Google Antigravity 本地 AI:用 Ollama 和 Gemma 4 讓 AI 代理在你的電腦上離線運作

Simon Gütter · 2026 年 11 月 16 日 · 閱讀時間約 18 分鐘

標題圖「Google Antigravity 本地 AI」:木桌上打開的筆電,背景是山景,一條橘色網路線插在筆電上,另一端則隨意垂放,旁邊是整理好的信件分類盤

你的 AI 工具每週用量上限,到底讓你花了多少錢、多少心力?我自己的狀況通常是做到一半額度就用完了,而且每封客戶郵件都會讓我想:這真的該放到別人的伺服器上嗎?Google Antigravity 本地 AI 正是從這裡切入,因為這樣 AI 就不是跑在雲端,而是跑在你自己的電腦上。自 2026 年 9 月 23 日起,Antigravity SDK 也能搭配存放在你硬碟裡的 AI 模型運作。1 也就是說,你可以用和 Antigravity 應用程式相同的底層架構打造一個 AI 代理,例如讓它透過 Ollama 搭配 Gemma 4 運作,不需要 API 金鑰、不需要點數,設定完成後甚至不需要網路。不過有一個但書:Google 建議主力版本使用至少 24 GB 顯示記憶體或共用記憶體的電腦。1,2 所以這篇文章會告訴你,哪個模型適合你的電腦、如何架設本地端的 AI agent(算是一篇 AI agent 教學)、小型公司適合哪五個 AI 代理,以及它的限制在哪裡。

重點摘要

Antigravity SDK 是 Google 提供的 Python 工具包,用來打造你自己的 AI 代理。自 2026 年 9 月起,這些代理也能搭配本地 LLM 運作:官方針對透過 Google LiteRT 執行的 Gemma 4 26B 做了最佳化,另外也支援任何與 OpenAI 相容的伺服器,例如 Ollama、LM Studio 或 vLLM。1 較小的 Gemma 4 模型透過 Ollama 也能在 16 GB 記憶體的筆電上執行,只是速度會比較慢,而且產出的結果你應該再檢查一遍。4,5 你可以透過規則決定代理能做什麼,透過觸發器讓它自動啟動,而你的資料會留在自己的裝置上。2

數字速覽

  • 2026/09/23:Google 宣布 Antigravity SDK 支援本地模型。1
  • 24 GB 顯示記憶體或共用記憶體,是 Google 對主力版本 Gemma 4 26B A4B 的建議配備。1,2
  • Google 建議本地代理使用 64,000 Token 的上下文,而 Ollama 預設只有 4,096。2,6
  • Gemma 4 E4B 的 4 位元版本需要 4.5 GB 記憶體,26B 版本則需要 14.4 GB。4
  • 在 Google 的混合模式示範中,有 97.2% 的 Token 在本地執行,雲端的規劃器只用了 95 個 Token。1
  • 個人使用 Antigravity 每月費用為 0 美元,附基本的每週用量上限。7

什麼是 Antigravity SDK?

Antigravity 目前有五種形式:應用程式、獨立的開發環境(IDE)、其他編輯器的擴充功能、命令列,以及 SDK。7 SDK 是給你自己的程式和自動化流程使用的版本。你用 pip install google-antigravity 安裝,寫幾行 Python,思考、呼叫工具、檢查、繼續執行這整個迴圈就由 SDK 負責。2 根據 Google 的說法,背後用的是驅動 Antigravity 應用程式的同一套能力。1

對你來說,這代表你不必從零開始寫一個 AI 代理。你描述一項任務,給代理一個可以工作的資料夾,它就會讀取檔案、寫出結果,需要時也會執行指令。另外還有用 Python 函式做成的自訂工具、MCP 伺服器的串接、限定允許動作的規則,以及讓重複性任務自動啟動的觸發器。2 這個 SDK 採用 Apache 2.0 授權,可在 macOS、Linux 和 Windows 上執行。不過它附帶一個預先編譯的執行檔,只存在於 PyPI 的套件裡,GitHub 上的原始碼中並沒有。2,3

本地或雲端:有什麼不同?

不做額外設定時,SDK 會連到雲端的 Gemini,並需要 API 金鑰。2 要在本地執行,基本上只要換掉設定,代理的任務、規則和工具都維持不變,Google 為此列出了四個理由:1

  • 沒有持續性費用,因為 API 費用和速率限制都不再有,
  • 資料保護,因為你的程式碼和請求完全留在你的電腦上,
  • 離線運作,所以就算網路不穩,代理也能工作,例如在外出途中或在露營車裡,
  • 混合運作,也就是把低成本的本地工作與大型雲端模型結合,在任務真的太難時派上用場。

用量上限這一點我覺得不要小看。本地代理想跑幾次就跑幾次,唯一的限制是你的電腦,而不是週三就已經用完的額度。

雲端的 Gemini 透過 LiteRT 的 Gemma 4 透過 Ollama 的 Gemma 4
SDK 中的設定 LocalAgentConfig 搭配 Gemini API 金鑰 LiteRTAgentConfig LocalOpenAIAgentConfig
需要網路 是 否(下載之後) 否(下載之後)
每項任務的費用 依用量或方案上限計費 無 無
建議硬體 不限 24 GB 以上的顯示記憶體或共用記憶體 視模型而定,E4B 在 16 GB 的筆電上就能執行
資料會離開你的電腦 是 否 否
Google 官方最佳化 是 是,針對 Gemma 4 26B A4B 有支援,但沒有特別最佳化

來源:Google Developers Blog、Antigravity SDK 的 README、Gemma 4 模型總覽。1,2,4

哪個 Gemma 4 模型適合你的電腦?

這是開始之前最重要的問題。Gemma 4 有五種大小,從適合手機和瀏覽器的 E2B,到適合高階電腦的 31B。4 模型越大,結果越好,但需要的記憶體也越多,在效能較弱的硬體上也會越慢。下表列出 Google 公布的大致記憶體需求,旁邊是 Ollama 的下載大小。

模型 4 位元版本(Google) Ollama 下載大小 上下文 適合
Gemma 4 E2B 2.9 GB 4.6 至 7.5 GB 128K 較舊的筆電、簡單的分類任務
Gemma 4 E4B 4.5 GB 6.6 至 9.5 GB 128K 16 GB RAM 的一般筆電
Gemma 4 12B 6.7 GB 7.7 至 8.0 GB 256K 16 至 32 GB 並配有顯示卡的電腦
Gemma 4 26B A4B 14.4 GB 16 至 19 GB 256K Google 的主力版本,建議 24 GB 以上
Gemma 4 31B 17.5 GB 19 至 20 GB 256K 高階工作站,或記憶體很大的 Mac

來源:Google 的 Gemma 4 模型總覽與 Ollama 模型庫,截至 2026/11/16。4,5

我自己的經驗法則是,選能完整放進顯示記憶體的最大模型,Mac 則是放進共用記憶體,並且留一些空間給上下文。在 16 GB RAM、沒有獨立顯示卡的筆電上(就像我自己用的那台),E4B 是合理的選擇。E2B 比較小也比較快,但如果代理需要連續完成好幾個步驟,我至少會選 E4B。

建立本地 AI 代理:一步步打造你自己的 Ollama 代理

在開始用 SDK 之前,我會先在 Antigravity 應用程式或你的編輯器裡試做看看這項任務。在那裡你很快就能看出代理到底有沒有理解這項任務,等到這樣行得通,再用 SDK 把它自動化才有意義。實際設定大約需要一刻鐘,取決於模型下載的速度。

  1. 安裝 Ollama 並下載模型。Ollama 可以在 ollama.com 取得,模型例如用 ollama pull gemma4:e4b 下載。5
  2. 加大上下文。Ollama 在沒有設定時只用 4,096 Token 的上下文,對代理來說遠遠不夠。所以請這樣啟動 Ollama,例如 OLLAMA_CONTEXT_LENGTH=16384 ollama serve。上下文越大,需要的記憶體越多,所以在 16 GB 的筆電上,我會先維持在 16,384 或 32,768 Token,等到有 24 GB 以上,再往 Google 建議的 64,000 Token 靠近。6,2 如果你的 Ollama 是以背景服務執行,就把這個變數填進服務的設定裡,然後重新啟動服務。6
  3. 建立 Python 環境:在 macOS 或 Linux 用 python3 -m venv .venv 和 source .venv/bin/activate,在 Windows 的 PowerShell 則用 python -m venv .venv 和 .venv\Scripts\Activate.ps1。2
  4. 安裝 SDK:用 pip install google-antigravity。2
  5. 撰寫代理。最重要的是三項資訊,也就是模型名稱、本地伺服器的位址,以及代理可以工作的資料夾。
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("讀取資料夾中的所有檔案,並用一句話總結每個檔案。")
        async for teil in antwort:
            print(teil, end="", flush=True)

asyncio.run(main())

有一個我自己踩過的坑:第一次嘗試時,明明 Ollama 正在執行,卻沒有得到回應,只出現連線到 Ollama 的逾時。在我的電腦上,localhost 指向了 IPv6 位址,而 Ollama 在那個位址上連不到,所以範例中用的是 127.0.0.1。如果這樣還是只有逾時,請檢查你的桌面防火牆。如果它是逐一放行對外連線,SDK 的執行檔也必須被允許存取本機的 11434 連接埠。

讓 Antigravity 幫你建立代理

程式碼不一定要自己打。在 Antigravity 應用程式裡,你也可以讓它幫你建立代理,下指令的方式像這樣:

用 Antigravity SDK 建立一個 Python 代理。使用 LocalOpenAIAgentConfig,模型為 gemma4:e4b,Ollama 位址為 http://127.0.0.1:11434/v1。把這個資料夾設為工作區。代理要讀取資料夾「eingang」中的每個檔案,完成我在下面描述的任務,並把結果寫入資料夾「ausgang」。請輸出每一次工具呼叫,讓我可以看著它執行。然後執行它。任務:……

請記得,Antigravity 應用程式本身是使用雲端模型的,也就是說,你的任務描述在建立階段會先傳到雲端,等到完成的代理開始執行,才會在本地處理你的檔案。所以建立時只在資料夾裡放範例資料,真正的客戶資料等建好之後再放。還有,在你全部採用之前,先看看應用程式建立並修改了哪些檔案。對你自己的工作流程來說,這樣通常就夠了,但如果是涉及登入或付款的客戶專案,還是應該請有程式經驗的人檢查一下程式碼。

五個值得在公司導入的本地代理

這五個都遵循同一個模式:一個放輸入的資料夾、一項明確的任務,以及第二個放結果的資料夾。所以在上面的指令裡,你每次只需要換掉任務。

1. 給代理商與服務業者的收件匣分類器

你把客戶郵件存成文字檔放進輸入資料夾,例如從你的郵件程式匯出。代理會讀取每封郵件,依緊急程度排序,附上一行摘要,並為每封信擬一份回覆草稿。排在最前面的,可能是對成果不滿、正在考慮解約的網路商店客戶,並附上一份語氣平穩、詢問究竟卡在哪裡的草稿。信當然還是要你自己讀過之後再寄出。由於郵件裡幾乎一定有個人資料,本地執行在這裡的效益最大。

2. 給開發客戶用的聯絡人名單分類器

你手上有一份幾百筆聯絡人的名單,來自展覽、詢問或舊專案,裡面有 vorname@firma.de 這類個人信箱,和 info@ 或 praxis@ 這類共用信箱混在一起。你在聯繫時需要把兩者分開,因為寫給老闆和寫給總機的方式不一樣。代理會逐列檢查表格,把每個地址標記為個人或一般,並把結果寫到新的欄位。像這種名單,不必為此交給雲端服務,感覺特別安心。

3. 給既有聯絡人的開場白撰寫器

你給代理一份表格,裡面有公司、產業,以及一則關於網站的簡短備註。它會為每家公司寫一個開場句,內容針對這家公司實際在做的事,而不是「網站很棒」這類客套話。例如針對有 4,000 名學員的線上學校,它會提到爆滿的客服信箱;針對有試用期的軟體服務,則會提到試用客戶如何找到對的功能。這時請留意電子郵件廣告的相關規定,因為在德國,即使對象是公司,未經邀約的廣告郵件也只在很窄的範圍內被允許。所以這些開場白請只用在已經同意接收的聯絡人身上,或當作個人談話的切入點。

4. 給教練與顧問的筆記整理器

會面之後,筆記通常是半句話、點子和你答應過的事混成一團。代理會為每位客戶整理出一份清楚的計畫,包含三項任務,以及一個用來開啟下次會面的問題。對話筆記是機密,所以對我來說,它們不該放進我不確定會被怎麼處理的服務裡。

5. 用 Search Console 匯出檔做成的 SEO 儀表板

你從 Google Search Console 匯出包含搜尋查詢、點擊、曝光、CTR 和排名的表格。代理會據此做成一個單頁 HTML,最上面是表現最強的搜尋查詢,下面是速贏機會,也就是排名在第 8 到 20 名之間、只要花不多功夫就能推上第一頁的關鍵字,另外還有一個簡單的長條圖。這樣的儀表板,客戶幾秒鐘就能看懂,而且這些數字從頭到尾都不會離開你的電腦。

規則與觸發器:讓你的代理安全地自動運作

能寫入檔案、執行指令的代理,需要明確的界線。不做額外設定時,SDK 只有讀取權限,其他的都由你有針對性地開放。2

  • 透過規則(Policies),你先禁止所有動作,再有針對性地允許個別步驟,例如讀取檔案可以,執行指令則要先詢問。這裡有 deny、allow 和 ask_user,另外還有現成的元件,例如會擋下工作資料夾以外存取的 workspace_only,以及會拒絕未經你同意之指令的 confirm_run_command。2,3 這樣你的收件匣分類器就可以寫草稿,但不能刪除任何東西。
  • 透過觸發器(Triggers),你決定代理何時開始工作,例如用 every 每十分鐘一次,或用 on_file_change 在輸入資料夾出現新檔案的那一刻啟動。2,3
  • 透過自訂工具,你可以把任何 Python 函式變成代理可用的工具,MCP 伺服器也是用同樣的方式接上。2 例如網路商店可以給代理一個讀取商品表格的工具,然後為每個新商品得到商品描述。

混合模式:雲端負責規劃,你的電腦負責執行

如果任務對小型本地模型來說太大,你也不必馬上全部送上雲端。Google 把這種分工比作建築師和他的施工隊,也就是由雲端模型(示範中是 Gemini 3.8 Flash)規劃並分派任務,但它只看得到檔名和簡短說明,而實際處理內容的工作,則由你電腦上的多個本地 Gemma 4 執行個體完成。1

在 Google 的範例中,處理的是三個有安全漏洞的 Python 檔案。雲端的規劃器為此只用了 95 個 Token。本地模型重現了這些漏洞、寫出修正、互相批評,並用測試驗證所有內容。最後有 97.2% 的 Token 在本地執行,也就是 3,322 個 Token。1 對一間公司來說,這代表檔名會傳到雲端,可能透露一些資訊,但內容仍留在你這裡。

Antigravity 費用:本地執行要付多少歐元?

在本地執行不會產生每項任務的費用,你只需要付電費,以及你本來就有的硬體。假設有一台筆電,在負載下大約耗電 60 瓦,每天替你的代理運算兩小時。這樣每月大約需要 3.6 kWh,以每度 35 歐分計算,每月大約是 1.30 €。這些數值是估算,會依裝置和電費方案而異,但數量級是對的。

Antigravity 本身對個人使用者每月費用為 0 美元,雲端模型附基本的每週用量上限。Google AI Pro 和 Ultra 提供更多空間,企業則透過 Google Cloud 訂購,其中 Gemini Enterprise 方案每個席位每月 30 美元起。7 對你的本地代理來說,這些上限並不重要,只有在你使用應用程式或雲端模型時才會計入。

不過,更有價值的是你省下的時間。如果收件匣分類器每天只幫你省下 20 分鐘的預先整理,以每月 20 個工作天計算,就是每月將近七小時。以內部時薪 50 € 計算,相當於大約 330 €。

我的建議:讓本地代理穩定運作

  1. 給每個代理專屬的工作資料夾。這樣它能專注在手上的事,加上 workspace_only,它就碰不到其他東西。3
  2. 給一項明確的任務,而不是一張願望清單。小型本地模型在指令範圍窄、結果檔名明確的時候,表現會好得多。寧可三個代理各做一件事,也不要一個什麼都要會的代理。
  3. 在懷疑代理之前,先調高上下文。如果代理在長任務中途中斷,或是搞丟了脈絡,往往是因為上下文太小。Ollama 預設的 4,096 Token 對代理來說不夠。6
  4. 預留耐心。連 Google 自己的範例腳本都提醒,本地處理可能需要好幾分鐘。1 所以讓代理透過觸發器在背景執行,而不是坐在螢幕前等。
  5. 檢查結果。小型本地模型在困難的任務上,會比大型雲端模型犯更多錯。對於大量涉及機密檔案的例行工作,它還是適合,只是你不該把任何東西沒讀過就寄出去。
  6. 先從範例資料開始。每個代理都先用虛構的郵件、筆記或表格測試,之後再讓它處理真實資料。
  7. 注意檔案格式與休眠狀態。代理處理純文字檔最穩定,例如 .txt、.md 或 .csv。至於 Excel 活頁簿,最好給它一個小型 Python 函式當工具。另外請記得,本地代理只有在你的電腦醒著時才會工作,闔上筆電,代理也會暫停。

本地 AI 的限制與資料保護

本地 AI 也有它的缺點,在你把它當成日常工作的依靠之前,有幾點應該先知道。

  • Google 針對透過 LiteRT 執行的 Gemma 4 26B A4B 最佳化了本地執行,根據 README,其他 LiteRT 模型檔案可能表現不佳,甚至完全無法執行。2 Ollama 搭配較小的模型有支援,但不是 Google 的主要路線。
  • 建議的 24 GB 顯示記憶體或共用記憶體,是針對 26B 版本。記憶體較少時,可以跑較小的模型,但能力會明顯變弱。1,4
  • 對於較困難的任務,例如較大型的程式開發工作,大型雲端模型仍然明顯領先。本地執行最適合每天反覆出現的許多小任務。
  • SDK 附帶一個預先編譯的執行檔,其原始碼不在公開的儲存庫裡。2
  • 在 Antigravity 應用程式中建立以及使用混合模式時,有一部分內容會送到雲端模型,也就是你的任務描述,以及檔名。1
  • Gemma 4 和 SDK 一樣採用 Apache 2.0 授權,也就是說,你可以在公司裡商業使用這些模型,而且不需要授權費。8

儘管如此,最大的優勢依然是:只要代理純粹在本地執行,你就是在自己的裝置上處理客戶資料,AI 供應商看不到這些資料。就這一步而言,你也不需要和 AI 供應商簽訂資料處理協議。GDPR 的其他義務,例如目的限定和刪除期限,當然仍然適用。如果你對自行代管整體有興趣,也可以看看我使用 Nemotron 3.5 Bolt 作為本地助理的經驗。

結論

本地的 Antigravity 代理現在能取代大型雲端模型嗎?對困難又需要創意的任務來說不行,那方面大型模型明顯更好。但對於大量涉及機密資料的小任務,也就是預先整理郵件、拆分聯絡人名單、整理筆記或分析匯出資料,這個本地 AI 方案非常實用,因為你只要設定一次,之後代理想跑幾次就跑幾次,沒有每項任務的費用,也沒有每週用量上限。我會從恰好一個代理開始,選那件每週最讓你煩的任務,先用範例資料測試兩週,再換成真實資料。如果你在過程中發現,你的公司裡還有更多這類任務,我們可以簡短聊聊,看哪一項最先值得做。

關於 Google Antigravity 本地 AI 的常見問題

Google Antigravity 是免費的嗎?

對個人使用者來說是的,這個方案每月 0 美元,附基本的每週用量上限。Google AI Pro 和 Ultra 提供更多空間。7 透過 SDK 執行的本地代理不會產生每項任務的費用,甚至不需要 API 金鑰。1

本地 Antigravity 代理需要網路嗎?

只有設定階段需要,也就是下載 SDK 和模型的時候。之後代理就完全離線運作,除非你使用搭配雲端規劃器的混合模式。1

最低需要什麼硬體?

Google 建議主力版本 Gemma 4 26B 至少要有 24 GB 的顯示記憶體或共用記憶體。1 使用 Ollama 搭配 Gemma 4 E4B(4 位元版本大約需要 4.5 GB),模型也能放進 16 GB RAM 的筆電,只是回應會比較慢。4

用 LM Studio 取代 Ollama 也行嗎?

可以,SDK 透過 LocalOpenAIAgentConfig 能連接任何與 OpenAI 相容的伺服器。Google 明確提到 Ollama、LM Studio 和 vLLM。1

LiteRT 和 Ollama 有什麼差別?

LiteRT 是 Google 自家在裝置上執行模型的執行環境,SDK 以 LiteRTAgentConfig 針對它做了特別最佳化。Ollama 是常見的本地模型伺服器,SDK 透過與 OpenAI 相容的介面連接它。LiteRT 是 Gemma 4 26B 的最佳化路線,Ollama 則讓你在模型上有更多選擇。1,2

Antigravity SDK 能在 Windows 和 Linux 上執行嗎?

可以,PyPI 上有適用於 Windows、Linux 和 macOS 的現成套件,各自支援 Intel 和 ARM 處理器。3

我可以商業使用 Gemma 4 嗎?

可以,Google 以開放權重、Apache 2.0 授權提供 Gemma 4,也就是說,你可以在公司裡商業使用這些模型。4,8

建議引用格式

Gütter, Simon (2026): Google Antigravity 本地 AI:用 Ollama 和 Gemma 4 讓 AI 代理在你的電腦上離線運作。Simon Traffic,2026 年 11 月 16 日。https://simon-traffic.com/blog/ki-automatisierung/antigravity-lokal-ollama/

來源

  1. Google Developers Blog: Introducing Support for Local AI Models in the Antigravity SDK, 2026/09/23. https://developers.googleblog.com/introducing-support-for-local-ai-models-in-the-antigravity-sdk/
  2. Google: Antigravity SDK for Python, README,擷取日期 2026/11/16。 https://github.com/google-antigravity/antigravity-sdk-python
  3. PyPI: google-antigravity 0.1.23, Paketdaten und Dokumentation im Paket,擷取日期 2026/11/16。 https://pypi.org/project/google-antigravity/
  4. Google AI for Developers: Gemma 4 model overview,擷取日期 2026/11/16。 https://ai.google.dev/gemma/docs/core
  5. Ollama: gemma4, Modellbibliothek,擷取日期 2026/11/16。 https://ollama.com/library/gemma4
  6. Ollama: FAQ, How can I specify the context window size?,擷取日期 2026/11/16。 https://docs.ollama.com/faq
  7. Google Antigravity: Pricing,擷取日期 2026/11/16。 https://antigravity.google/pricing
  8. Google AI for Developers: Gemma 4, Apache License 2.0,擷取日期 2026/11/16。 https://ai.google.dev/gemma/docs/gemma_4_license

截至 2026 年 11 月 16 日。Antigravity SDK 目前為 0.1.x 版,功能與建議可能會有變動。