Agent IA local avec Google Antigravity : comment faire tourner des agents IA avec Ollama et Gemma 4 hors ligne sur ton ordinateur

Simon Gütter · 16 novembre 2026 · Temps de lecture : environ 18 minutes

Image de couverture « Agent IA local avec Google Antigravity » : un ordinateur portable ouvert sur une table en bois devant un panorama de montagne, un câble réseau orange branché dans l'ordinateur dont l'autre extrémité traîne librement, à côté des bacs avec des courriers triés

Combien d'argent et de nerfs te coûte en fait la limite hebdomadaire de ton outil d'IA ? Chez moi, le quota est souvent épuisé juste au moment où je suis en plein milieu d'une tâche, et à chaque e-mail client se pose en plus la question de savoir s'il a vraiment sa place sur un serveur étranger. C'est exactement là qu'intervient l'agent IA local avec Google Antigravity, puisque l'IA ne tourne alors pas dans le cloud, mais sur ton propre ordinateur. Depuis le 23 septembre 2026, le SDK Antigravity peut en effet aussi travailler avec des modèles d'IA (un LLM local) qui se trouvent sur ton disque dur.1 Concrètement, tu crées un agent IA avec la même base que celle sur laquelle tourne l'application Antigravity, et tu le fais travailler par exemple avec Gemma 4 via Ollama, sans clé d'API, sans crédits et, une fois la configuration faite, même sans internet (IA hors ligne). Il y a quand même un hic, puisque Google recommande pour la variante principale un ordinateur avec au moins 24 Go de mémoire graphique ou de mémoire partagée.1,2 Dans cet article, je te montre donc quel modèle convient à ton ordinateur, comment mettre en place un agent local, quels cinq agents valent le coup dans une petite entreprise et où se situent les limites.

En bref

Le SDK Antigravity est la boîte à outils Python de Google pour créer tes propres agents IA. Depuis septembre 2026, ces agents fonctionnent aussi avec des modèles d'IA locaux, officiellement optimisés pour Gemma 4 26B via LiteRT de Google et, en plus, via n'importe quel serveur compatible OpenAI comme Ollama, LM Studio ou vLLM.1 Un modèle Gemma 4 plus petit via Ollama tient aussi sur un ordinateur portable avec 16 Go de mémoire vive (Gemma 4 Ollama), mais il travaille alors plus lentement et donne des résultats que tu devrais relire.4,5 Avec des règles, tu définis ce que l'agent a le droit de faire, avec des déclencheurs il démarre tout seul, et tes données restent sur ton appareil.2

L'essentiel en chiffres

  • 23/09/2026 : Google annonce les modèles locaux dans le SDK Antigravity.1
  • 24 Go de mémoire graphique ou partagée : c'est ce que Google recommande pour la variante principale avec Gemma 4 26B A4B.1,2
  • 64 000 tokens de contexte : c'est ce que Google recommande pour les agents locaux, alors qu'Ollama démarre par défaut avec 4 096.2,6
  • 4,5 Go de mémoire pour Gemma 4 E4B en version 4 bits, 14,4 Go pour la variante 26B.4
  • 97,2 % de tous les tokens ont été traités en local dans la démo hybride de Google, le planificateur dans le cloud n'a eu besoin que de 95 tokens.1
  • 0 dollar américain par mois : c'est ce que coûte Antigravity pour les particuliers, avec des limites hebdomadaires simples.7

Qu'est-ce que le SDK Antigravity ?

Antigravity existe désormais sous cinq formes : application, environnement de développement propre (IDE), extension pour d'autres éditeurs, ligne de commande et SDK.7 Le SDK est la variante pour tes propres programmes et automatisations. Tu l'installes avec pip install google-antigravity, tu écris quelques lignes de Python, et le SDK s'occupe de toute la boucle : réflexion, appel d'outil, vérification et poursuite du travail.2 D'après Google, ce sont les mêmes capacités que celles qui font tourner l'application Antigravity.1

Pour toi, cela veut dire que tu n'as pas à programmer un agent IA à partir de zéro. Tu décris une tâche, tu donnes à l'agent un dossier dans lequel il a le droit de travailler, et il lit des fichiers, écrit des résultats et, si tu le souhaites, exécute aussi des commandes. S'y ajoutent des outils personnalisés créés à partir de fonctions Python, la connexion de serveurs MCP, des règles pour les actions autorisées et des déclencheurs pour les tâches récurrentes.2 Le SDK est sous licence Apache 2.0 et fonctionne sous macOS, Linux et Windows. Il embarque toutefois un fichier d'exécution précompilé qui ne se trouve que dans le paquet sur PyPI et pas dans le code source sur GitHub.2,3

IA locale ou cloud : qu'est-ce qui change ?

Sans réglage supplémentaire, le SDK parle à Gemini dans le cloud et a besoin pour cela d'une clé d'API.2 Pour l'IA locale, tu changes en gros uniquement la configuration, car les tâches, les règles et les outils de ton agent restent les mêmes, et Google cite quatre raisons pour cela :1

  • pas de coûts récurrents, parce que les frais d'API et les limites de débit disparaissent,
  • protection des données, parce que ton code et tes requêtes restent entièrement sur ton ordinateur,
  • fonctionnement hors ligne, de sorte que l'agent travaille aussi sans connexion internet stable, par exemple en déplacement ou dans le van,
  • fonctionnement hybride, où tu combines un travail local économique avec un grand modèle cloud quand une tâche devient quand même trop lourde.

Je ne sous-estimerais pas le point sur les limites. Un agent local tourne aussi souvent que tu veux, car la seule limite, c'est ton ordinateur et non un quota qui est déjà vide le mercredi.

Gemini dans le cloud Gemma 4 via LiteRT Gemma 4 via Ollama
Configuration dans le SDK LocalAgentConfig avec clé d'API Gemini LiteRTAgentConfig LocalOpenAIAgentConfig
Internet nécessaire oui non (après le téléchargement) non (après le téléchargement)
Coûts par tâche selon la consommation ou la limite du forfait aucun aucun
Matériel recommandé peu importe à partir de 24 Go de mémoire graphique ou partagée selon le modèle, E4B dès les ordinateurs portables avec 16 Go
Les données quittent l'ordinateur oui non non
Optimisé par Google oui oui, pour Gemma 4 26B A4B pris en charge, pas spécialement optimisé

Sources : Google Developers Blog, README du SDK Antigravity, présentation des modèles Gemma 4.1,2,4

Quel modèle Gemma 4 convient à ton ordinateur ?

C'est la question la plus importante avant de te lancer. Gemma 4 existe en cinq tailles, de E2B pour le téléphone et le navigateur jusqu'à 31B pour les ordinateurs puissants.4 Plus le modèle est grand, meilleurs sont les résultats, mais plus il te faut de mémoire et plus il devient lent sur un matériel faible. Le tableau indique les besoins approximatifs en mémoire selon Google, avec à côté les tailles de téléchargement chez Ollama.

Modèle Version 4 bits (Google) Téléchargement chez Ollama Contexte Convient pour
Gemma 4 E2B 2,9 Go 4,6 à 7,5 Go 128K ordinateurs portables plus anciens, tâches de tri simples
Gemma 4 E4B 4,5 Go 6,6 à 9,5 Go 128K ordinateurs portables normaux avec 16 Go de RAM
Gemma 4 12B 6,7 Go 7,7 à 8,0 Go 256K ordinateurs avec 16 à 32 Go et une carte graphique
Gemma 4 26B A4B 14,4 Go 16 à 19 Go 256K variante principale de Google, recommandée à partir de 24 Go
Gemma 4 31B 17,5 Go 19 à 20 Go 256K stations de travail puissantes ou Mac avec beaucoup de mémoire

Sources : présentation des modèles Gemma 4 de Google et bibliothèque Ollama, état au 16/11/2026.4,5

En règle générale, je prends le plus grand modèle qui tient entièrement dans la mémoire graphique, sur un Mac dans la mémoire partagée, et je garde de la marge pour le contexte. Sur un ordinateur portable avec 16 Go de RAM sans carte graphique dédiée, comme celui que j'utilise moi-même, E4B est le choix raisonnable. E2B est plus petit et plus rapide, mais pour des agents qui doivent enchaîner plusieurs étapes, je prendrais au minimum E4B.

Créer un agent IA local : pas à pas jusqu'à ton propre agent Ollama

Avant de te lancer avec le SDK, je tester­ais d'abord la tâche dans l'application Antigravity ou dans ton éditeur. Tu y vois vite si l'agent comprend la tâche, et ce n'est que quand ça marche qu'il vaut la peine de l'automatiser avec le SDK. La mise en place elle-même prend ensuite environ un quart d'heure, selon la vitesse du téléchargement du modèle.

  1. Installer Ollama et télécharger le modèle. Tu trouves Ollama sur ollama.com, et tu récupères le modèle par exemple avec ollama pull gemma4:e4b.5
  2. Agrandir le contexte. Sans réglage, Ollama travaille avec 4 096 tokens de contexte, c'est beaucoup trop peu pour des agents. Démarre donc Ollama par exemple avec OLLAMA_CONTEXT_LENGTH=16384 ollama serve. Un contexte plus grand demande plus de mémoire vive, c'est pourquoi sur un ordinateur portable avec 16 Go, je resterais d'abord à 16 384 ou 32 768 tokens, et je ne monterais vers les 64 000 tokens recommandés par Google qu'à partir de 24 Go et plus.6,2 Si Ollama tourne chez toi comme service en arrière-plan, tu ajoutes la variable dans ses réglages et tu redémarres le service.6
  3. Créer l'environnement Python avec python3 -m venv .venv et source .venv/bin/activate sous macOS ou Linux, sous Windows dans PowerShell avec python -m venv .venv et .venv\Scripts\Activate.ps1.2
  4. Installer le SDK avec pip install google-antigravity.2
  5. Écrire l'agent. Trois informations sont surtout importantes : le nom du modèle, l'adresse du serveur local et le dossier dans lequel l'agent a le droit de travailler.
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("Lis tous les fichiers du dossier et résume chacun en une phrase.")
        async for teil in antwort:
            print(teil, end="", flush=True)

asyncio.run(main())

Un piège dans lequel je suis moi-même tombé : au premier essai, je n'ai pas eu de réponse, seulement un timeout lors de la connexion à Ollama, alors qu'Ollama tournait. Chez moi, localhost pointait vers l'adresse IPv6, sur laquelle Ollama n'était pas joignable, c'est pourquoi l'exemple utilise 127.0.0.1. Si tu n'obtiens qu'un timeout même ainsi, regarde du côté de ton pare-feu de bureau. S'il autorise les connexions sortantes une par une, le fichier d'exécution du SDK doit aussi avoir le droit d'accéder au port local 11434.

Laisser Antigravity construire l'agent

Tu n'as pas besoin de taper le code toi-même. Dans l'application Antigravity, tu peux aussi te faire construire l'agent, avec une demande comme celle-ci :

Construis un agent Python avec le SDK Antigravity. Utilise LocalOpenAIAgentConfig avec le modèle gemma4:e4b et l'adresse Ollama http://127.0.0.1:11434/v1. Définis ce dossier comme espace de travail. L'agent lit chaque fichier du dossier « entrée », accomplit la tâche que je décris ci-dessous et écrit ses résultats dans le dossier « sortie ». Affiche chaque appel d'outil pour que je puisse suivre. Puis exécute-le. Tâche : …

Garde à l'esprit que l'application Antigravity elle-même travaille avec des modèles cloud, c'est-à-dire que la description de ta tâche part d'abord dans le cloud pendant la construction, et que seul l'agent terminé travaille en local avec tes fichiers. Pendant la construction, mets donc uniquement des données d'exemple dans le dossier, et les vraies données clients seulement ensuite. Et regarde quels fichiers l'application crée et modifie avant de tout reprendre. Pour tes propres processus, ça suffit la plupart du temps, mais pour un projet client avec des logins ou des paiements, quelqu'un avec de l'expérience en programmation devrait quand même relire le code.

Cinq agents locaux qui valent le coup en entreprise

Les cinq suivent le même schéma : un dossier avec les entrées, une tâche claire et un second dossier pour les résultats. Dans la demande ci-dessus, tu ne changes donc à chaque fois que la tâche.

1. Le trieur de boîte mail pour les agences et prestataires

Tu déposes les e-mails clients sous forme de fichiers texte dans le dossier d'entrée, par exemple via un export depuis ton logiciel de messagerie. L'agent lit chaque e-mail, trie par urgence, ajoute un résumé d'une ligne et crée un brouillon de réponse pour chacun. Tout en haut atterrit alors par exemple le client de la boutique en ligne qui est mécontent des résultats et pense à résilier, avec un brouillon posé qui demande où cela coince exactement. L'envoi des e-mails reste bien sûr à ta charge, une fois que tu les as lus. Comme les e-mails contiennent presque toujours des données personnelles, c'est ici que le fonctionnement local apporte le plus.

2. Le trieur de listes de contacts pour la prospection

Tu as une liste de quelques centaines de contacts issus de salons, de demandes ou d'anciens projets, et on y trouve des adresses personnelles comme prenom@entreprise.fr mélangées à des adresses génériques comme info@ ou cabinet@. Pour la prise de contact, tu as besoin des deux séparément, parce que tu n'écris pas à une dirigeante comme à un secrétariat. L'agent parcourt le tableau, marque chaque adresse comme personnelle ou générale et écrit le résultat dans une nouvelle colonne. Avec de telles listes, c'est justement agréable qu'elles n'aient pas à passer par un service cloud pour cela.

3. Le rédacteur de premières accroches pour les contacts existants

Tu donnes à l'agent un tableau avec des entreprises, leur secteur et une courte note sur leur site web. Il écrit pour chaque entreprise une première phrase qui se rapporte à ce que l'entreprise fait vraiment, au lieu de formules creuses comme « super site ». Pour une école en ligne avec 4 000 participants, il reprend par exemple la boîte de support pleine, et pour une offre logicielle avec période d'essai, la question de savoir comment les clients en test trouvent la bonne fonction. Pense ici aux règles sur la publicité par e-mail, car en Allemagne, les e-mails publicitaires non sollicités ne sont autorisés que dans des limites étroites, même envers des entreprises. N'utilise donc ces accroches que pour des contacts qui t'ont donné leur consentement, ou comme point de départ d'une conversation personnelle.

4. Le rangeur de notes pour les coachs et consultants

Après un rendez-vous, les notes sont la plupart du temps un fouillis de demi-phrases, d'idées et de choses que tu as promises. L'agent en fait, pour chaque client, un plan propre avec trois tâches et une question pour démarrer le prochain rendez-vous. Les notes d'entretien sont confidentielles, et c'est pourquoi, pour moi, elles n'ont pas leur place dans un service dont je ne sais pas exactement ce qu'il en fait.

5. Le tableau de bord SEO à partir de l'export de la Search Console

Tu exportes depuis la Google Search Console le tableau avec les requêtes de recherche, les clics, les impressions, le CTR et la position. L'agent en construit une page HTML unique, avec en haut les requêtes les plus fortes, en dessous les gains rapides, c'est-à-dire les termes entre la position 8 et 20 que tu peux faire monter en première page avec peu d'effort, et en plus un diagramme en barres simple. Un tel tableau de bord est aussi compris par les clients en quelques secondes, et les chiffres ne quittent jamais ton ordinateur.

Règles et déclencheurs : comment ton agent tourne en toute sécurité tout seul

Un agent qui a le droit d'écrire des fichiers et d'exécuter des commandes a besoin de limites claires. Sans réglage supplémentaire, le SDK travaille en lecture seule, et tu débloques tout le reste de façon ciblée.2

  • Avec des règles (policies), tu interdis d'abord tout, puis tu autorises de façon ciblée certaines étapes, par exemple lire des fichiers oui, commandes seulement après confirmation. Il existe pour cela deny, allow et ask_user, ainsi que des blocs prêts à l'emploi comme workspace_only, qui bloque les accès en dehors du dossier de travail, et confirm_run_command, qui refuse les commandes sans ton feu vert.2,3 Ton trieur de boîte mail a ainsi le droit d'écrire des brouillons, mais pas de supprimer quoi que ce soit.
  • Avec des déclencheurs (triggers), tu définis quand l'agent démarre, par exemple avec every toutes les dix minutes ou avec on_file_change au moment précis où un nouveau fichier arrive dans le dossier d'entrée.2,3
  • Avec des outils personnalisés, tu rends n'importe quelle fonction Python utilisable pour l'agent, et tu connectes les serveurs MCP de la même façon.2 Une boutique en ligne donne par exemple à l'agent un outil qui lit le tableau des produits, et obtient des descriptions pour chaque nouveau produit.

Le mode hybride : le cloud planifie, ton ordinateur travaille

Si une tâche est trop grosse pour un petit modèle local, tu n'as pas besoin d'envoyer tout de suite l'ensemble dans le cloud. Google compare la répartition du travail à un architecte et à son équipe de chantier : un modèle cloud, Gemini 3.8 Flash dans la démo, planifie la tâche et la répartit, mais ne voit alors que des noms de fichiers et de courtes descriptions, tandis que plusieurs instances locales de Gemma 4 sur ton ordinateur font le vrai travail sur les contenus.1

Dans l'exemple de Google, il s'agissait de trois fichiers Python avec des failles de sécurité. Le planificateur dans le cloud a eu besoin pour cela de 95 tokens. Les modèles locaux ont reproduit les failles, écrit des corrections, se sont critiqués mutuellement et ont tout vérifié par rapport aux tests. Au final, 97,2 % de tous les tokens ont été traités en local, soit 3 322 tokens.1 Pour une entreprise, cela veut dire que les noms de fichiers partent dans le cloud et peuvent révéler quelque chose, mais le contenu reste chez toi.

Coûts d'Antigravity : combien payes-tu en local, en euros ?

En local, il n'y a pas de frais par tâche, tu paies seulement l'électricité et le matériel que tu as de toute façon déjà. Prenons un ordinateur portable qui consomme environ 60 watts en charge et calcule deux heures par jour pour tes agents. Il lui faut environ 3,6 kWh par mois, et à 35 centimes le kWh, cela fait environ 1,30 € par mois. Ces valeurs sont estimées et dépendent de l'appareil et du tarif d'électricité, mais l'ordre de grandeur est bon.

Antigravity lui-même coûte 0 dollar américain par mois pour les particuliers, avec des limites hebdomadaires simples pour les modèles cloud. Il y a plus de marge avec Google AI Pro et Ultra, et les entreprises réservent via Google Cloud, où les forfaits Gemini Enterprise démarrent à 30 dollars américains par poste et par mois.7 Pour tes agents locaux, ces limites ne jouent aucun rôle, elles ne comptent que si tu utilises l'application ou les modèles cloud.

Mais ce qui te rapporte davantage, c'est le temps que tu gagnes. Si le trieur de boîte mail ne te retire que 20 minutes de pré-tri par jour, cela fait, sur 20 jours ouvrés, presque sept heures par mois. Avec un taux horaire interne de 50 €, cela équivaut à environ 330 €.

Mes conseils pour que les agents locaux travaillent de façon fiable

  1. Donner à chaque agent son propre dossier de travail. Ainsi il reste concentré, et avec workspace_only il ne peut accéder à rien d'autre.3
  2. Une tâche claire plutôt qu'une liste de souhaits. Les petits modèles locaux travaillent nettement mieux avec une mission étroite et des noms de fichiers précis pour les résultats. Mieux vaut trois agents avec une tâche chacun qu'un seul qui doit tout savoir faire.
  3. Augmenter le contexte avant de douter de l'agent. Si un agent s'arrête au milieu d'une longue tâche ou perd le fil, c'est souvent à cause d'un contexte trop petit. Les 4 096 tokens avec lesquels Ollama démarre ne suffisent pas pour des agents.6
  4. Prévoir de la patience. Même le script d'exemple de Google précise que le traitement local peut durer plusieurs minutes.1 Laisse donc l'agent tourner en arrière-plan via des déclencheurs, au lieu de rester devant.
  5. Relire les résultats. Un petit modèle local fait plus d'erreurs sur les tâches difficiles que les grands modèles cloud. Pour les nombreux travaux de routine avec des fichiers confidentiels, il convient quand même, mais tu ne devrais rien envoyer sans l'avoir relu.
  6. Commencer avec des données d'exemple. Teste chaque agent d'abord avec des e-mails, notes ou tableaux inventés, puis laisse-le passer aux données réelles.
  7. Faire attention aux formats de fichiers et à la mise en veille. L'agent travaille de la façon la plus fiable avec des fichiers texte bruts comme .txt, .md ou .csv. Pour les classeurs Excel, le mieux est de lui donner une petite fonction Python comme outil. Et n'oublie pas qu'un agent local ne travaille que tant que ton ordinateur est éveillé : si tu rabats l'ordinateur portable, l'agent se met aussi en pause.

Limites de l'IA locale et protection des données

L'IA locale a aussi ses inconvénients, et tu devrais en connaître quelques-uns avant de t'y fier dans le quotidien de l'entreprise.

  • Google a optimisé le fonctionnement local pour Gemma 4 26B A4B via LiteRT, d'autres fichiers de modèle LiteRT peuvent selon le README fonctionner mal ou pas du tout.2 Ollama avec des modèles plus petits est pris en charge, mais n'est pas la voie principale de Google.
  • La recommandation de 24 Go de mémoire graphique ou partagée vaut pour la variante 26B. Avec moins de mémoire, tu fais tourner un modèle plus petit, qui sait nettement moins faire.1,4
  • Pour les tâches difficiles comme les gros travaux de programmation, les grands modèles cloud restent clairement devant. Le fonctionnement local vaut surtout pour les nombreuses petites tâches qui reviennent chaque jour.
  • Le SDK embarque un fichier d'exécution précompilé dont le code source ne se trouve pas dans le dépôt public.2
  • Lors de la construction dans l'application Antigravity et en mode hybride, une partie des informations part vers un modèle cloud, à savoir ta description de tâche ou les noms de fichiers.1
  • Gemma 4 est, comme le SDK, sous licence Apache 2.0, ce qui veut dire que tu as le droit d'utiliser les modèles aussi commercialement et sans frais de licence dans ton entreprise.8

Le grand avantage reste quand même que tu traites des données clients sur ton propre appareil, sans qu'un fournisseur d'IA les voie, tant que l'agent tourne purement en local. Pour cette étape, tu n'as alors pas besoin d'un contrat de sous-traitance avec un fournisseur d'IA. Les autres obligations du RGPD, par exemple la limitation des finalités et les durées de conservation, continuent bien sûr de s'appliquer. Si l'auto-hébergement t'intéresse en général, jette aussi un œil à mon retour d'expérience sur Nemotron 3.5 Bolt comme assistant local.

Conclusion

Est-ce qu'un agent IA local avec Google Antigravity remplace maintenant les grands modèles cloud ? Pas pour les tâches difficiles et créatives, où les grands modèles sont clairement meilleurs. Mais pour les nombreuses petites tâches avec des données confidentielles, donc pré-trier des e-mails, répartir des listes de contacts, ranger des notes ou analyser des exports, c'est une solution très pratique, parce que tu la mets en place une fois et que l'agent tourne ensuite aussi souvent que tu veux, sans coûts par tâche et sans limite hebdomadaire. Je commencerais avec un seul agent, avec la tâche qui t'énerve le plus chaque semaine, et je le testerais deux semaines avec des données d'exemple avant d'y mettre des données réelles. Et si tu remarques en chemin que ton entreprise compte encore beaucoup d'autres tâches de ce genre, parlons-en brièvement pour voir laquelle vaut le coup en premier.

Questions fréquentes sur l'agent IA local avec Google Antigravity

Google Antigravity est-il gratuit ?

Pour les particuliers, oui, le forfait coûte 0 dollar américain par mois et comporte des limites hebdomadaires simples. Il y a plus de marge avec Google AI Pro et Ultra.7 Les agents locaux via le SDK n'entraînent aucun frais par tâche et n'ont même pas besoin d'une clé d'API.1

Ai-je besoin d'internet pour les agents Antigravity locaux ?

Seulement pour la mise en place, donc pour télécharger le SDK et le modèle. Ensuite, l'agent tourne entièrement hors ligne, tant que tu n'utilises pas le mode hybride avec un planificateur dans le cloud.1

De quel matériel ai-je besoin au minimum ?

Pour la variante principale avec Gemma 4 26B, Google recommande au moins 24 Go de mémoire graphique ou partagée.1 Avec Ollama et Gemma 4 E4B, qui a besoin d'environ 4,5 Go en version 4 bits, un modèle tient aussi sur un ordinateur portable avec 16 Go de RAM, mais les réponses arrivent alors plus lentement.4

Est-ce que ça marche aussi avec LM Studio à la place d'Ollama ?

Oui, via LocalOpenAIAgentConfig, le SDK parle à n'importe quel serveur compatible OpenAI. Google cite expressément Ollama, LM Studio et vLLM.1

Quelle est la différence entre LiteRT et Ollama ?

LiteRT est l'environnement d'exécution propre à Google pour les modèles sur l'appareil, et le SDK y est spécialement optimisé avec LiteRTAgentConfig. Ollama est un serveur de modèles local répandu, que le SDK interroge via l'interface compatible OpenAI. LiteRT est la voie optimisée pour Gemma 4 26B, Ollama te laisse plus de choix de modèles.1,2

Le SDK Antigravity fonctionne-t-il sous Windows et Linux ?

Oui, sur PyPI il existe des paquets prêts à l'emploi pour Windows, Linux et macOS, chacun pour les processeurs Intel et ARM.3

Ai-je le droit d'utiliser Gemma 4 commercialement ?

Oui, Google met Gemma 4 à disposition avec des poids ouverts sous licence Apache 2.0, ce qui veut dire que tu as le droit d'utiliser les modèles aussi commercialement dans ton entreprise.4,8

Suggestion de citation

Gütter, Simon (2026) : Agent IA local avec Google Antigravity : comment faire tourner des agents IA avec Ollama et Gemma 4 hors ligne sur ton ordinateur. Simon Traffic, 16 novembre 2026. https://simon-traffic.com/blog/ki-automatisierung/antigravity-lokal-ollama/

Sources

  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, consulté le 16/11/2026. https://github.com/google-antigravity/antigravity-sdk-python
  3. PyPI: google-antigravity 0.1.23, données du paquet et documentation incluse dans le paquet, consulté le 16/11/2026. https://pypi.org/project/google-antigravity/
  4. Google AI for Developers: Gemma 4 model overview, consulté le 16/11/2026. https://ai.google.dev/gemma/docs/core
  5. Ollama: gemma4, bibliothèque de modèles, consulté le 16/11/2026. https://ollama.com/library/gemma4
  6. Ollama: FAQ, How can I specify the context window size?, consulté le 16/11/2026. https://docs.ollama.com/faq
  7. Google Antigravity: Pricing, consulté le 16/11/2026. https://antigravity.google/pricing
  8. Google AI for Developers: Gemma 4, Apache License 2.0, consulté le 16/11/2026. https://ai.google.dev/gemma/docs/gemma_4_license

État au 16 novembre 2026. Le SDK Antigravity en est à la version 0.1.x, les fonctions et recommandations peuvent changer.