n"
)
}
]
}
)
print(f"Agent created with ID: {agent.id}")
Durch das Speichern als create_csv_cleaner_agent.py und dessen Ausführen wird ein persistentes Agent registriert, das über seine ID my-csv-cleaner adressierbar ist.
Um es in Betrieb zu nehmen, erstellen Sie zunächst eine CSV-Datei mit absichtlich unordentlichen Kundendaten unter dem Namen messy_customers.csv.
name,email,phone,country
John Smith,john@example.com,+14155551234,US
jane doe, JANE@EXAMPLE.COM ,4155559999,
John Smith,john@example.com,+14155551234,US
Bob Wilson,bob@@invalid,+442071234567,
María García,maria@test.com,+34612345678,Spain
alice brown ,alice@example.com,,US
Charlie Lee,charlie@test.com,+61412345678,AU
jane doe,jane@example.com,+14155559999,
Dann kann der Agent über die ID von überall innerhalb einer Anwendung aufgerufen werden, indem man ein Skript wie run_csv_cleaner_agent.py verwendet.
from google import genai
client = genai.Client()
# Read your local CSV file
with open("messy_customers.csv", "r") as f:
csv_content = f.read()
# Inject the file into the sandbox and tell the agent to clean it
interaction = client.interactions.create(
agent="my-csv-cleaner",
input="Clean the file at data/customers.csv. "
"Remove duplicate rows by email (case-insensitive), "
"standardize phone numbers to E.164 format, "
"fill missing 'country' fields by looking up the phone country code, "
"and flag any rows where the email format is invalid. "
"Generate a before/after summary showing what changed.",
environment={
"type": "remote",
"sources": [
{
"type": "inline",
"target": "data/customers.csv", # ← Path inside the sandbox
"content": csv_content # ← Your local file contents
}
]
}
)
print(interaction.output_text)
Der sources-Array in diesem Skript lädt vor dem Start des Agents Dateien in den Sandbox. Für den Agent ist data/customers.csv einfach eine normale Datei auf seinem Linux-Dateisystem, und er hat keine Ahnung, dass die Datei von einem lokalen Rechner übertragen wurde. Jeder Dateityp ist möglich – einschließlich CSV, JSON, XML, Python-Skripte und Konfigurationsdateien.
Beachten Sie, dass in der Anweisung nichts über pandas, UTF-8 oder Logging-Konventionen erwähnt wird. Diese Details befinden sich bereits in AGENTS.md und SKILL.md, die dem jeweiligen Agent beiliegen. Zudem wird die Skill „data-cleaner“ automatisch aktiviert, da der Aufgabentext zu ihrer description passt. Ein Beispiellauf wird weiter unten gezeigt.
I have successfully cleaned the customer dataset at `data/customers.csv` using Python and `pandas`.
Below is a detailed report and before/after summary of the transformations applied.
---
### Summary of Transformations
1. **whitespace Trimming:** Stripped all leading and trailing whitespace from both column names and text values (e.g., ` alice brown ` became `alice brown`).
2. **Email Normalization & Validation:**
- Converted all email addresses to lowercase and trimmed whitespace.
- Added a new column `email_invalid` (boolean) to flag emails with an invalid format.
- Identified `bob@@invalid` as an invalid format (due to a duplicate `@` symbol and lack of a top-level domain).
3. **Phone Number Standardization:**
- Standardized all valid phone numbers to the international **E.164** format using the `phonenumbers` library.
- Converted `4155559999` (with a default US region fallback) to `+14155559999`.
- Ignored the missing phone number for `alice brown` while leaving it empty.
4. **Country Code Lookup:**
- Looked up and populated missing `country` values based on the telephone country code prefix.
- Filled `jane doe`'s country as `US` (derived from prefix `+1`).
- Filled `Bob Wilson`'s country as `GB` (derived from prefix `+44`).
- Kept existing valid country entries (e.g., `Spain`, `US`, `AU`) intact.
5. **Deduplication:**
- Removed duplicate rows by performing a case-insensitive match on the cleaned `email` column, keeping the first occurrence.
- Safely removed the duplicate row for `john@example.com` (Row 3).
- Safely removed the duplicate row for `jane@example.com` (Row 8).
---
### Before/After Summary
#### 1. Data Quality Metrics
| Metric | Before Clean | After Clean | Change Description |
| :--- | :---: | :---: | :--- |
| **Total Rows** | 8 | 6 | 2 duplicate rows were removed. |
| **Duplicates Removed** | 0 | 2 | Dropped rows 3 (`john@example.com`) and 8 (`jane@example.com`). |
| **Invalid Emails Flagged** | 0 | 1 | Flagged `bob@@invalid` as invalid (`email_invalid = True`). |
| **Standardized Phone Numbers** | 1 | 5 | All numbers formatted to E.164 (e.g., `4155559999` -> `+14155559999`). |
| **Filled Country Fields** | 5 | 6 | Filled 2 missing country values (`US` and `GB`) via phone prefix lookups. |
#### 2. Row-by-Row Comparison
Below is the row-by-row evolution from the raw file to the cleaned output:
| Row # | Name (Before) | Name (After) | Email (Before) | Email (After) | Phone (Before) | Phone (After) | Country (Before) | Country (After) | Email Invalid Flag | Action Taken / Status |
| :---: | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :---: | :--- |
| **1** | `John Smith` | `John Smith` | `john@example.com` | `john@example.com` | `+14155551234` | `+14155551234` | `US` | `US` | `False` | Retained as first unique instance. |
| **2** | `jane doe` | `jane doe` | ` JANE@EXAMPLE.COM ` | `jane@example.com` | `4155559999` | `+14155559999` | *Missing* | `US` | `False` | Email normalized; Phone formatted to E.164; Country populated from `+1` prefix. |
| **3** | `John Smith` | — | `john@example.com` | — | `+14155551234` | — | `US` | — | — | **Removed** (Duplicate email). |
| **4** | `Bob Wilson` | `Bob Wilson` | `bob@@invalid` | `bob@@invalid` | `+442071234567` | `+442071234567` | *Missing* | `GB` | `True` | Country populated from `+44` prefix; Email flagged as invalid. |
| **5** | `María García` | `María García` | `maria@test.com` | `maria@test.com` | `+34612345678` | `+34612345678` | `Spain` | `Spain` | `False` | Retained; Email valid; Preserved existing country. |
| **6** | ` alice brown ` | `alice brown` | `alice@example.com` | `alice@example.com` | *Missing* | *Missing* | `US` | `US` | `False` | Name whitespace stripped; Phone left empty; Preserved existing country. |
| **7** | `Charlie Lee` | `Charlie Lee` | `charlie@test.com` | `charlie@test.com` | `+61412345678` | `+61412345678` | `AU` | `AU` | `False` | Retained; Email valid. |
| **8** | `jane doe` | — | `jane@example.com` | — | `+14155559999` | — | *Missing* | — | — | **Removed** (Duplicate email). |
---
### Cleaned Dataset Output
The cleaned data has been written back to `data/customers.csv` and contains the following records:
```csv
name,email,phone,country,email_invalid
John Smith,john@example.com,+14155551234,US,False
jane doe,jane@example.com,+14155559999,US,False
Bob Wilson,bob@@invalid,+442071234567,GB,True
María García,maria@test.com,+34612345678,Spain,False
alice brown,alice@example.com,,US,False
Charlie Lee,charlie@test.com,+61412345678,AU,False
```
Reale Anwendungsfälle
Sobald die Grundlagen gelegt sind, zeigen einige Agenten, wie sich die einzelnen Komponenten kombinieren, wobei jeder eine neue Funktionalität einbringt.
Anwendungsfall eins: Refactoring von Code und Behebung von Tests
Nehmen wir ein Python-Projekt mit veraltetem Code und fehlgeschlagenen Tests. Ein gewöhnliches LLM liefert nur Auszüge, wodurch der Entwickler diese manuell kopieren, die Tests ausführen, fehlerbeheben und iterativ arbeiten muss. Mit Antigravity kloniert der Agent den Code, führt die Testsuite aus, liest die Terminalfehler, behebt den Quellcode und führt die Tests erneut aus – bis alle bestehen.
Als Ziel dient ein Beispiel-Repository mit absichtlich fehlerhaftem Code. Es enthält drei Ursachefehler, die zusammen zu sechs fehlgeschlagenen Tests führen:
calculate_total()inutils.pyführt Rechenoperationen an einem Stringtax_ratedurch, ohne ihn in einen Float umzuwandeln.
normalize_name() in utils.py stürzt ab, wenn ihm None übergeben wird, da es keine Überprüfung auf Null gibt.Invoice.summary() in models.py bezieht sich auf self.total, das Methodenobjekt, anstatt self.total() aufzurufen.Der Agent, der damit umgeht, ist wie folgt definiert.
from google import genai
client = genai.Client()
system_instructions = """
You are an expert QA and Refactoring Engineer. Your workflow is:
1. Clone the target repository into the workspace
2. Install all dependencies from requirements.txt
3. Run the full pytest suite and capture all output
4. For each failing test:
a. Read the error traceback carefully
b. Open the source file causing the failure
c. Diagnose the root cause
d. Apply the minimal fix
5. Re-run pytest after each fix to confirm resolution
6. Continue until ALL tests pass (0 failures)
7. Generate a summary of every change you made
IMPORTANT: Make the minimal possible change to fix each test.
Do not refactor working code unnecessarily.
"""
interaction = client.interactions.create(
agent="antigravity-preview-05-2026",
system_instruction=system_instructions,
input="""
Clone this repository: https://github.com/rominirani/uc1-legacy-app
Run the pytest suite to check for environment or code failures.
Isolate the bugs causing test failures and fix them one by one.
Keep running the tests until you achieve a 100% pass rate.
When done, provide:
1. A list of all files modified with a diff summary
2. The final pytest output showing all tests passing
3. Any dependency changes you had to make
""",
environment="remote"
)
print(interaction.output_text)
Speichern Sie es als uc1_refactor.py und führen Sie es aus.
python3 uc1_refactor.py
Die erwartete Ausgabe folgt.
I have successfully diagnosed and resolved all the issues causing test failures in the `uc1-legacy-app` repository. Below is a detailed summary of the findings, modifications, and the final test execution output.
---
### 1. Modified Files & Diff Summary
#### File: `src/models.py`
- **Issue**: In the `Invoice.summary()` method, the `self.total` method itself was passed to `format_currency()` as an object, instead of being invoked (`self.total()`). This led to a `TypeError` during format evaluation.
- **Fix**: Changed `self.total` to `self.total()`.
- **Diff Summary**:
```diff
@@ -23,7 +23,7 @@ class Invoice:
"""Return a one-line summary of the invoice."""
from src.utils import format_currency, normalize_name
name = normalize_name(self.customer_name)
- return f"Invoice {self.invoice_id}: {name} - {format_currency(self.total)}"
+ return f"Invoice {self.invoice_id}: {name} - {format_currency(self.total())}"
```
#### File: `src/utils.py`
- **Issues**:
1. **`calculate_total()`**: When `tax_rate` is received as a string, Python fails to perform multiplication of float/string (`TypeError: can't multiply sequence by non-int of type 'float'`).
2. **`normalize_name()`**: When passed a `None` value (common in CSV imports), the code raised `AttributeError: 'NoneType' object has no attribute 'strip'`.
- **Fixes**:
1. Explicitly cast `subtotal` and `tax_rate` to `float` prior to calculating the tax.
2. Add a safeguard to return an empty string (`""`) when `name` is `None`.
- **Diff Summary**:
```diff
@@ -11,8 +11,10 @@ def calculate_total(subtotal, tax_rate):
Returns:
The total as a float rounded to 2 decimal places.
"""
- tax = subtotal * tax_rate / 100
- return round(subtotal + tax, 2)
+ subtotal_val = float(subtotal)
+ tax_rate_val = float(tax_rate)
+ tax = subtotal_val * tax_rate_val / 100
+ return round(subtotal_val + tax, 2)
def format_currency(amount):
@@ -36,6 +38,8 @@ def normalize_name(name):
Returns:
Cleaned, title-cased name.
"""
+ if name is None:
+ return ""
return name.strip().title()
```
---
### 2. Dependency Changes
No additional packages or dependency changes were made. All required libraries from `requirements.txt` (consisting of `pytest>=7.0.0`) were successfully installed and utilized without modification.
---
### 3. Final Pytest Output
Running the full suite confirms that all 10 tests now pass:
```
============================= test session starts ==============================
platform linux -- Python 3.12.3, pytest-9.0.3, pluggy-1.6.0
rootdir: /uc1-legacy-app
plugins: anyio-4.13.0
collected 10 items
tests/test_models.py .... [ 40% ]
tests/test_utils.py ...... [100% ]
============================== 10 passed in 0.02s ==============================
```
Ohne jegliche Anleitung führt der Agent aus:
- führt in der Sandbox-Terminal
git cloneaus - führt in der Python-Umgebung der Sandbox
pip install -r requirements.txtaus - führt
pytest -vaus und liest den gesamten Ausgabeinhalt ein, einschließlich der Fehlermeldungen - öffnet die fehlerhaften Quelldateien und findet die fehlerhafte Logik
- schreibt Korrekturen, speichert die Dateien und führt erneut
pytestaus - wiederholt diesen Vorgang, bis keine Fehler mehr angezeigt werden
Das ist der im Einsatz befindliche Planen, Ausführen, Beobachten-Zyklus. Der Agent erzeugt nicht nur Code – er führt ihn aus, liest die tatsächlichen Terminalausgaben ein und korrigiert sich selbst.
Anwendungsfall zwei: Wettbewerbsanalyse
Sagen wir, ein Team benötigt eine gründliche Wettbewerbsanalyse von Konkurrenzprodukten. Das Manuell-Scraping ist zeitaufwendig, und feste Scraper funktionieren ständig nicht mehr. Hier durchsucht das Tool Google mit seinen Suchfunktionen, durchforstet die Websites der Konkurrenten, kommt mit unterschiedlichen Seitenlayouts zurecht, schreibt eigene pandas-Skripte zur Organisation der Daten und exportiert ein fertiges Tabellenblatt.
from google import genai
client = genai.Client()
system_instructions = """
You are a precise Business Intelligence Analyst. Your workflow:
1. Use web search to find current, real-time information
2. Navigate to official product/pricing pages for each competitor
3. Extract: pricing tiers, key features, target audience, notable limitations
4. Structure ALL findings into a pandas DataFrame
5. Export to both CSV and a formatted Markdown comparison table
6. Include the date/time of research and source URLs for every data point
Rules:
- Only report data you can verify from official sources
- If pricing isn't publicly available, note "Contact Sales" - don't guess
- Use USD for all pricing normalization
"""
interaction = client.interactions.create(
agent="antigravity-preview-05-2026",
system_instruction=system_instructions,
input="""
Research the pricing models and core feature matrices of the top 3 alternative
platforms to Vercel for frontend deployment:
1. Netlify
2. Cloudflare Pages
3. Cloud Run
For each, extract:
- Free tier limits (bandwidth, builds, sites)
- Pro/paid tier pricing and what it unlocks
- Key differentiating features
- Notable limitations or complaints from developer communities
Create:
1. A competitive_matrix.csv spreadsheet with all data
2. A competitive_analysis.md report with a formatted comparison table
and a "Recommendation" section at the bottom
""",
environment="remote"
)
print(interaction.output_text)
Es erzeugt diesen Bericht.
As a Business Intelligence Analyst, I have conducted a precise competitive analysis of the top three frontend deployment alternatives to Vercel: **Netlify**, **Cloudflare Pages**, and **Google Cloud Run**.
All findings have been structured using `pandas` and exported to `/` (the current working directory) as:
1. `competitive_matrix.csv` — The raw, structured dataset.
2. `competitive_analysis.md` — A comprehensive, reader-ready report including a detailed markdown comparison matrix, architectural breakdowns, limitation analyses, and a tailored recommendation framework.
All data has been verified against official vendor pricing, product, and developer documentation as of **June 9, 2026**. All currency values are normalized in **USD**.
---
### Core Finding Highlights
#### 1. Netlify
* **The Architectural Shift (April 2026):** Netlify made a massive strategic update to its Pro plans, moving from a seat-based model ($19/member/month) to a **flat $20/month per organization** [10]. This includes unlimited team members (Owners, Developers, Reviewers, and Git Contributors) [10], which is highly disruptive compared to Vercel's strict per-seat billing.
* **The Credits Trap:** Usage is now managed entirely via a unified credit-based model (300 credits/mo free, 3,000 on Pro) [2, 10]. However, credits are consumed fast: bandwidth costs 20 credits per GB [2, 10] (meaning Free tier is only **~15 GB max** and Pro is only **~150 GB max** if solely used for traffic). If Free tier credits run out, **all site traffic pauses immediately** (no auto-recharge is supported on Free) [2, 11].
* **Capabilities:** Highly integrated features like Netlify Database (managed Postgres via Neon) [4], Blob storage, Forms, and Auth [10]. Serverless timeout is 10s on Free/Personal [2] and 26s on Pro [2].
#### 2. Cloudflare Pages
* **Unmetered Freedom:** Genuinely **unlimited and unmetered static bandwidth and requests** across all tiers (including the $0 Free tier) [24, 25, 27].
* **The Pro Tier ($20/mo billed annually / $25/mo monthly):** Tied directly to Cloudflare's Workers Paid plan [25, 27]. It increases build limits from 500/mo to 5,000/mo, concurrent builds from 1 to 5, and the file-count ceiling per project from 20,000 to 100,000 assets [31] (unlocked via the `PAGES_WRANGLER_MAJOR_VERSION=4` env variable) [31].
* **Edge Isolates Constraints:** While running serverless code on Cloudflare's global network of 310+ cities is blazingly fast with zero cold starts [24, 33], it uses a **strict V8 edge runtime** [24]. Standard Node.js library modules (`fs`, `path`, native `crypto`) do not run natively [24], forcing developers to compile meta-frameworks like Next.js via edge adapters (e.g., `@cloudflare/next-on-pages` or OpenNext) [24] which restricts certain features like Incremental Static Regeneration (ISR).
#### 3. Google Cloud Run
* **Pure Container Portability:** Cloud Run runs any application, language, or compiled binary (Node.js, Python, Go, Rust) packaged in a standard Docker container [37, 39]. It runs full Node.js natively [39], ensuring 100% Next.js feature parity (ISR, Server Actions, dynamic image optimization) with zero edge-runtime workarounds [39].
* **No Monthly Base Fee:** Operates on a pure pay-as-you-go serverless model (billed in granular vCPU-seconds and GiB-seconds) [41], backed by a generous Always Free tier (2 million requests/mo, 180,000 vCPU-seconds, 360,000 GiB-seconds, and 120 daily Cloud Build minutes free) [37, 38, 41].
* **The Infrastructure Overhead:** Not a standard "push-to-deploy" platform. Developers must write Dockerfiles, configure Artifact Registry, and manage IAM and networking [37, 39]. It is regionally hosted; to get a global CDN with SSL mapping, you must set up Cloud CDN and a Global HTTP Load Balancer [37] (~$20-$30/mo base fee) and navigate container cold starts (2 to 10+ seconds) [37] and expensive internet egress rates ($0.085 - $0.12 per GB) [37].
---
### Structure of Generated Files
#### 1. `competitive_matrix.csv`
A raw, tabular CSV structured for business intelligence pipelines, featuring the following schema:
- `Platform Name`
- `Free Tier Pricing (USD)`
- `Free Tier Bandwidth Limit`
- `Free Tier Build Limit`
- `Free Tier Sites/Projects Limit`
- `Free Tier Key Specs & Features`
- `Paid/Pro Tier Price (USD)`
- `Paid/Pro Tier Features Unlocked`
- `Key Differentiating Features`
- `Notable Limitations & Developer Complaints`
- `Date of Research`
- `Source URLs`
#### 2. `competitive_analysis.md`
A professionally formatted report including:
* **Executive Summary:** Contextualizing why frontend teams are exploring alternatives to Vercel in 2026.
* **Structured Comparison Table:** Transposed for high-density reading and side-by-side comparison.
* **Deep-Dive Section:** Dedicated analyses of the Free limits, paid features, unique differentiators, and community complaints for Netlify, Cloudflare Pages, and Google Cloud Run.
* **Architectural Recommendation Flowchart & Matrix:** Tailored decision pathways based on project profile:
* *Static / JAMstack / Zero-Budget* $\rightarrow$ **Cloudflare Pages**
* *Collaborative Teams / Rapid Prototyping / Seat-Free DX* $\rightarrow$ **Netlify**
* *Complex Server-Side Rendering / Backend Pipelines / Custom Docker* $\rightarrow$ **Google Cloud Run**
---
### Source Verification & Citations
1. **Netlify:**
- [Official Pricing & Plans](https://www.netlify.com/pricing/)
- [Introducing Seat-Free Collaborative Billing (April 14, 2026)](https://www.netlify.com/blog/pricing-netlify-for-3-billion-builders/)
- [Credit-Based Pricing Documentation](https://docs.netlify.com/manage/accounts-and-billing/billing/billing-for-credit-based-plans/credit-based-pricing-plans/)
- [Netlify Free Tier Credit Analysis (Temps)](https://temps.sh/compare/vs-netlify)
2. **Cloudflare Pages:**
- [Workers & Pages Pricing Matrix](https://www.cloudflare.com/plans/developer-platform/)
- [Official Pages Limits Documentation](https://developers.cloudflare.com/pages/platform/limits/)
- [Cloudflare Pages Platform Features](https://pages.cloudflare.com/)
- [Cloudflare Pages Edge Limitations (Temps)](https://temps.sh/compare/vs-cloudflare-pages)
3. **Google Cloud Run:**
- [Official Cloud Run Pricing Breakdown](https://cloud.google.com/run/pricing)
- [Google Cloud Free Tier Inclusions](https://cloud.google.com/free)
- [Cloud Run Quotas & Limits](https://docs.cloud.google.com/run/quotas)
- [Cloud Run Cost Optimization & Egress Guide (Cloudchipr)](https://cloudchipr.com/blog/cloud-run-pricing)
The generated files are saved directly in your working directory and are immediately available for download or integration into your reporting pipelines. Let me know if you would like me to modify the analysis parameters or explore a specific platform further!
Eine Nachverfolgung kann die vorherige Umgebung und Interaktion wiederverwenden, indem sie die erzeugte competitive_matrix.csv herunterlädt und diese in eine Visualisierung umwandelt. Der untenstehende Code lädt nur die textbasierte Antwort herunter, doch die zuvor gezeigte Herunterlade-Methode kann die erzeugten Dateien aus dem Sandbox-Umfeld extrahieren.
# Follow-up: generate a visual chart from the data we just collected
interaction_2 = client.interactions.create(
agent="antigravity-preview-05-2026",
environment=interaction.environment_id,
previous_interaction_id=interaction.id,
input="""
Using the competitive_matrix.csv you just created:
1. Create a grouped bar chart comparing the free tier limits across all 3 platforms
2. Create a pricing comparison chart for the paid tiers
3. Save both charts as PNG files with clear labels and a professional color scheme
4. Add the charts as embedded images in the competitive_analysis.md report
"""
)
print(interaction_2.output_text)
Das Konzept hier ist Webbesuch in Kombination mit Codeausführung in einer einzigen Aufgabe. Der Agent durchsucht das aktuelle Internet und schreibt anschließend Python-Code, um das Gefundene zu strukturieren und darzustellen – alles in einem durchgehenden Ablauf.
Muster, die in der Produktion Bestand haben
Rekonstruktionen sind unvermeidlich. Die Leistung von Modellen verbessert sich schnell, daher sollten Agenten so entworfen werden, dass sie bald mit neueren Modellen neu konstruiert werden. Halten Sie die Konfiguration modular, da die Dateien AGENTS.md und SKILL.md leicht ausgetauscht werden können, und überengineeringen Sie die Orchestrierungsschicht nicht.
Trennen Sie große Agenten auf. Vermeiden Sie einen riesigen Agenten mit einem 2.000-Wörter-langen Systemprompt. Teilen Sie komplexe Probleme in spezialisierte Unteragenten auf.
Betrachten Sie Fehler als Eingaben und nicht als Abstürze. In gut konzipierten agilen Systemen sind Fehler Daten, die der Agent zur Reflexion und Korrektur verwendet. Er liest einen TypeError, überlegt sich die Ursache und behebt sie. Vermeiden Sie allgemeine try/except-Blöcke, die Fehler verschlucken, und lassen Sie den Agenten sie erkennen.
Verwenden Sie evals anstelle von Unit-Tests. Das Verhalten eines Agents ist nicht deterministisch, daher sollte der Testaufwand sich auf Bewertungskriterien konzentrieren und nicht auf eine exakte Abgleich der Ausgabe.
# ❌ Don't: Assert exact output
assert agent_output == "The answer is 42"
# ✅ Do: Evaluate behavioral success rate
results = [run_agent(task) for _ in range(20)]
success_rate = sum(1 for r in results if r.meets_criteria) / len(results)
assert success_rate >= 0.85 # Agent succeeds at least 85% of the time
Kosten des Watch-Tokens. Da der Agent einen autonomen Reasoning-Zyklus ausführt, kann eine einzige Anfrage viele interne Operationen auslösen, wodurch sich die Kosten pro Aufgabe erheblich unterscheiden. Diese Tabelle gibt einen groben Überblick.
Verwenden Sie während der Entwicklung strenge Zeitlimits und überwachen Sie die Länge der Protokolle, sowie system_instruction, um den Agenten dazu aufzufordern, knapp zu bleiben, wenn keine ausführliche Begründung erforderlich ist.
Auf Fehler vorbereiten. Hier werden Fehlerbehandlungsstrategien für häufige Ausfallfälle zusammengefasst.
Wie es im Hintergrund funktioniert
Mehrere Mechanismen erklären das oben beschriebene Verhalten:
- Ein API-Aufruf,
interactions.create(), startet einen Server-seitigen Orchestrierungszyklus. Ein Gemini Flash-Modell setzt das Reasoning fort, wählt Werkzeuge aus, führt Code aus und prüft die Ergebnisse, bis die Aufgabe abgeschlossen ist.
environment_id in späteren Aufrufen werden Dateien und Zustände über mehrere Schritte hinweg beibehalten, wodurch es nicht notwendig ist, jedes Mal einen neuen Sandbox zu erstellen.client.agents.create() dauerhaft gespeichert und über die ID überall aufgerufen werden.Ideen für den nächsten Agenten
- Ein CI/CD-Agent, der ein GitHub-Repository überwacht, bei jedem Push Tests ausführt und bei Fehlern Korrektur-PRs erstellt
- Ein Dokumentationsgenerator, der eine Codebasis liest und vollständige API-Dokumentationen erstellt
- Ein Datenpipeline-Orchestrator, der sich mit einem Datenlager verbindet, Transformationen ausführt und die Ausgabe überprüft
- Ein Support-Triage-Agent, der Tickets liest, die Schweregrad einstuft, Entwürfe für Antworten erstellt und kritische Probleme weiterleitet
- Ein Forschungsassistent, der ein Thema wählt, nach wissenschaftlichen Arbeiten sucht und eine Literaturübersicht mit Quellenangaben verfasst
Was ändert sich
Gemanagte Agenten verändern die Art und Weise, wie KI entwickelt wird. Entwickler müssen nicht mehr die Infrastruktur um das Modell herum aufbauen, sondern geben ihm lediglich ein Ziel sowie einen Sandbox zur Arbeit. Der Sandbox stellt die Abstraktion dar, der agente Loop steuert ihn und die Interactions API ist der einzige Eingangspunkt. Ein sinnvoller Ansatz besteht darin, mit kleinen Schritten zu beginnen, klare Grenzen dafür festzulegen, was der Agent ohne Überwachung tun darf, und anschließend schrittweise auszubauen.