Керовані агенти в API Gemini: пісочниці, навички та постійні агенти
Практичний огляд Google Antigravity Managed Agents: віддалена Linux-сандбокс-середовище, проксі для виходу, багатокроковий стан, навички, агенти з іменами та шаблони використання в продакшені.
Джерела: Antigravity Managed Agents Tutorial: Ship Production AI Agents
Стіна, з якою стикається кожен творець агентів
Кожен, хто створював AI-додаток, знає цю проблему. Від моделі мови просять допомогти запустити веб-сайт, і вона надсилає готовий код. Але потім нічого не відбувається, адже модель не може відкрити редактор, зберегти файл чи натиснути „Запустити“, щоб перевірити його роботу. Усю важку роботу доводиться виконувати розробнику.
Існуючі інструменти для агентів дійсно охоплюють більше функцій, включаючи запуск серверів та виконання тестів. Проте навіть при їх використанні доводиться вирішувати кілька завдань:
- надання сандбоксу, щоб модель могла виконувати код без знищення ваших файлів
- написання коду, який передає дані між модулями
- налаштування інструментів, щоб модель могла до них звертатися, отримувати доступ до ваших даних чи виконувати скрипти
Далі виникає більше операційних витрат, які всі необхідні для безпечної роботи системи. Ось як це виглядає, коли моделі потрібно писати та тестувати скрипти на Python.
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)
Розробник несе відповідальність за все це: отримання коду з відповіді, робота з файлами, ризикована локальна обробка та цикл виправлення помилок, який неминуче активується при виникненні проблем.
Чи може один виклик API взяти на себе все це? Фреймворк Managed Agents від Google та його ключовий агент Antigravity призначені саме для цього. Модель стає сервісом: замість чат-бота, який повертає лише текст, вона отримує захищений хмарний комп’ютер, яким керує Google, та робоче середовище Linux, підключене до інтернету.
У таблиці нижче порівнюються три рівні систем ШІ.
Основний цикл агента
При отриманні завдання агент Antigravity не просто здогадується — він працює у безперервному циклі, підтримуваному справжнім обладнанням.
┌────────────────────────────────────────┐
│ 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
Це виходить за межі простого запиту та відповіді. Агент складає сценарій, виконує його, бачить SyntaxError у вихідних даних терміналу, виправляє помилку та пробує знову, повторюючи цей процес до завершення завдання.
Віддалена пісочниця
Щоразу, коли запускається агент, Google створює спеціальне робоче середовище.
Результатом є справжній комп’ютер з Linux у хмарі, який належить агенту протягом усього часу виконання його завдання.
Два рівні за API
Робота з керованими агентами передбачає два окремі рівні, до яких можна отримати доступ через API Gemini.
┌─────────────────────────────────┐
│ 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. │
└───────────────────────────────────┘ └───────────────────────────────────┘
Площина керування, тобто API Agents, — це місце, де налаштовується та реєструється агент. Це схоже на створення профілю співробітника: ім’я, інструкції системи, власні навички та репозиторії для клонування. Вона повертає статичний ID агента.
Площина виконання, тобто API Interactions, — це місце, де відбувається робота. Завдання надсилається до ID агента у вигляді „Взаємодії“, і саме ця площина відповідає за створення сандбоксу, запуск інструментів, запис слідів міркувань та керування циклом дій агента.
Безпека через проксі виходу
Дозвіл автономному агенту виконувати неперевірені скрипти є ризикованим. Google ізолює середовище за допомогою шару проксі виходу.
┌─────────────────────────┐
│ 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 ]
Він забезпечує три гарантії:
- Жодних секретів у сандбоксі. Ключі API та паролі баз даних ніколи не зберігаються у робочому просторі агента.
- Списки дозволених доменів. Ви вирішуєте, до яких зовнішніх доменів може підключатися агент.
- Трансформація заголовків. При викликах зовнішнього API проксі перехоплює запит, перевіряє домен за списком дозволених та самостійно додає токен автентифікації. Дані повертаються до агента, тоді як приватний ключ залишається від нього прихованим.
Перший агент за приблизно п’ять хвилин
Вимоги
- Python 3.10 або новіша версія; рекомендується 3.12, оскільки вона сумісна з середовищем виконання сандбоксу
- google-genai SDK версії 2.0.0 або вище (на момент написання цього тексту актуальною була версія 2.8.0)
Створіть віртуальне середовище та встановіть 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"
Якщо ви хочете уникнути локальної налаштування, у Google AI Studio є розділ з шаблонами „Managed Agents“, який функціонує як інтерактивна середовище для роботи в браузері.
Запуск прикладів
Кожен приклад тут — це повний, самодостатній скрипт на Python. Збережіть його у файл, а потім запустіть.
# 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
Кожна взаємодія триває від півхвилини до трьох хвилин залежно від завдання, адже агент запускає сандбокс, пише та виконує код, читає помилки та вносить корективи. Прості завдання виконуються протягом хвилини, а складні ланцюжки з кількох кроків можуть займати від двох до трьох хвилин на кожен крок.
Привіт, керовані агенти
Порівняйте незграбний багатокроковий код з раніше описаного з еквівалентом, створеним за допомогою керованих агентів.
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)
Запустіть його.
python3 hello_agent.py
Перша взаємодія дала наступний результат. Числа варіюються з кожної нової спроби, оскільки дані є випадковими.
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
```
Те, що повертається, — це короткий опис англійською мовою, а не результат виконання програми. У ньому описуються дії агента: код, який він написав, пакети, які він встановив, та отримані результати, тоді як сам скрипт та файл з графіком залишаються у віддаленому сандбоксі.
Це кілька рядків зрозумілого коду. Насправді агент:
- запустив сандбокс Ubuntu Linux
- написав скрипт на Python для створення випадкових даних та обчислення статистики
- самостійно встановив
matplotlib, навіть не отримавши інструкції про це - запустив скрипт та створив гістограму у файл
grade_report.png - повернув огляд із статистикою та підтвердженням про збереження графіка
Більш складне завдання вимагає поєднання кількох інструментів.
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)
Під час цього виконання агент шукає інформацію в Google через перегляд веб-сторінок, обробляє дані за допомогою виконання коду та зберігає результати через керування файлами, усе це повністю самостійно протягом одного виклику API. Нижче наведений його результат.
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/)
Багатокрокові розмови з постійним станом
За замовчуванням кожен виклик interactions.create() створює абсолютно новий, порожній сандбокс. Щоб агент міг продовжувати роботу на основі попередніх дій, необхідно повернути два ID.
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)
Перша взаємодія створила файл report.md.
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)
.....
Друга взаємодія використала попереднє середовище та взаємодію та запитала версію звіту у форматі HTML, index.html, з чітким проханням надіслати відповідь із вмістом у форматі HTML.
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>
```
Оформлений звіт виглядає ось так.
Два ID
Як показано в таблиці, ці два ID виконують різні функції.
Одна порада: environment_id можна передавати без previous_interaction_id. Це дозволяє повторно використовувати файли та встановлені пакети, але розпочинає нову розмову, що підходить для розділення робочого простору для нового завдання.
Завантаження файлів
Одним із варіантів є запит до агента про розміщення вмісту файлу у його відповіді, хоча зазвичай це не є найкращим варіантом. Часто файл має надходити безпосередньо з сандбоксу. Наведений нижче приклад повторює попередню багатокрокову сесію, під час якої був створений звіт у форматі markdown та версія у форматі HTML, а також додано код, який завантажує повний знімок середовища у вигляді файлу tar та розпаковує його у локальну папку. Саме це наразі підтримується середовищем Managed Agents.
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")
На момент написання немає методу SDK для цього, тому знімок створюється шляхом прямого запиту REST. Після запуску програми вилучені файли з’являються у локальній папці.
Налаштування агентів за допомогою навичок та персон
Замість одного великого рядка інструкцій Antigravity використовує систему конфігурації, побудовану на файловій системі. Коли запускається сандбокс, він шукає приховану папку .agents/.
📁 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 як опис персонажа
Цей файл містить основні правила, обмеження поведінки та інформацію про проект агента; він діє подібно до README, який читається перед кожним завданням.
SKILL.md для модульних навичок
Навички об’єднують спеціалізовані знання у повторно використовувані одиниці, причому YAML frontmatter використовується для метаданих, а Markdown — для інструкцій.
---
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
Основною ідеєю є поступове розкриття інформації. Агент завантажує повний текст файлу SKILL.md лише тоді, коли вирішує, що ця навичка є важливою для поточного завдання. Під час запуску він читає лише name та description з фронтматеру, що допомагає підтримувати порядок у вікні контексту.
Якщо навичка не активується у очікуваний момент, причиною майже завжди є її description у фронтматері. Слід зробити опис більш конкретним щодо моменту, коли навичка повинна активуватися.
Створення постійного агента
Для продакшну конфігурацію постійного агента можна зареєструвати один раз, щоб її не доводилося повторювати. API Agents створює агента з іменем; у цьому прикладі — агента для очищення даних з попереднього розділу.
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}")
Зберігаючи цей код як create_csv_cleaner_agent.py та запускаючи його, створюється постійний агент, до якого можна звертатися за його ідентифікатором my-csv-cleaner.
Щоб активувати його роботу, спочатку створіть CSV-файл із навмисно заплутаними даними клієнтів під назвою 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,
Тоді агента можна викликати за його ідентифікатором з будь-якої частини додатку за допомогою скрипту на кшталт run_csv_cleaner_agent.py.
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)
Масив sources у цьому скрипті завантажує файли до сандбоксу ще до запуску агента. Для агента data/customers.csv є звичайним файлом у його Linux-файловій системі, і він не має жодного уявлення про те, що файл було надіслано з локальної машини. Підходить будь-який тип файлу: CSV, JSON, XML, скрипти на Python та конфігураційні файли.
Зверніть увагу, що у інструкціях нічого не сказано про pandas, UTF-8 чи правила логування. Ці деталі вже містяться у файлах AGENTS.md та SKILL.md, які постачаються разом із агентом, а навичка очищення даних активується автоматично, оскільки текст завдання відповідає її description. Нижче наведено приклад виконання.
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
```
Практичні сценарії використання
Коли основи вже закладені, кілька агентів демонструють, як поєднуються ці елементи, причому кожен з них додає нову функціональність.
Перший сценарій: рефакторинг коду та виправлення тестів
Візьмемо проект на Python із застарілим кодом та невдалими тестами. Звичайний LLM повертає уривки коду, залишаючи розробника з необхідністю їх копіювати, запускати тести, виправляти помилки та робити зміни вручну. За допомогою Antigravity агент клонує код, запускає тестовий набір, читає помилки з терміналу, виправляє вихідний код та знову запускає тести, продовжуючи цей процес до тих пір, поки всі вони не пройдуть.
Як мета використовується зразковий репозиторій із навмисно пошкодженим кодом. Він містить три основні помилки, які разом спричиняють шість невдалих тестів:
calculate_total()у файліutils.pyвиконує арифметичні операції над рядкомtax_rate, не перетворюючи його на число з плаваючою комою.
normalize_name() у файлі utils.py зупиняється з помилкою, коли передається значення None, оскільки немає перевірки на наявність значення.Invoice.summary() у файлі models.py посилається на об’єкт методу self.total, замість того щоб викликати self.total().Агент, який це обробляє, визначений таким чином.
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)
Збережіть його як uc1_refactor.py та запустіть.
python3 uc1_refactor.py
Нижче наведений очікуваний результат.
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 ==============================
```
Без жодної допомоги агент:
- виконує команду
git cloneу терміналі сандбоксу - виконує команду
pip install -r requirements.txtу Python сандбоксу - запускає
pytest -vта читає весь результат, включаючи повідомлення про помилки - відкриває файли-джерела з помилками та знаходить проблемну логіку
- писає патчі, зберігає файли та знову запускає
pytest - повторює процес, поки кількість помилок не стане нулем
Це і є робота циклу планування, виконання, спостереження. Агент не просто генерує код — він його виконує, читає справжній результат з терміналу та сам себе коригує.
Другий варіант застосування: конкурентний аналіз
Якщо команді потрібен ретельний конкурентний аналіз продуктів-конкурентів, ручний збір інформації є трудомістким, а статичні скрейпери постійно ламаються. У цьому випадку агент використовує інструменти для перегляду веб-сторінок, щоб шукати інформацію в Google, переглядати сайти конкурентів, працювати з різними макетами сторінок, писати власний скрипт на pandas для організації даних та експортувати готову таблицю.
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)
Воно створює цей звіт.
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!
У наступному кроці можна знову використати попереднє середовище та взаємодію, взяти створений файл competitive_matrix.csv та перетворити його на візуалізацію. Наведений нижче код отримує лише текстову відповідь, але метод завантаження, описаний раніше, дозволяє витягнути створені файли з сандбоксу.
# 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)
Концепція тут полягає у перегляді веб-контенту разом із виконанням коду у межах однієї задачі. Агент шукає інформацію в реальному Інтернеті, потім пише код на Python для структурування та візуалізації знайденого, і все це відбувається у єдиному потоці.
Шаблони, які працюють у продакшені
Очікуйте необхідності перебудови. Продуктивність моделей швидко покращується, тому проектуйте агентів з урахуванням того, що їх скоро доведеться перебудувати на новіші моделі. Зберігайте конфігурацію у модульному вигляді, оскільки файли AGENTS.md та SKILL.md легко замінювати, і не переускладнюйте шар оркестрації.
Розділяйте великі агенти. Уникайте одного величезного агента з системним запитом довжиною 2000 слів. Розбивайте складні проблеми на спеціалізовані підагенти.
Розглядайте помилки як вхідні дані, а не збої. У якісних агентних дизайнах помилки є даними, які агент використовує для аналізу та виправлення. Він читає TypeError, аналізує причину та її усуває. Уникайте загальних блоків try/except, які приховують невдачі, і дозвольте агенту їх бачити.
Використовуйте eval замість тестів на одиницю. Поведінка агента не є детермінованою, тому тестування має зосереджуватися на метриках оцінки, а не на точному збігу результатів.
# ❌ 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
Склад вартості токенів. Оскільки агент працює в автономному циклі міркувань, один запит може ініціювати багато внутрішніх операцій, тому вартість за завдання сильно коливається. У цій таблиці наведено приблизну інформацію.
Під час розробки використовуйте суворі таймаути та стежте за довжиною логів, а також використовуйте system_instruction, щоб попросити агента бути лаконічним, коли не потрібні детальні міркування.
Планування на випадок невдач. Тут узагальнено шаблони обробки помилок для поширених ситуацій невдач.
Як це працює внутрішньо
Кілька механізмів пояснюють вищезазначену поведінку:
- Один виклик API,
interactions.create(), запускає цикл оркестрації на стороні сервера. Модель Gemini Flash продовжує міркувати, обирати інструменти, виконувати код та перевіряти результати до завершення завдання.
environment_id у подальші виклики дозволяє зберігати файли та стан між етапами роботи, що уникає необхідності створення нової сандбокс-середовища щоразу.client.agents.create() та викликати в будь-якому місці за її ідентифікатором.Ідеї для наступного агента
- Агент CI/CD, який стежить за репозиторієм у GitHub, запускає тести після кожного додавання коду та створює PR для виправлення помилок.
- Генератор документації, який читає кодову базу та створює повну документацію API.
- Оркестратор потоків даних, який підключається до сховища, виконує трансформації та перевіряє результати.
- Агент для сортування заявок, який читає запити, оцінює їхню серйозність, пише відповіді та передає критичні проблеми на вищий рівень
- Асистент з досліджень, який бере певну тему, шукає статті та дослідження, а потім пише огляд літератури з посиланнями
Що змінюється
Управлінські агенти змінюють підхід до створення ШІ. Розробники більше не створюють інфраструктуру навколо моделі, а просто визначають їй мету та средовище для роботи. Це средовище є абстракцією, його роботу керує цикл дій агента, а API взаємодій є єдиним точкою входу. Розумним способом початку є поступове розвиток з чіткими обмеженнями щодо того, що агент може робити без нагляду, а потім — масштабування.