Google Antigravity lokal: So laufen KI-Agenten mit Ollama und Gemma 4 offline auf deinem Rechner

Wie viel Geld und wie viele Nerven kostet dich eigentlich das Wochenlimit deines KI-Tools? Bei mir ist es meistens so, dass das Kontingent genau dann aufgebraucht ist, wenn ich mitten in einer Aufgabe stecke, und dazu kommt bei jeder Kundenmail die Frage, ob die überhaupt auf einen fremden Server gehört. Genau da setzt Google Antigravity lokal an, denn dann läuft die KI nicht in der Cloud, sondern auf deinem eigenen Rechner. Seit dem 23. September 2026 kann das Antigravity SDK nämlich auch mit KI-Modellen arbeiten, die bei dir auf der Festplatte liegen.1 Das heißt, du baust dir einen Agenten mit demselben Unterbau, auf dem auch die Antigravity-App läuft, und lässt ihn zum Beispiel mit Gemma 4 über Ollama arbeiten, ohne API-Schlüssel, ohne Credits und nach der Einrichtung sogar ohne Internet. Einen Haken gibt es allerdings, denn Google empfiehlt für die Hauptvariante einen Rechner mit mindestens 24 GB Grafikspeicher oder gemeinsamem Speicher.1,2 In diesem Artikel zeig ich dir deshalb, welches Modell zu deinem Rechner passt, wie du einen lokalen Agenten aufsetzt, welche fünf Agenten sich in einem kleinen Betrieb lohnen und wo die Grenzen liegen.
Das Antigravity SDK ist Googles Python-Baukasten für eigene KI-Agenten. Seit September 2026 laufen diese Agenten auch mit lokalen KI-Modellen, offiziell optimiert für Gemma 4 26B über Googles LiteRT und zusätzlich über jeden OpenAI-kompatiblen Server wie Ollama, LM Studio oder vLLM.1 Ein kleineres Gemma-4-Modell über Ollama passt auch auf einen Laptop mit 16 GB Arbeitsspeicher, arbeitet dann aber langsamer und liefert Ergebnisse, die du gegenlesen solltest.4,5 Über Regeln legst du fest, was der Agent darf, über Auslöser startet er von allein, und deine Daten bleiben auf deinem Gerät.2
Das Wichtigste in Zahlen
- 23.09.2026: Google kündigt lokale Modelle im Antigravity SDK an.1
- 24 GB Grafik- oder gemeinsamen Speicher empfiehlt Google für die Hauptvariante mit Gemma 4 26B A4B.1,2
- 64.000 Token Kontext empfiehlt Google für lokale Agenten, Ollama startet von Haus aus mit 4.096.2,6
- 4,5 GB Speicher braucht Gemma 4 E4B in der 4-Bit-Fassung, die 26B-Variante 14,4 GB.4
- 97,2 % aller Token liefen in Googles Hybrid-Demo lokal, der Planer in der Cloud brauchte nur 95 Token.1
- 0 US-Dollar im Monat kostet Antigravity für Einzelpersonen, mit einfachen Wochenlimits.7
Was ist das Antigravity SDK?
Antigravity gibt es inzwischen in fünf Formen, als App, als eigene Entwicklungsumgebung (IDE), als Erweiterung für andere Editoren, als Kommandozeile und als SDK.7 Das SDK ist die Variante für deine eigenen Programme und Automatisierungen. Du installierst es mit pip install google-antigravity, schreibst ein paar Zeilen Python, und um die ganze Schleife aus Nachdenken, Werkzeugaufruf, Prüfen und Weitermachen kümmert sich das SDK.2 Laut Google stecken dahinter dieselben Fähigkeiten, die auch die Antigravity-App antreiben.1
Für dich heißt das, du musst keinen KI-Agenten von null programmieren. Du beschreibst eine Aufgabe, gibst dem Agenten einen Ordner, in dem er arbeiten darf, und er liest Dateien, schreibt Ergebnisse und führt auf Wunsch auch Befehle aus. Dazu kommen eigene Werkzeuge aus Python-Funktionen, die Anbindung von MCP-Servern, Regeln für erlaubte Aktionen und Auslöser für wiederkehrende Aufgaben.2 Das SDK steht unter der Apache-2.0-Lizenz und läuft unter macOS, Linux und Windows. Es bringt allerdings eine vorkompilierte Laufzeitdatei mit, die nur im Paket auf PyPI steckt und nicht im Quellcode auf GitHub.2,3
Lokal oder Cloud: Was ändert sich?
Ohne weitere Einstellung spricht das SDK mit Gemini in der Cloud und braucht dafür einen API-Schlüssel.2 Für den lokalen Betrieb tauschst du im Prinzip nur die Konfiguration aus, weil Aufgaben, Regeln und Werkzeuge deines Agenten gleich bleiben, und Google nennt dafür vier Gründe:1
- keine laufenden Kosten, weil API-Gebühren und Ratenlimits wegfallen,
- Datenschutz, weil dein Code und deine Anfragen komplett auf deinem Rechner bleiben,
- Offline-Betrieb, sodass der Agent auch ohne stabiles Internet arbeitet, zum Beispiel unterwegs oder im Van,
- Hybrid-Betrieb, bei dem du günstige lokale Arbeit mit einem großen Cloud-Modell kombinierst, wenn eine Aufgabe doch mal zu schwer wird.
Den Punkt mit den Limits würde ich nicht unterschätzen. Ein lokaler Agent läuft so oft, wie du willst, denn die einzige Grenze ist dein Rechner und nicht ein Kontingent, das am Mittwoch schon leer ist.
| Gemini in der Cloud | Gemma 4 über LiteRT | Gemma 4 über Ollama | |
|---|---|---|---|
| Konfiguration im SDK | LocalAgentConfig mit Gemini-API-Schlüssel |
LiteRTAgentConfig |
LocalOpenAIAgentConfig |
| Internet nötig | ja | nein (nach dem Download) | nein (nach dem Download) |
| Kosten je Aufgabe | nach Verbrauch bzw. Tariflimit | keine | keine |
| Empfohlene Hardware | egal | ab 24 GB Grafik- oder gemeinsamer Speicher | je nach Modell, E4B schon auf Laptops mit 16 GB |
| Daten verlassen den Rechner | ja | nein | nein |
| Von Google optimiert | ja | ja, für Gemma 4 26B A4B | unterstützt, nicht speziell optimiert |
Quellen: Google Developers Blog, README des Antigravity SDK, Gemma-4-Modellübersicht.1,2,4
Welches Gemma-4-Modell passt zu deinem Rechner?
Das ist die wichtigste Frage vor dem Start. Gemma 4 gibt es in fünf Größen, von E2B für Handy und Browser bis 31B für starke Rechner.4 Je größer das Modell, desto besser die Ergebnisse, aber desto mehr Speicher brauchst du und desto langsamer wird es auf schwacher Hardware. In der Tabelle steht der ungefähre Speicherbedarf laut Google, daneben die Downloadgrößen bei Ollama.
| Modell | 4-Bit-Fassung (Google) | Download bei Ollama | Kontext | Passt für |
|---|---|---|---|---|
| Gemma 4 E2B | 2,9 GB | 4,6 bis 7,5 GB | 128K | ältere Laptops, einfache Sortieraufgaben |
| Gemma 4 E4B | 4,5 GB | 6,6 bis 9,5 GB | 128K | normale Laptops mit 16 GB RAM |
| Gemma 4 12B | 6,7 GB | 7,7 bis 8,0 GB | 256K | Rechner mit 16 bis 32 GB und Grafikkarte |
| Gemma 4 26B A4B | 14,4 GB | 16 bis 19 GB | 256K | Googles Hauptvariante, ab 24 GB empfohlen |
| Gemma 4 31B | 17,5 GB | 19 bis 20 GB | 256K | starke Workstations oder Macs mit viel Speicher |
Quellen: Gemma-4-Modellübersicht von Google und Ollama-Bibliothek, Stand 16.11.2026.4,5
Als Faustregel nehme ich das größte Modell, das komplett in den Grafikspeicher passt, bei einem Mac in den gemeinsamen Speicher, und lasse noch Luft für den Kontext. Auf einem Laptop mit 16 GB RAM ohne eigene Grafikkarte, so wie ich ihn selbst nutze, ist E4B die vernünftige Wahl. E2B ist kleiner und schneller, für Agenten, die mehrere Schritte hintereinander erledigen sollen, würde ich aber mindestens E4B nehmen.
Lokale KI-Agenten erstellen: Schritt für Schritt zum eigenen Ollama-Agent
Bevor du mit dem SDK loslegst, würde ich die Aufgabe erst mal in der Antigravity-App oder in deinem Editor ausprobieren. Dort siehst du schnell, ob der Agent die Aufgabe überhaupt versteht, und erst wenn das klappt, lohnt es sich, sie mit dem SDK zu automatisieren. Die Einrichtung selbst dauert dann ungefähr eine Viertelstunde, je nachdem, wie schnell der Modelldownload läuft.
- Ollama installieren und Modell laden. Ollama gibt es auf ollama.com, das Modell holst du zum Beispiel mit
ollama pull gemma4:e4b.5 - Kontext vergrößern. Ollama arbeitet ohne Einstellung mit 4.096 Token Kontext, das ist für Agenten viel zu wenig. Starte Ollama deshalb zum Beispiel mit
OLLAMA_CONTEXT_LENGTH=16384 ollama serve. Ein größerer Kontext braucht mehr Arbeitsspeicher, deshalb würde ich auf einem Laptop mit 16 GB erst mal bei 16.384 oder 32.768 Token bleiben und erst mit 24 GB und mehr in Richtung der 64.000 Token gehen, die Google empfiehlt.6,2 Läuft Ollama bei dir als Hintergrunddienst, trägst du die Variable in dessen Einstellungen ein und startest den Dienst neu.6 - Python-Umgebung anlegen mit
python3 -m venv .venvundsource .venv/bin/activateunter macOS oder Linux, unter Windows in der PowerShell mitpython -m venv .venvund.venv\Scripts\Activate.ps1.2 - SDK installieren mit
pip install google-antigravity.2 - Agent schreiben. Wichtig sind vor allem drei Angaben, nämlich der Modellname, die Adresse des lokalen Servers und der Ordner, in dem der Agent arbeiten darf.
import asyncio
from google.antigravity import Agent, LocalOpenAIAgentConfig
from google.antigravity.hooks import policy
ORDNER = "/home/du/agenten/postfach"
async def main():
config = LocalOpenAIAgentConfig(
model="gemma4:e4b",
base_url="http://127.0.0.1:11434/v1",
workspaces=[ORDNER],
policies=[policy.deny("*"), policy.allow("view_file"), policy.allow("list_directory")],
)
async with Agent(config) as agent:
antwort = await agent.chat("Lies alle Dateien im Ordner und fasse jede in einem Satz zusammen.")
async for teil in antwort:
print(teil, end="", flush=True)
asyncio.run(main())
Ein Stolperstein, über den ich selbst gefallen bin: Beim ersten Versuch kam statt einer Antwort nur ein Timeout beim Verbindungsaufbau zu Ollama, obwohl Ollama lief. Bei mir zeigte localhost auf die IPv6-Adresse, auf der Ollama nicht erreichbar war, deshalb steht im Beispiel 127.0.0.1. Kommt auch damit nur ein Timeout, schau nach deiner Desktop-Firewall. Gibt die ausgehende Verbindungen einzeln frei, muss die Laufzeitdatei des SDK auch auf den lokalen Port 11434 zugreifen dürfen.
Den Agenten von Antigravity bauen lassen
Den Code musst du nicht selbst tippen. In der Antigravity-App kannst du dir den Agenten auch bauen lassen, mit einem Auftrag wie diesem:
Baue einen Python-Agenten mit dem Antigravity SDK. Nutze LocalOpenAIAgentConfig mit dem Modell gemma4:e4b und der Ollama-Adresse http://127.0.0.1:11434/v1. Setze diesen Ordner als Arbeitsbereich. Der Agent liest jede Datei im Ordner „eingang“, erledigt die Aufgabe, die ich unten beschreibe, und schreibt seine Ergebnisse in den Ordner „ausgang“. Gib jeden Werkzeugaufruf aus, damit ich zusehen kann. Dann führe ihn aus. Aufgabe: …
Behalte dabei im Hinterkopf, dass die Antigravity-App selbst mit Cloud-Modellen arbeitet, das heißt, deine Aufgabenbeschreibung geht beim Bauen erst mal in die Cloud, und erst der fertige Agent arbeitet lokal mit deinen Dateien. Leg deshalb beim Bauen nur Beispieldaten in den Ordner und die echten Kundendaten erst danach. Und schau dir an, was die App an Dateien anlegt und ändert, bevor du alles übernimmst. Für deine eigenen Abläufe reicht das meistens, für ein Kundenprojekt mit Logins oder Zahlungen sollte trotzdem jemand mit Programmiererfahrung über den Code schauen.
Fünf lokale Agenten, die sich im Betrieb lohnen
Alle fünf folgen demselben Muster, nämlich einem Ordner mit den Eingaben, einer klaren Aufgabe und einem zweiten Ordner für die Ergebnisse. Im Auftrag oben änderst du also jeweils nur die Aufgabe.
1. Der Postfach-Sortierer für Agenturen und Dienstleister
Du legst Kundenmails als Textdateien in den Eingangsordner, zum Beispiel per Export aus deinem Mailprogramm. Der Agent liest jede Mail, sortiert nach Dringlichkeit, schreibt eine Zeile Zusammenfassung dazu und legt für jede einen Antwortentwurf an. Ganz oben landet dann etwa der Onlineshop-Kunde, der mit den Ergebnissen unzufrieden ist und über eine Kündigung nachdenkt, samt ruhigem Entwurf, der nachfragt, wo es genau hakt. Abschicken musst du die Mails natürlich noch selbst, nachdem du sie gelesen hast. Weil in Mails fast immer personenbezogene Daten stecken, bringt der lokale Betrieb hier am meisten.
2. Der Kontaktlisten-Sortierer für die Akquise
Du hast eine Liste mit ein paar hundert Kontakten aus Messen, Anfragen oder alten Projekten, und darin stehen persönliche Adressen wie vorname@firma.de bunt gemischt mit Sammeladressen wie info@ oder praxis@. Für die Ansprache brauchst du beides getrennt, weil du eine Inhaberin anders anschreibst als ein Sekretariat. Der Agent geht die Tabelle durch, markiert jede Adresse als persönlich oder allgemein und schreibt das Ergebnis in eine neue Spalte. Gerade bei solchen Listen ist es angenehm, dass sie dafür nicht zu einem Cloud-Dienst müssen.
3. Der Erstansprache-Schreiber für bestehende Kontakte
Du gibst dem Agenten eine Tabelle mit Firmen, Branche und einer kurzen Notiz zur Website. Er schreibt für jede Firma einen ersten Satz, der sich auf das bezieht, was die Firma wirklich macht, statt auf Floskeln wie „tolle Website“. Bei einer Onlineschule mit 4.000 Teilnehmenden greift er zum Beispiel das volle Support-Postfach auf, bei einem Software-Angebot mit Testphase die Frage, wie Testkunden zur richtigen Funktion finden. Denk dabei an die Regeln für Werbung per Mail, denn unaufgeforderte Werbemails sind in Deutschland auch an Firmen nur in engen Grenzen erlaubt. Nutz die Einstiege deshalb nur für Kontakte, die dir eine Einwilligung gegeben haben, oder als Aufhänger für ein persönliches Gespräch.
4. Der Notizen-Aufräumer für Coaches und Berater
Nach einem Termin sind die Notizen meistens ein Durcheinander aus halben Sätzen, Ideen und Dingen, die du versprochen hast. Der Agent macht daraus je Kunde einen sauberen Plan mit drei Aufgaben und einer Frage für den Einstieg in den nächsten Termin. Gesprächsnotizen sind vertraulich, und deshalb gehören sie für mich nicht in einen Dienst, bei dem ich nicht genau weiß, was mit ihnen passiert.
5. Das SEO-Dashboard aus dem Search-Console-Export
Du exportierst aus der Google Search Console die Tabelle mit Suchanfragen, Klicks, Impressionen, CTR und Position. Der Agent baut daraus eine einzelne HTML-Seite, oben die stärksten Suchanfragen, darunter die schnellen Gewinne, also Begriffe zwischen Position 8 und 20, die du mit wenig Aufwand auf Seite eins bringen kannst, und dazu ein einfaches Balkendiagramm. So ein Dashboard verstehen auch Kunden in ein paar Sekunden, und die Zahlen verlassen dabei nie deinen Rechner.
Regeln und Auslöser: So läuft dein Agent sicher von allein
Ein Agent, der Dateien schreiben und Befehle ausführen darf, braucht klare Grenzen. Ohne weitere Einstellung arbeitet das SDK nur lesend, alles andere schaltest du gezielt frei.2
- Über Regeln (Policies) verbietest du erst mal alles und erlaubst dann gezielt einzelne Schritte, zum Beispiel Dateien lesen ja, Befehle nur nach Rückfrage. Dafür gibt es
deny,allowundask_user, außerdem fertige Bausteine wieworkspace_only, das Zugriffe außerhalb des Arbeitsordners blockt, undconfirm_run_command, das Befehle ohne deine Freigabe ablehnt.2,3 Dein Postfach-Sortierer darf so Entwürfe schreiben, aber nichts löschen. - Über Auslöser (Triggers) legst du fest, wann der Agent loslegt, zum Beispiel mit
everyalle zehn Minuten oder miton_file_changegenau in dem Moment, in dem eine neue Datei im Eingangsordner landet.2,3 - Über eigene Werkzeuge machst du jede Python-Funktion für den Agenten nutzbar, und MCP-Server bindest du genauso an.2 Ein Onlineshop gibt dem Agenten zum Beispiel ein Werkzeug, das die Produkttabelle liest, und bekommt Beschreibungen für jedes neue Produkt.
Der Hybridmodus: Die Cloud plant, dein Rechner arbeitet
Ist eine Aufgabe für ein kleines lokales Modell zu groß, musst du nicht gleich alles in die Cloud schicken. Google vergleicht die Arbeitsteilung mit einem Architekten und seinem Bautrupp, das heißt, ein Cloud-Modell, in der Demo Gemini 3.8 Flash, plant die Aufgabe und verteilt sie, sieht dabei aber nur Dateinamen und kurze Beschreibungen, während mehrere lokale Gemma-4-Instanzen auf deinem Rechner die eigentliche Arbeit an den Inhalten erledigen.1
In Googles Beispiel ging es um drei Python-Dateien mit Sicherheitslücken. Der Planer in der Cloud brauchte dafür 95 Token. Die lokalen Modelle haben die Lücken nachgestellt, Korrekturen geschrieben, sich gegenseitig kritisiert und alles gegen die Tests geprüft. Am Ende liefen 97,2 % aller Token lokal, das waren 3.322 Token.1 Für einen Betrieb heißt das, Dateinamen gehen in die Cloud und können etwas verraten, der Inhalt bleibt aber bei dir.
Antigravity-Kosten: Was zahlst du lokal in Euro?
Lokal fallen keine Gebühren je Aufgabe an, du zahlst nur Strom und die Hardware, die du eh schon hast. Nehmen wir einen Laptop, der unter Last etwa 60 Watt zieht und täglich zwei Stunden für deine Agenten rechnet. Der braucht im Monat rund 3,6 kWh, und bei 35 Cent je kWh sind das etwa 1,30 € im Monat. Die Werte sind geschätzt und hängen von Gerät und Stromtarif ab, aber die Größenordnung stimmt.
Antigravity selbst kostet für Einzelpersonen 0 US-Dollar im Monat, mit einfachen Wochenlimits für die Cloud-Modelle. Mehr Spielraum gibt es mit Google AI Pro und Ultra, und Unternehmen buchen über Google Cloud, wo Gemini-Enterprise-Pläne bei 30 US-Dollar je Platz und Monat starten.7 Für deine lokalen Agenten spielen diese Limits keine Rolle, sie zählen nur, wenn du die App oder Cloud-Modelle nutzt.
Mehr bringt dir aber die Zeit, die du sparst. Wenn dir der Postfach-Sortierer täglich nur 20 Minuten Vorsortieren abnimmt, sind das bei 20 Arbeitstagen knapp sieben Stunden im Monat. Bei einem internen Stundensatz von 50 € entspricht das rund 330 €.
Meine Tipps, damit lokale Agenten zuverlässig arbeiten
- Jedem Agenten einen eigenen Arbeitsordner geben. So bleibt er bei der Sache, und mit
workspace_onlykommt er an nichts anderes heran.3 - Eine klare Aufgabe statt Wunschliste. Kleine lokale Modelle arbeiten deutlich besser mit einem engen Auftrag und genauen Dateinamen für die Ergebnisse. Lieber drei Agenten mit je einer Aufgabe als einer, der alles können soll.
- Den Kontext hochsetzen, bevor du am Agenten zweifelst. Bricht ein Agent mitten in einer langen Aufgabe ab oder verliert den Faden, liegt es oft am zu kleinen Kontext. Die 4.096 Token, mit denen Ollama startet, reichen für Agenten nicht.6
- Geduld einplanen. Schon Googles eigenes Beispielskript weist darauf hin, dass die lokale Verarbeitung mehrere Minuten dauern kann.1 Lass den Agenten deshalb über Auslöser im Hintergrund laufen, statt davorzusitzen.
- Ergebnisse gegenlesen. Ein kleines lokales Modell macht bei schwierigen Aufgaben mehr Fehler als die großen Cloud-Modelle. Für die vielen Routinejobs mit vertraulichen Dateien passt es trotzdem, nur verschicken solltest du nichts ungelesen.
- Mit Beispieldaten anfangen. Teste jeden Agenten erst mit ausgedachten Mails, Notizen oder Tabellen und lass ihn danach an echte Daten.
- Auf Dateiformate und Ruhezustand achten. Am zuverlässigsten arbeitet der Agent mit reinen Textdateien wie .txt, .md oder .csv. Für Excel-Mappen gibst du ihm am besten eine kleine Python-Funktion als Werkzeug mit. Und denk dran, dass ein lokaler Agent nur arbeitet, solange dein Rechner wach ist, klappst du den Laptop zu, pausiert auch der Agent.
Grenzen von lokaler KI und Datenschutz
Lokale KI hat auch ihre Haken, und ein paar davon solltest du kennen, bevor du dich im Tagesgeschäft darauf verlässt.
- Google hat den lokalen Betrieb für Gemma 4 26B A4B über LiteRT optimiert, andere LiteRT-Modelldateien laufen laut README womöglich schlecht oder gar nicht.2 Ollama mit kleineren Modellen wird unterstützt, ist aber nicht Googles Hauptweg.
- Die Empfehlung von 24 GB Grafik- oder gemeinsamem Speicher gilt für die 26B-Variante. Mit weniger Speicher läuft ein kleineres Modell, das spürbar weniger kann.1,4
- Für schwierige Aufgaben wie größere Programmierarbeiten sind die großen Cloud-Modelle weiter klar vorn. Der lokale Betrieb lohnt sich vor allem für die vielen kleinen Aufgaben, die jeden Tag wiederkommen.
- Das SDK bringt eine vorkompilierte Laufzeitdatei mit, deren Quellcode nicht im öffentlichen Repository liegt.2
- Beim Bauen in der Antigravity-App und im Hybridmodus gehen Teile an ein Cloud-Modell, nämlich deine Aufgabenbeschreibung beziehungsweise die Dateinamen.1
- Gemma 4 steht wie das SDK unter der Apache-2.0-Lizenz, das heißt, du darfst die Modelle auch kommerziell und ohne Lizenzgebühren im Betrieb einsetzen.8
Der große Vorteil bleibt trotzdem, dass du Kundendaten auf deinem eigenen Gerät verarbeitest, ohne dass ein KI-Anbieter sie zu sehen bekommt, solange der Agent rein lokal läuft. Für diesen Schritt brauchst du dann keinen Auftragsverarbeitungsvertrag mit einem KI-Anbieter. Die übrigen Pflichten aus der DSGVO, etwa Zweckbindung und Löschfristen, gelten natürlich weiter. Wenn dich Self-Hosting generell interessiert, schau dir auch meine Erfahrungen mit Nemotron 3.5 Bolt als lokalem Assistenten an.
Fazit
Ersetzt ein lokaler Antigravity-Agent jetzt die großen Cloud-Modelle? Für schwierige und kreative Aufgaben nicht, da sind die großen Modelle klar besser. Für die vielen kleinen Aufgaben mit vertraulichen Daten, also Mails vorsortieren, Kontaktlisten aufteilen, Notizen aufräumen oder Exporte auswerten, ist es aber eine sehr praktische Lösung, weil du einmal einrichtest und der Agent danach so oft läuft, wie du willst, ohne Kosten je Aufgabe und ohne Wochenlimit. Ich würde mit genau einem Agenten anfangen, und zwar mit der Aufgabe, die dich jede Woche am meisten nervt, und ihn zwei Wochen mit Beispieldaten testen, bevor echte Daten drankommen. Und wenn du dabei merkst, dass in deinem Betrieb noch viel mehr solcher Aufgaben liegen, lass uns kurz darüber sprechen, welche sich zuerst lohnt.
Häufige Fragen zu Google Antigravity lokal
Ist Google Antigravity kostenlos?
Für Einzelpersonen ja, der Tarif kostet 0 US-Dollar im Monat und hat einfache Wochenlimits. Mehr Spielraum gibt es mit Google AI Pro und Ultra.7 Lokale Agenten über das SDK verursachen keine Gebühren je Aufgabe und brauchen nicht einmal einen API-Schlüssel.1
Brauche ich für lokale Antigravity-Agenten Internet?
Nur für die Einrichtung, also zum Herunterladen von SDK und Modell. Danach läuft der Agent komplett offline, solange du nicht den Hybridmodus mit einem Planer in der Cloud nutzt.1
Welche Hardware brauche ich mindestens?
Google empfiehlt für die Hauptvariante mit Gemma 4 26B mindestens 24 GB Grafik- oder gemeinsamen Speicher.1 Mit Ollama und Gemma 4 E4B, das in der 4-Bit-Fassung rund 4,5 GB braucht, passt ein Modell auch auf einen Laptop mit 16 GB RAM, die Antworten kommen dann aber langsamer.4
Funktioniert das auch mit LM Studio statt Ollama?
Ja, über LocalOpenAIAgentConfig spricht das SDK mit jedem OpenAI-kompatiblen Server. Google nennt ausdrücklich Ollama, LM Studio und vLLM.1
Was ist der Unterschied zwischen LiteRT und Ollama?
LiteRT ist Googles eigene Laufzeit für Modelle auf dem Gerät, und für die ist das SDK mit LiteRTAgentConfig speziell optimiert. Ollama ist ein verbreiteter lokaler Modellserver, den das SDK über die OpenAI-kompatible Schnittstelle anspricht. LiteRT ist der optimierte Weg für Gemma 4 26B, Ollama lässt dir mehr Auswahl bei den Modellen.1,2
Läuft das Antigravity SDK unter Windows und Linux?
Ja, auf PyPI gibt es fertige Pakete für Windows, Linux und macOS, jeweils für Intel- und ARM-Prozessoren.3
Darf ich Gemma 4 kommerziell nutzen?
Ja, Google stellt Gemma 4 mit offenen Gewichten unter der Apache-2.0-Lizenz bereit, das heißt, du darfst die Modelle auch kommerziell in deinem Betrieb nutzen.4,8
Zitiervorschlag
Gütter, Simon (2026): Google Antigravity lokal: So laufen KI-Agenten mit Ollama und Gemma 4 offline auf deinem Rechner. Simon Traffic, 16. November 2026. https://simon-traffic.com/blog/ki-automatisierung/antigravity-lokal-ollama/
Quellen
- Google Developers Blog: Introducing Support for Local AI Models in the Antigravity SDK, 23.09.2026. https://developers.googleblog.com/introducing-support-for-local-ai-models-in-the-antigravity-sdk/
- Google: Antigravity SDK for Python, README, abgerufen am 16.11.2026. https://github.com/google-antigravity/antigravity-sdk-python
- PyPI: google-antigravity 0.1.23, Paketdaten und Dokumentation im Paket, abgerufen am 16.11.2026. https://pypi.org/project/google-antigravity/
- Google AI for Developers: Gemma 4 model overview, abgerufen am 16.11.2026. https://ai.google.dev/gemma/docs/core
- Ollama: gemma4, Modellbibliothek, abgerufen am 16.11.2026. https://ollama.com/library/gemma4
- Ollama: FAQ, How can I specify the context window size?, abgerufen am 16.11.2026. https://docs.ollama.com/faq
- Google Antigravity: Pricing, abgerufen am 16.11.2026. https://antigravity.google/pricing
- Google AI for Developers: Gemma 4, Apache License 2.0, abgerufen am 16.11.2026. https://ai.google.dev/gemma/docs/gemma_4_license
Stand: 16. November 2026. Das Antigravity SDK ist in Version 0.1.x, Funktionen und Empfehlungen können sich ändern.