Google Antigravity och lokal AI: så kör du AI-agenter offline med Ollama och Gemma 4 på din dator

Simon Gütter · 16 november 2026 · Lästid cirka 18 minuter

Omslagsbild ”Google Antigravity lokal”: en uppfälld laptop på ett träbord framför ett bergspanorama, en orange nätverkskabel sitter i laptopen och andra änden ligger löst, bredvid ligger brevkorgar med sorterade brev

Hur mycket pengar och nerver kostar veckogränsen i ditt AI-verktyg egentligen? För mig är det oftast så att kvoten är slut precis när jag sitter mitt i en uppgift, och dessutom dyker frågan upp vid varje kundmejl om det över huvud taget hör hemma på en främmande server. Det är precis här Google Antigravity med lokal AI kommer in i bilden, för då körs AI:n inte i molnet utan på din egen dator. Sedan den 23 september 2026 kan nämligen Antigravity SDK också arbeta med AI-modeller som ligger på din hårddisk.1 Det betyder att du bygger en AI-agent med samma grund som Antigravity-appen körs på och låter den arbeta till exempel med Gemma 4 via Ollama, utan API-nyckel, utan krediter och efter installationen till och med utan internet. Det finns dock en hake, för Google rekommenderar en dator med minst 24 GB grafikminne eller delat minne för huvudvarianten.1,2 I den här artikeln visar jag dig därför vilken modell som passer din dator, hur du skapar en lokal AI-agent, vilka fem agenter som är värda att ha i ett litet företag och var gränserna går.

Kort sagt

Antigravity SDK är Googles Python-verktygslåda för egna AI-agenter. Sedan september 2026 körs de här agenterna också med lokala AI-modeller, officiellt optimerade för Gemma 4 26B via Googles LiteRT och dessutom via vilken OpenAI-kompatibel server som helst, som Ollama, LM Studio eller vLLM.1 En mindre Gemma 4-modell via Ollama ryms också på en laptop med 16 GB arbetsminne, men arbetar då långsammare och ger resultat som du bör läsa igenom.4,5 Med regler bestämmer du vad agenten får göra, med utlösare startar den av sig själv, och dina data stannar på din enhet.2

Det viktigaste i siffror

  • 23.09.2026: Google tillkännager lokala modeller i Antigravity SDK.1
  • 24 GB grafikminne eller delat minne rekommenderar Google för huvudvarianten med Gemma 4 26B A4B.1,2
  • 64 000 token kontext rekommenderar Google för lokala agenter, medan Ollama som standard startar med 4 096.2,6
  • 4,5 GB minne behöver Gemma 4 E4B i 4-bitarsversionen, 26B-varianten 14,4 GB.4
  • 97,2 % av alla token kördes lokalt i Googles hybriddemo, planeraren i molnet behövde bara 95 token.1
  • 0 US-dollar per månad kostar Antigravity för privatpersoner, med enkla veckogränser.7

Vad är Antigravity SDK?

Antigravity finns numera i fem former: som app, som egen utvecklingsmiljö (IDE), som tillägg för andra editorer, som kommandorad och som SDK.7 SDK:t är varianten för dina egna program och automatiseringar. Du installerar det med pip install google-antigravity, skriver några rader Python, och SDK:t tar hand om hela slingan av att tänka, anropa verktyg, kontrollera och gå vidare.2 Enligt Google ligger samma funktioner bakom som också driver Antigravity-appen.1

För dig betyder det att du inte behöver programmera en AI-agent från noll. Du beskriver en uppgift, ger agenten en mapp där den får arbeta, och den läser filer, skriver resultat och kör på begäran även kommandon. Dessutom finns egna verktyg av Python-funktioner, anslutning av MCP-servrar, regler för tillåtna åtgärder och utlösare för återkommande uppgifter.2 SDK:t står under Apache 2.0-licensen och körs på macOS, Linux och Windows. Det följer dock med en förkompilerad körtidsfil som bara finns i paketet på PyPI och inte i källkoden på GitHub.2,3

Lokal AI eller moln: vad förändras?

Utan ytterligare inställningar pratar SDK:t med Gemini i molnet och behöver en API-nyckel för det.2 För lokal drift byter du i princip bara ut konfigurationen, eftersom din agents uppgifter, regler och verktyg förblir desamma, och Google nämner fyra skäl till det:1

  • inga löpande kostnader, eftersom API-avgifter och hastighetsgränser försvinner,
  • dataskydd, eftersom din kod och dina förfrågningar helt stannar på din dator,
  • offlinedrift, så att agenten arbetar även utan stabilt internet, till exempel på resa eller i en van,
  • hybriddrift, där du kombinerar billigt lokalt arbete med en stor molnmodell när en uppgift ändå blir för tung.

Punkten med gränserna skulle jag inte underskatta. En lokal agent körs så ofta du vill, för den enda gränsen är din dator och inte en kvot som redan är slut på onsdagen.

Gemini i molnet Gemma 4 via LiteRT Gemma 4 via Ollama
Konfiguration i SDK:t LocalAgentConfig med Gemini-API-nyckel LiteRTAgentConfig LocalOpenAIAgentConfig
Internet behövs ja nej (efter nedladdningen) nej (efter nedladdningen)
Kostnad per uppgift efter förbrukning respektive abonnemangsgräns ingen ingen
Rekommenderad hårdvara spelar ingen roll från 24 GB grafikminne eller delat minne beroende på modell, E4B redan på laptops med 16 GB
Data lämnar datorn ja nej nej
Optimerad av Google ja ja, för Gemma 4 26B A4B stöds, inte särskilt optimerad

Källor: Google Developers Blog, README för Antigravity SDK, översikt över Gemma 4-modellerna.1,2,4

Vilken Gemma 4-modell passar din dator?

Det här är den viktigaste frågan före start. Gemma 4 finns i fem storlekar, från E2B för mobil och webbläsare till 31B för kraftfulla datorer.4 Ju större modell, desto bättre resultat, men desto mer minne behöver du och desto långsammare blir den på svag hårdvara. I tabellen står det ungefärliga minnesbehovet enligt Google, bredvid nedladdningsstorlekarna hos Ollama.

Modell 4-bitarsversion (Google) Nedladdning hos Ollama Kontext Passar för
Gemma 4 E2B 2,9 GB 4,6 till 7,5 GB 128K äldre laptops, enkla sorteringsuppgifter
Gemma 4 E4B 4,5 GB 6,6 till 9,5 GB 128K vanliga laptops med 16 GB RAM
Gemma 4 12B 6,7 GB 7,7 till 8,0 GB 256K datorer med 16 till 32 GB och grafikkort
Gemma 4 26B A4B 14,4 GB 16 till 19 GB 256K Googles huvudvariant, rekommenderas från 24 GB
Gemma 4 31B 17,5 GB 19 till 20 GB 256K kraftfulla arbetsstationer eller Mac med mycket minne

Källor: Googles översikt över Gemma 4-modellerna och Ollama-biblioteket, läge 16.11.2026.4,5

Som tumregel väljer jag den största modellen som ryms helt i grafikminnet, på en Mac i det delade minnet, och lämnar lite luft för kontexten. På en laptop med 16 GB RAM utan eget grafikkort, som jag själv använder, är E4B det rimliga valet. E2B är mindre och snabbare, men för agenter som ska göra flera steg efter varandra skulle jag ta minst E4B.

Skapa en AI-agent lokalt: steg för steg till din egen Ollama-agent

Innan du sätter igång med SDK:t skulle jag först prova uppgiften i Antigravity-appen eller i din editor. Där ser du snabbt om agenten över huvud taget förstår uppgiften, och först när det fungerar lönar det sig att automatisera den med SDK:t. Själva installationen tar sedan ungefär en kvart, beroende på hur snabbt modellen laddas ner.

  1. Installera Ollama och ladda modellen. Ollama finns på ollama.com, och modellen hämtar du till exempel med ollama pull gemma4:e4b.5
  2. Öka kontexten. Utan inställning arbetar Ollama med 4 096 token kontext, och det är alldeles för lite för agenter. Starta därför Ollama till exempel med OLLAMA_CONTEXT_LENGTH=16384 ollama serve. En större kontext kräver mer arbetsminne, så på en laptop med 16 GB skulle jag först hålla mig vid 16 384 eller 32 768 token och först med 24 GB och mer gå mot de 64 000 token som Google rekommenderar.6,2 Körs Ollama som bakgrundstjänst hos dig, lägger du in variabeln i tjänstens inställningar och startar om tjänsten.6
  3. Skapa en Python-miljö med python3 -m venv .venv och source .venv/bin/activate på macOS eller Linux, på Windows i PowerShell med python -m venv .venv och .venv\Scripts\Activate.ps1.2
  4. Installera SDK:t med pip install google-antigravity.2
  5. Skriv agenten. Framför allt tre uppgifter är viktiga, nämligen modellnamnet, adressen till den lokala servern och mappen där agenten får arbeta.
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("Läs alla filer i mappen och sammanfatta varje fil i en mening.")
        async for teil in antwort:
            print(teil, end="", flush=True)

asyncio.run(main())

Ett hinder som jag själv föll över: vid första försöket kom det inget svar utan bara en timeout när anslutningen till Ollama skulle upprättas, trots att Ollama körde. Hos mig pekade localhost på IPv6-adressen, där Ollama inte gick att nå, och därför står 127.0.0.1 i exemplet. Om du fortfarande bara får en timeout, kolla din brandvägg på skrivbordet. Om den släpper igenom utgående anslutningar en och en måste SDK:ts körtidsfil också få nå den lokala porten 11434.

Låt Antigravity bygga agenten åt dig

Du behöver inte skriva koden själv. I Antigravity-appen kan du också låta den bygga agenten åt dig, med ett uppdrag som det här:

Bygg en Python-agent med Antigravity SDK. Använd LocalOpenAIAgentConfig med modellen gemma4:e4b och Ollama-adressen http://127.0.0.1:11434/v1. Sätt den här mappen som arbetsområde. Agenten läser varje fil i mappen ”inkorg”, utför uppgiften som jag beskriver nedan och skriver sina resultat i mappen ”utkorg”. Skriv ut varje verktygsanrop så att jag kan följa med. Kör den sedan. Uppgift: …

Tänk på att Antigravity-appen själv arbetar med molnmodeller, alltså går din uppgiftsbeskrivning först ut i molnet när du bygger, och först den färdiga agenten arbetar lokalt med dina filer. Lägg därför bara exempeldata i mappen under bygget och de riktiga kunddata först efteråt. Och titta på vilka filer appen skapar och ändrar innan du tar över allt. För dina egna rutiner räcker det oftast, men för ett kundprojekt med inloggningar eller betalningar bör ändå någon med programmeringserfarenhet titta igenom koden.

Fem lokala agenter som är värda att ha i företaget

Alla fem följer samma mönster, nämligen en mapp med indata, en tydlig uppgift och en andra mapp för resultaten. I uppdraget ovan ändrar du alltså bara uppgiften.

1. Inkorgssorteraren för byråer och tjänsteleverantörer

Du lägger kundmejl som textfiler i inkorgsmappen, till exempel som export från ditt mejlprogram. Agenten läser varje mejl, sorterar efter hur brådskande det är, skriver en rads sammanfattning och lägger till ett svarsutkast för varje. Högst upp hamnar då till exempel webbshopkunden som är missnöjd med resultaten och funderar på att säga upp sig, tillsammans med ett lugnt utkast som frågar var det exakt skaver. Du måste förstås fortfarande skicka iväg mejlen själv, efter att du har läst dem. Eftersom det nästan alltid finns personuppgifter i mejl ger lokal drift mest här.

2. Kontaktlistesorteraren för säljarbetet

Du har en lista med några hundra kontakter från mässor, förfrågningar eller gamla projekt, och där blandas personliga adresser som fornamn@foretag.se huller om buller med gemensamma adresser som info@ eller mottagning@. För kontakten behöver du ha båda åtskilda, eftersom du skriver till en ägare på ett annat sätt än till ett sekretariat. Agenten går igenom tabellen, markerar varje adress som personlig eller allmän och skriver resultatet i en ny kolumn. Särskilt med sådana här listor är det skönt att de inte behöver gå till en molntjänst för det.

3. Förstakontaktsskrivaren för befintliga kontakter

Du ger agenten en tabell med företag, bransch och en kort anteckning om webbplatsen. Den skriver för varje företag en första mening som hänvisar till det företaget faktiskt gör, i stället för fraser som ”snygg webbplats”. För en nätskola med 4 000 deltagare tar den till exempel upp den fulla supportinkorgen, för ett mjukvaruerbjudande med testperiod frågan om hur testkunder hittar till rätt funktion. Tänk här på reglerna för reklam via mejl, för oombedda reklammejl är i Tyskland tillåtna också till företag bara inom snäva gränser. Använd därför öppningsraderna bara för kontakter som har gett dig sitt samtycke, eller som ingång till ett personligt samtal.

4. Anteckningsstädaren för coacher och rådgivare

Efter ett möte är anteckningarna oftast en röra av halva meningar, idéer och saker du har lovat. Agenten gör av dem en ren plan per kund med tre uppgifter och en fråga för att komma igång vid nästa möte. Samtalsanteckningar är konfidentiella, och därför hör de för mig inte hemma i en tjänst där jag inte vet exakt vad som händer med dem.

5. SEO-dashboarden från Search Console-exporten

Du exporterar tabellen med sökfrågor, klick, visningar, CTR och position från Google Search Console. Agenten bygger av den en enda HTML-sida, med de starkaste sökfrågorna överst, under dem de snabba vinsterna, alltså sökord mellan position 8 och 20 som du med lite arbete kan få upp på första sidan, och dessutom ett enkelt stapeldiagram. En sådan dashboard förstår också kunder på några sekunder, och siffrorna lämnar aldrig din dator.

Regler och utlösare: så körs din agent säkert av sig själv

En agent som får skriva filer och köra kommandon behöver tydliga gränser. Utan ytterligare inställningar arbetar SDK:t bara läsande, allt annat låser du upp målinriktat.2

  • Med regler (policies) förbjuder du först allt och tillåter sedan enskilda steg, till exempel läsa filer ja, kommandon bara efter förfrågan. För det finns deny, allow och ask_user, dessutom färdiga byggstenar som workspace_only, som blockerar åtkomst utanför arbetsmappen, och confirm_run_command, som avvisar kommandon utan ditt godkännande.2,3 Din inkorgssorterare får på så sätt skriva utkast, men inte radera något.
  • Med utlösare (triggers) bestämmer du när agenten sätter igång, till exempel med every var tionde minut eller med on_file_change i exakt det ögonblick då en ny fil hamnar i inkorgsmappen.2,3
  • Med egna verktyg gör du varje Python-funktion användbar för agenten, och MCP-servrar ansluter du på samma sätt.2 En webbshop ger till exempel agenten ett verktyg som läser produkttabellen och får beskrivningar för varje ny produkt.

Hybridläget: molnet planerar, din dator arbetar

Är en uppgift för stor för en liten lokal modell behöver du inte genast skicka allt till molnet. Google jämför arbetsfördelningen med en arkitekt och hans byggtrupp, det vill säga en molnmodell, i demon Gemini 3.8 Flash, planerar uppgiften och fördelar den, ser då bara filnamn och korta beskrivningar, medan flera lokala Gemma 4-instanser på din dator utför själva arbetet med innehållet.1

I Googles exempel handlade det om tre Python-filer med säkerhetsluckor. Planeraren i molnet behövde 95 token för det. De lokala modellerna återskapade luckorna, skrev rättelser, kritiserade varandra och kontrollerade allt mot testerna. Till slut kördes 97,2 % av alla token lokalt, det var 3 322 token.1 För ett företag betyder det att filnamn går ut i molnet och kan avslöja något, men innehållet stannar hos dig.

Antigravity-kostnader: vad betalar du lokalt i euro?

Lokalt tillkommer inga avgifter per uppgift, du betalar bara el och den hårdvara du ändå redan har. Låt oss ta en laptop som under belastning drar ungefär 60 watt och räknar två timmar om dagen för dina agenter. Den behöver per månad cirka 3,6 kWh, och vid 35 cent per kWh blir det ungefär 1,30 € i månaden. Värdena är uppskattade och beror på enhet och elavtal, men storleksordningen stämmer.

Antigravity självt kostar för privatpersoner 0 US-dollar i månaden, med enkla veckogränser för molnmodellerna. Mer utrymme får du med Google AI Pro och Ultra, och företag bokar via Google Cloud, där Gemini Enterprise-planer börjar på 30 US-dollar per plats och månad.7 För dina lokala agenter spelar de här gränserna ingen roll, de räknas bara när du använder appen eller molnmodeller.

Mer ger dig dock den tid du sparar. Om inkorgssorteraren bara tar över 20 minuters förhandssortering per dag blir det över 20 arbetsdagar knappt sju timmar i månaden. Med ett internt timpris på 50 € motsvarar det omkring 330 €.

Mina tips för att lokala agenter ska arbeta pålitligt

  1. Ge varje agent en egen arbetsmapp. Då håller den sig till saken, och med workspace_only kommer den inte åt något annat.3
  2. En tydlig uppgift i stället för en önskelista. Små lokala modeller arbetar märkbart bättre med ett snävt uppdrag och exakta filnamn för resultaten. Hellre tre agenter med en uppgift var än en som ska kunna allt.
  3. Höj kontexten innan du tvivlar på agenten. Om en agent avbryter mitt i en lång uppgift eller tappar tråden beror det ofta på för liten kontext. De 4 096 token som Ollama startar med räcker inte för agenter.6
  4. Räkna med tålamod. Redan Googles eget exempelskript påpekar att den lokala bearbetningen kan ta flera minuter.1 Låt därför agenten köra i bakgrunden via utlösare i stället för att sitta framför den.
  5. Läs igenom resultaten. En liten lokal modell gör fler fel på svåra uppgifter än de stora molnmodellerna. För de många rutinjobben med konfidentiella filer passar den ändå, du bör bara inte skicka något oläst.
  6. Börja med exempeldata. Testa varje agent först med påhittade mejl, anteckningar eller tabeller och släpp sedan först ut den på riktiga data.
  7. Tänk på filformat och viloläge. Mest pålitligt arbetar agenten med rena textfiler som .txt, .md eller .csv. För Excel-filer ger du den bäst en liten Python-funktion som verktyg. Och kom ihåg att en lokal agent bara arbetar så länge din dator är vaken, fäller du ihop laptopen pausar också agenten.

Begränsningar med lokal AI och dataskydd

Lokal AI har också sina hakar, och några av dem bör du känna till innan du förlitar dig på den i det dagliga arbetet.

  • Google har optimerat den lokala driften för Gemma 4 26B A4B via LiteRT, andra LiteRT-modellfiler körs enligt README möjligen dåligt eller inte alls.2 Ollama med mindre modeller stöds, men är inte Googles huvudväg.
  • Rekommendationen på 24 GB grafikminne eller delat minne gäller 26B-varianten. Med mindre minne körs en mindre modell som kan märkbart mindre.1,4
  • För svåra uppgifter som större programmeringsarbeten ligger de stora molnmodellerna fortfarande klart före. Lokal drift lönar sig framför allt för de många små uppgifterna som kommer tillbaka varje dag.
  • SDK:t levereras med en förkompilerad körtidsfil vars källkod inte ligger i det publika repot.2
  • Vid bygge i Antigravity-appen och i hybridläget går delar till en molnmodell, nämligen din uppgiftsbeskrivning respektive filnamnen.1
  • Gemma 4 står precis som SDK:t under Apache 2.0-licensen, det vill säga du får använda modellerna också kommersiellt och utan licensavgifter i ditt företag.8

Den stora fördelen kvarstår ändå, att du behandlar kunddata på din egen enhet utan att någon AI-leverantör får se dem, så länge agenten körs rent lokalt. För det steget behöver du då inget personuppgiftsbiträdesavtal med en AI-leverantör. De övriga skyldigheterna enligt GDPR (dataskyddsförordningen), till exempel ändamålsbegränsning och raderingsfrister, gäller förstås fortfarande. Om du är intresserad av självhosting i allmänhet, ta också en titt på mina erfarenheter av Nemotron 3.5 Bolt som lokal assistent.

Slutsats

Ersätter lokal AI med en Antigravity-agent nu de stora molnmodellerna? För svåra och kreativa uppgifter gör den inte det, där är de stora modellerna klart bättre. För de många små uppgifterna med konfidentiella data, alltså att förhandssortera mejl, dela upp kontaktlistor, städa anteckningar eller utvärdera exporter, är det däremot en mycket praktisk lösning, eftersom du installerar en gång och agenten sedan körs så ofta du vill, utan kostnad per uppgift och utan veckogräns. Jag skulle börja med exakt en agent, och då med den uppgift som irriterar dig mest varje vecka, och testa den två veckor med exempeldata innan riktiga data kommer in. Och om du under tiden märker att det ligger många fler sådana uppgifter i ditt företag, låt oss prata kort om vilken som lönar sig först.

Vanliga frågor om Google Antigravity och lokal AI

Är Google Antigravity gratis?

För privatpersoner ja, abonnemanget kostar 0 US-dollar i månaden och har enkla veckogränser. Mer utrymme får du med Google AI Pro och Ultra.7 Lokala agenter via SDK:t orsakar inga avgifter per uppgift och behöver inte ens någon API-nyckel.1

Behöver jag internet för lokala Antigravity-agenter?

Bara för installationen, alltså för att ladda ner SDK och modell. Därefter körs agenten helt offline, så länge du inte använder hybridläget med en planerare i molnet.1

Vilken hårdvara behöver jag som minst?

Google rekommenderar för huvudvarianten med Gemma 4 26B minst 24 GB grafikminne eller delat minne.1 Med Ollama och Gemma 4 E4B, som i 4-bitarsversionen behöver cirka 4,5 GB, ryms en modell också på en laptop med 16 GB RAM, men svaren kommer då långsammare.4

Fungerar det också med LM Studio i stället för Ollama?

Ja, via LocalOpenAIAgentConfig pratar SDK:t med vilken OpenAI-kompatibel server som helst. Google nämner uttryckligen Ollama, LM Studio och vLLM.1

Vad är skillnaden mellan LiteRT och Ollama?

LiteRT är Googles egen körtid för modeller på enheten, och för den är SDK:t särskilt optimerat med LiteRTAgentConfig. Ollama är en utbredd lokal modellserver som SDK:t når via det OpenAI-kompatibla gränssnittet. LiteRT är den optimerade vägen för Gemma 4 26B, Ollama ger dig större urval av modeller.1,2

Fungerar Antigravity SDK på Windows och Linux?

Ja, på PyPI finns färdiga paket för Windows, Linux och macOS, vart och ett för Intel- och ARM-processorer.3

Får jag använda Gemma 4 kommersiellt?

Ja, Google tillhandahåller Gemma 4 med öppna vikter under Apache 2.0-licensen, det vill säga du får använda modellerna också kommersiellt i ditt företag.4,8

Citeringsförslag

Gütter, Simon (2026): Google Antigravity och lokal AI: så kör du AI-agenter offline med Ollama och Gemma 4 på din dator. Simon Traffic, 16 november 2026. https://simon-traffic.com/blog/ki-automatisierung/antigravity-lokal-ollama/

Källor

  1. 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/
  2. Google: Antigravity SDK for Python, README, hämtad 16.11.2026. https://github.com/google-antigravity/antigravity-sdk-python
  3. PyPI: google-antigravity 0.1.23, paketdata och dokumentation i paketet, hämtad 16.11.2026. https://pypi.org/project/google-antigravity/
  4. Google AI for Developers: Gemma 4 model overview, hämtad 16.11.2026. https://ai.google.dev/gemma/docs/core
  5. Ollama: gemma4, modellbibliotek, hämtad 16.11.2026. https://ollama.com/library/gemma4
  6. Ollama: FAQ, How can I specify the context window size?, hämtad 16.11.2026. https://docs.ollama.com/faq
  7. Google Antigravity: Pricing, hämtad 16.11.2026. https://antigravity.google/pricing
  8. Google AI for Developers: Gemma 4, Apache License 2.0, hämtad 16.11.2026. https://ai.google.dev/gemma/docs/gemma_4_license

Läge: 16 november 2026. Antigravity SDK finns i version 0.1.x, funktioner och rekommendationer kan ändras.