Google Antigravity met lokale AI: zo draaien AI agents offline met Ollama en Gemma 4 op je computer

Simon Gütter · 16 november 2026 · Leestijd ongeveer 18 minuten

Titelafbeelding „Google Antigravity lokaal“: opengeklapte laptop op een houten tafel voor een bergpanorama, een oranje netwerkkabel zit in de laptop, het andere uiteinde ligt los, ernaast bakjes met gesorteerde brieven

Hoeveel geld en hoeveel zenuwen kost het weeklimiet van je AI-tool je eigenlijk? Bij mij is het meestal zo dat het tegoed precies op is als ik midden in een taak zit, en daarbovenop komt bij elke klantmail de vraag of die eigenlijk wel op een externe server thuishoort. Precies daar komt Google Antigravity met lokale AI om de hoek kijken, want dan draait de AI niet in de cloud, maar op je eigen computer. Sinds 23 september 2026 kan de Antigravity SDK namelijk ook werken met AI-modellen die bij jou op de schijf staan.1 Dat betekent dat je een AI agent maakt met dezelfde basis waarop ook de Antigravity-app draait, en die bijvoorbeeld met Gemma 4 via Ollama laat werken, zonder API-sleutel, zonder credits en na de installatie zelfs zonder internet. Een addertje is er wel, want Google adviseert voor de hoofdvariant een computer met minimaal 24 GB grafisch geheugen of gedeeld geheugen.1,2 In dit artikel laat ik je daarom zien welk model bij jouw computer past, hoe je een lokale AI agent opzet, welke vijf agents zich in een klein bedrijf lonen en waar de grenzen liggen.

Kort samengevat

De Antigravity SDK is Googles Python-bouwpakket voor eigen AI agents. Sinds september 2026 draaien deze agents ook met een lokale LLM, officieel geoptimaliseerd voor Gemma 4 26B via Googles LiteRT en daarnaast via elke OpenAI-compatibele server zoals Ollama, LM Studio of vLLM.1 Een kleiner Gemma-4-model past via Ollama ook op een laptop met 16 GB werkgeheugen, maar werkt dan langzamer en levert resultaten op die je moet nalezen.4,5 Met regels bepaal je wat de agent mag doen, via triggers start hij uit zichzelf, en je data blijft op je eigen apparaat.2

Het belangrijkste in cijfers

  • 23-09-2026: Google kondigt lokale modellen in de Antigravity SDK aan.1
  • 24 GB grafisch of gedeeld geheugen adviseert Google voor de hoofdvariant met Gemma 4 26B A4B.1,2
  • 64.000 tokens context adviseert Google voor lokale agents, Ollama start standaard met 4.096.2,6
  • 4,5 GB geheugen heeft Gemma 4 E4B nodig in de 4-bits-versie, de 26B-variant 14,4 GB.4
  • 97,2 % van alle tokens draaide in Googles hybride demo lokaal, de planner in de cloud had maar 95 tokens nodig.1
  • 0 Amerikaanse dollar per maand kost Antigravity voor particulieren, met eenvoudige weeklimieten.7

Wat is de Antigravity SDK?

Antigravity bestaat inmiddels in vijf vormen: als app, als eigen ontwikkelomgeving (IDE), als extensie voor andere editors, als opdrachtregel en als SDK.7 De SDK is de variant voor je eigen programma's en automatiseringen. Je installeert hem met pip install google-antigravity, schrijft een paar regels Python, en de SDK zorgt voor de hele lus van nadenken, tool aanroepen, controleren en doorgaan.2 Volgens Google zitten daar dezelfde mogelijkheden achter die ook de Antigravity-app aandrijven.1

Voor jou betekent dat: je hoeft geen AI agent vanaf nul te programmeren. Je beschrijft een taak, geeft de agent een map waarin hij mag werken, en hij leest bestanden, schrijft resultaten en voert op verzoek ook commando's uit. Daarbij komen eigen tools uit Python-functies, de koppeling met MCP-servers, regels voor toegestane acties en triggers voor terugkerende taken.2 De SDK valt onder de Apache-2.0-licentie en draait onder macOS, Linux en Windows. Hij levert wel een voorgecompileerd runtime-bestand mee dat alleen in het pakket op PyPI zit en niet in de broncode op GitHub.2,3

Lokaal of cloud: wat verandert er?

Zonder extra instellingen praat de SDK met Gemini in de cloud en heeft daarvoor een API-sleutel nodig.2 Voor lokaal gebruik wissel je in principe alleen de configuratie om, want taken, regels en tools van je agent blijven hetzelfde, en Google noemt daarvoor vier redenen:1

  • geen doorlopende kosten, omdat API-kosten en rate limits wegvallen,
  • privacy, omdat je code en je vragen volledig op je computer blijven,
  • offline gebruik, zodat de agent ook zonder stabiel internet werkt, bijvoorbeeld onderweg of in de camperbus,
  • hybride gebruik, waarbij je goedkoop lokaal werk combineert met een groot cloudmodel als een taak toch eens te zwaar wordt.

Het punt met de limieten zou ik niet onderschatten. Een lokale agent draait zo vaak als je wilt, want de enige grens is je computer en niet een tegoed dat op woensdag al leeg is.

Gemini in de cloud Gemma 4 via LiteRT Gemma 4 via Ollama
Configuratie in de SDK LocalAgentConfig met Gemini-API-sleutel LiteRTAgentConfig LocalOpenAIAgentConfig
Internet nodig ja nee (na de download) nee (na de download)
Kosten per taak op basis van verbruik of tariefslimiet geen geen
Aanbevolen hardware maakt niet uit vanaf 24 GB grafisch of gedeeld geheugen afhankelijk van het model, E4B al op laptops met 16 GB
Data verlaat de computer ja nee nee
Door Google geoptimaliseerd ja ja, voor Gemma 4 26B A4B ondersteund, niet specifiek geoptimaliseerd

Bronnen: Google Developers Blog, README van de Antigravity SDK, Gemma-4-modeloverzicht.1,2,4

Welk Gemma-4-model past bij jouw computer?

Dit is de belangrijkste vraag voor je begint. Gemma 4 bestaat in vijf groottes, van E2B voor telefoon en browser tot 31B voor krachtige computers.4 Hoe groter het model, hoe beter de resultaten, maar hoe meer geheugen je nodig hebt en hoe langzamer het wordt op zwakke hardware. In de tabel staat de geschatte geheugenbehoefte volgens Google, ernaast de downloadgroottes bij Ollama.

Model 4-bits-versie (Google) Download bij Ollama Context Past bij
Gemma 4 E2B 2,9 GB 4,6 tot 7,5 GB 128K oudere laptops, eenvoudige sorteertaken
Gemma 4 E4B 4,5 GB 6,6 tot 9,5 GB 128K gewone laptops met 16 GB RAM
Gemma 4 12B 6,7 GB 7,7 tot 8,0 GB 256K computers met 16 tot 32 GB en een videokaart
Gemma 4 26B A4B 14,4 GB 16 tot 19 GB 256K Googles hoofdvariant, vanaf 24 GB aanbevolen
Gemma 4 31B 17,5 GB 19 tot 20 GB 256K krachtige workstations of Macs met veel geheugen

Bronnen: Gemma-4-modeloverzicht van Google en Ollama-bibliotheek, peildatum 16-11-2026.4,5

Als vuistregel neem ik het grootste model dat volledig in het grafische geheugen past, bij een Mac in het gedeelde geheugen, en ik laat nog ruimte over voor de context. Op een laptop met 16 GB RAM zonder eigen videokaart, zoals ik er zelf een gebruik, is E4B de verstandige keuze. E2B is kleiner en sneller, maar voor agents die meerdere stappen achter elkaar moeten uitvoeren zou ik minimaal E4B nemen.

AI agent maken met lokale AI: stap voor stap naar je eigen Ollama-agent

Voordat je met de SDK begint, zou ik de taak eerst proberen in de Antigravity-app of in je editor. Daar zie je snel of de agent de taak eigenlijk wel begrijpt, en pas als dat lukt, is het de moeite waard om haar met de SDK te automatiseren. De installatie zelf duurt dan ongeveer een kwartier, afhankelijk van hoe snel de modeldownload gaat.

  1. Ollama installeren en model laden. Ollama vind je op ollama.com, het model haal je bijvoorbeeld binnen met ollama pull gemma4:e4b.5
  2. Context vergroten. Zonder instelling werkt Ollama met 4.096 tokens context, en dat is voor agents veel te weinig. Start Ollama daarom bijvoorbeeld met OLLAMA_CONTEXT_LENGTH=16384 ollama serve. Een grotere context heeft meer werkgeheugen nodig, dus zou ik op een laptop met 16 GB eerst bij 16.384 of 32.768 tokens blijven en pas bij 24 GB en meer richting de 64.000 tokens gaan die Google adviseert.6,2 Draait Ollama bij jou als achtergronddienst, dan zet je de variabele in de instellingen van die dienst en start je de dienst opnieuw op.6
  3. Python-omgeving aanmaken met python3 -m venv .venv en source .venv/bin/activate onder macOS of Linux, onder Windows in PowerShell met python -m venv .venv en .venv\Scripts\Activate.ps1.2
  4. SDK installeren met pip install google-antigravity.2
  5. Agent schrijven. Belangrijk zijn vooral drie gegevens, namelijk de modelnaam, het adres van de lokale server en de map waarin de agent mag werken.
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("Lees alle bestanden in de map en vat elk bestand samen in één zin.")
        async for teil in antwort:
            print(teil, end="", flush=True)

asyncio.run(main())

Een struikelblok waar ik zelf over gevallen ben: bij de eerste poging kreeg ik in plaats van een antwoord alleen een timeout bij het opbouwen van de verbinding met Ollama, terwijl Ollama gewoon draaide. Bij mij wees localhost naar het IPv6-adres waarop Ollama niet bereikbaar was, daarom staat in het voorbeeld 127.0.0.1. Krijg je ook daarmee alleen een timeout, kijk dan naar je desktopfirewall. Geeft die uitgaande verbindingen afzonderlijk vrij, dan moet het runtime-bestand van de SDK ook bij de lokale poort 11434 kunnen komen.

De agent door Antigravity laten bouwen

De code hoef je niet zelf te typen. In de Antigravity-app kun je de agent ook laten bouwen, met een opdracht als deze:

Bouw een Python-agent met de Antigravity SDK. Gebruik LocalOpenAIAgentConfig met het model gemma4:e4b en het Ollama-adres http://127.0.0.1:11434/v1. Stel deze map in als werkruimte. De agent leest elk bestand in de map “invoer”, voert de taak uit die ik hieronder beschrijf en schrijft zijn resultaten naar de map “uitvoer”. Print elke tool-aanroep, zodat ik kan meekijken. Voer hem daarna uit. Taak: …

Houd daarbij in gedachten dat de Antigravity-app zelf met cloudmodellen werkt, dus je taakbeschrijving gaat tijdens het bouwen eerst de cloud in, en pas de kant-en-klare agent werkt lokaal met je bestanden. Zet er daarom tijdens het bouwen alleen voorbeelddata in de map en pas daarna de echte klantgegevens. En kijk wat de app aan bestanden aanmaakt en wijzigt voordat je alles overneemt. Voor je eigen werkprocessen is dat meestal genoeg, maar bij een klantproject met logins of betalingen moet er toch iemand met programmeerervaring naar de code kijken.

Vijf lokale agents die zich in je bedrijf lonen

Alle vijf volgen hetzelfde patroon, namelijk een map met de invoer, een duidelijke taak en een tweede map voor de resultaten. In de opdracht hierboven verander je dus telkens alleen de taak.

1. De postvak-sorteerder voor bureaus en dienstverleners

Je legt klantmails als tekstbestanden in de invoermap, bijvoorbeeld via een export uit je mailprogramma. De agent leest elke mail, sorteert op urgentie, schrijft er een samenvatting van één regel bij en maakt voor elke mail een conceptantwoord. Bovenaan staat dan bijvoorbeeld de webshopklant die ontevreden is over de resultaten en nadenkt over opzeggen, met een rustig concept dat vraagt waar het precies wringt. Het versturen moet je natuurlijk nog zelf doen, nadat je de mails hebt gelezen. Omdat er in mails bijna altijd persoonsgegevens staan, levert lokaal werken hier het meeste op.

2. De contactlijst-sorteerder voor acquisitie

Je hebt een lijst met een paar honderd contacten van beurzen, aanvragen of oude projecten, en daarin staan persoonlijke adressen zoals vorname@firma.de door elkaar met algemene adressen zoals info@ of praxis@. Voor de benadering heb je beide gescheiden nodig, want een eigenaar schrijf je anders aan dan een secretariaat. De agent loopt de tabel door, markeert elk adres als persoonlijk of algemeen en schrijft het resultaat in een nieuwe kolom. Juist bij zulke lijsten is het fijn dat ze daarvoor niet naar een clouddienst hoeven.

3. De openingszin-schrijver voor bestaande contacten

Je geeft de agent een tabel met bedrijven, branche en een korte notitie over de website. Hij schrijft voor elk bedrijf een eerste zin die verwijst naar wat het bedrijf echt doet, in plaats van naar holle frasen als “mooie website”. Bij een online school met 4.000 deelnemers pakt hij bijvoorbeeld het volle supportpostvak erbij, bij een softwareaanbod met proefperiode de vraag hoe proefgebruikers bij de juiste functie komen. Denk daarbij aan de regels voor reclame per mail, want ongevraagde reclamemails zijn in Duitsland ook aan bedrijven maar binnen strikte grenzen toegestaan. Gebruik de openingszinnen daarom alleen voor contacten die je toestemming hebben gegeven, of als aanknopingspunt voor een persoonlijk gesprek.

4. De notitie-opruimer voor coaches en adviseurs

Na een afspraak zijn de notities meestal een chaos van halve zinnen, ideeën en dingen die je hebt beloofd. De agent maakt daar per klant een nette planning van met drie taken en een vraag om de volgende afspraak mee te beginnen. Gespreksnotities zijn vertrouwelijk, en daarom horen ze voor mij niet thuis in een dienst waarvan ik niet precies weet wat er met ze gebeurt.

5. Het SEO-dashboard uit de Search Console-export

Je exporteert uit Google Search Console de tabel met zoekopdrachten, klikken, vertoningen, CTR en positie. De agent bouwt daar één enkele HTML-pagina van, bovenaan de sterkste zoekopdrachten, daaronder de quick wins, dus zoektermen tussen positie 8 en 20 die je met weinig moeite naar pagina één kunt brengen, en daarbij een eenvoudig staafdiagram. Zo'n dashboard begrijpen ook klanten in een paar seconden, en de cijfers verlaten je computer nooit.

Regels en triggers: zo draait je agent veilig vanzelf

Een agent die bestanden mag schrijven en commando's mag uitvoeren, heeft duidelijke grenzen nodig. Zonder extra instellingen werkt de SDK alleen lezend, al het andere schakel je gericht vrij.2

  • Via regels (policies) verbied je eerst alles en sta je daarna gericht losse stappen toe, bijvoorbeeld bestanden lezen ja, commando's alleen na bevestiging. Daarvoor zijn er deny, allow en ask_user, plus kant-en-klare bouwstenen als workspace_only, dat toegang buiten de werkmap blokkeert, en confirm_run_command, dat commando's zonder jouw akkoord weigert.2,3 Je postvak-sorteerder mag zo concepten schrijven, maar niets verwijderen.
  • Via triggers bepaal je wanneer de agent begint, bijvoorbeeld met every elke tien minuten of met on_file_change precies op het moment dat er een nieuw bestand in de invoermap belandt.2,3
  • Via eigen tools maak je elke Python-functie bruikbaar voor de agent, en MCP-servers koppel je op dezelfde manier.2 Een webshop geeft de agent bijvoorbeeld een tool die de producttabel leest, en krijgt beschrijvingen voor elk nieuw product.

De hybride modus: de cloud plant, jouw computer werkt

Is een taak te groot voor een klein lokaal model, dan hoef je niet meteen alles naar de cloud te sturen. Google vergelijkt de taakverdeling met een architect en zijn bouwploeg: een cloudmodel, in de demo Gemini 3.8 Flash, plant de taak en verdeelt haar, ziet daarbij alleen bestandsnamen en korte beschrijvingen, terwijl meerdere lokale Gemma-4-instanties op je computer het eigenlijke werk aan de inhoud doen.1

In Googles voorbeeld ging het om drie Python-bestanden met beveiligingslekken. De planner in de cloud had daarvoor 95 tokens nodig. De lokale modellen hebben de lekken nagebootst, correcties geschreven, elkaar bekritiseerd en alles tegen de tests gecontroleerd. Uiteindelijk draaide 97,2 % van alle tokens lokaal, dat waren 3.322 tokens.1 Voor een bedrijf betekent dat: bestandsnamen gaan de cloud in en kunnen iets verraden, maar de inhoud blijft bij jou.

Antigravity-kosten: wat betaal je lokaal in euro?

Lokaal zijn er geen kosten per taak, je betaalt alleen stroom en de hardware die je toch al hebt. Neem een laptop die onder belasting ongeveer 60 watt verbruikt en elke dag twee uur voor je agents rekent. Die gebruikt per maand zo'n 3,6 kWh, en bij 35 cent per kWh is dat ongeveer € 1,30 per maand. De waarden zijn geschat en hangen af van apparaat en stroomtarief, maar de orde van grootte klopt.

Antigravity zelf kost voor particulieren 0 Amerikaanse dollar per maand, met eenvoudige weeklimieten voor de cloudmodellen. Meer ruimte krijg je met Google AI Pro en Ultra, en bedrijven boeken via Google Cloud, waar Gemini-Enterprise-abonnementen beginnen bij 30 Amerikaanse dollar per gebruiker per maand.7 Voor je lokale agents spelen die limieten geen rol, ze tellen alleen mee als je de app of cloudmodellen gebruikt.

Meer levert de tijd op die je bespaart. Als de postvak-sorteerder je dagelijks maar 20 minuten voorsorteren uit handen neemt, zijn dat bij 20 werkdagen bijna zeven uur per maand. Bij een intern uurtarief van € 50 komt dat neer op ongeveer € 330.

Mijn tips zodat lokale agents betrouwbaar werken

  1. Geef elke agent een eigen werkmap. Zo blijft hij bij de les, en met workspace_only kan hij nergens anders bij.3
  2. Eén duidelijke taak in plaats van een verlanglijstje. Kleine lokale modellen werken aanzienlijk beter met een smalle opdracht en exacte bestandsnamen voor de resultaten. Liever drie agents met elk één taak dan één die alles moet kunnen.
  3. Zet de context omhoog voordat je aan de agent twijfelt. Valt een agent midden in een lange taak uit of verliest hij de draad, dan ligt het vaak aan een te kleine context. De 4.096 tokens waarmee Ollama start, zijn voor agents niet genoeg.6
  4. Plan geduld in. Al Googles eigen voorbeeldscript wijst erop dat de lokale verwerking meerdere minuten kan duren.1 Laat de agent daarom via triggers op de achtergrond draaien in plaats van ernaast te zitten.
  5. Lees de resultaten na. Een klein lokaal model maakt bij moeilijke taken meer fouten dan de grote cloudmodellen. Voor de vele routineklussen met vertrouwelijke bestanden past het toch, alleen moet je niets ongelezen versturen.
  6. Begin met voorbeelddata. Test elke agent eerst met verzonnen mails, notities of tabellen en laat hem daarna pas aan echte data.
  7. Let op bestandsformaten en slaapstand. De agent werkt het betrouwbaarst met gewone tekstbestanden zoals .txt, .md of .csv. Voor Excel-werkmappen geef je hem het best een kleine Python-functie als tool mee. En denk eraan dat een lokale agent alleen werkt zolang je computer wakker is: klap je de laptop dicht, dan pauzeert ook de agent.

Grenzen van lokale AI en privacy

Lokale AI heeft ook haar haken en ogen, en een paar daarvan moet je kennen voordat je er in de dagelijkse praktijk op vertrouwt.

  • Google heeft het lokale gebruik geoptimaliseerd voor Gemma 4 26B A4B via LiteRT, andere LiteRT-modelbestanden draaien volgens de README mogelijk slecht of helemaal niet.2 Ollama met kleinere modellen wordt ondersteund, maar is niet Googles hoofdroute.
  • Het advies van 24 GB grafisch of gedeeld geheugen geldt voor de 26B-variant. Met minder geheugen draait een kleiner model dat merkbaar minder kan.1,4
  • Voor moeilijke taken zoals groter programmeerwerk blijven de grote cloudmodellen duidelijk voorop lopen. AI lokaal draaien loont vooral voor de vele kleine taken die elke dag terugkomen.
  • De SDK levert een voorgecompileerd runtime-bestand mee waarvan de broncode niet in de openbare repository staat.2
  • Bij het bouwen in de Antigravity-app en in de hybride modus gaan delen naar een cloudmodel, namelijk je taakbeschrijving respectievelijk de bestandsnamen.1
  • Gemma 4 valt net als de SDK onder de Apache-2.0-licentie, dus je mag de modellen ook commercieel en zonder licentiekosten in je bedrijf gebruiken.8

Het grote voordeel blijft toch dat je klantgegevens op je eigen apparaat verwerkt, zonder dat een AI-aanbieder ze te zien krijgt, zolang de agent puur lokaal draait. Voor deze stap heb je dan geen verwerkersovereenkomst met een AI-aanbieder nodig. De overige verplichtingen uit de AVG, zoals doelbinding en bewaartermijnen, blijven natuurlijk gewoon gelden. Als self-hosting je in het algemeen interesseert, kijk dan ook naar mijn ervaringen met Nemotron 3.5 Bolt als lokale assistent.

Conclusie

Vervangt een lokale Antigravity-agent nu de grote cloudmodellen? Voor moeilijke en creatieve taken niet, daar zijn de grote modellen duidelijk beter. Voor de vele kleine taken met vertrouwelijke data, dus mails voorsorteren, contactlijsten opdelen, notities opruimen of exports analyseren, is lokale AI echter een heel praktische oplossing, want je richt het één keer in en de agent draait daarna zo vaak als je wilt, zonder kosten per taak en zonder weeklimiet. Ik zou beginnen met precies één agent, en wel met de taak die je elke week het meest irriteert, en hem twee weken met voorbeelddata testen voordat er echte data aan te pas komt. En als je daarbij merkt dat er in jouw bedrijf nog veel meer van zulke taken liggen, laten we er even over praten welke zich het eerst loont.

Veelgestelde vragen over Google Antigravity en lokale AI

Is Google Antigravity gratis?

Voor particulieren wel, het abonnement kost 0 Amerikaanse dollar per maand en heeft eenvoudige weeklimieten. Meer ruimte krijg je met Google AI Pro en Ultra.7 Lokale agents via de SDK veroorzaken geen kosten per taak en hebben zelfs geen API-sleutel nodig.1

Heb ik internet nodig voor lokale Antigravity-agents?

Alleen voor de installatie, dus om SDK en model te downloaden. Daarna draait de agent volledig offline, zolang je niet de hybride modus met een planner in de cloud gebruikt.1

Welke hardware heb ik minimaal nodig?

Google adviseert voor de hoofdvariant met Gemma 4 26B minimaal 24 GB grafisch of gedeeld geheugen.1 Met Ollama en Gemma 4 E4B, dat in de 4-bits-versie ongeveer 4,5 GB nodig heeft, past een model ook op een laptop met 16 GB RAM, maar de antwoorden komen dan langzamer.4

Werkt het ook met LM Studio in plaats van Ollama?

Ja, via LocalOpenAIAgentConfig praat de SDK met elke OpenAI-compatibele server. Google noemt uitdrukkelijk Ollama, LM Studio en vLLM.1

Wat is het verschil tussen LiteRT en Ollama?

LiteRT is Googles eigen runtime voor modellen op het apparaat, en daarvoor is de SDK met LiteRTAgentConfig specifiek geoptimaliseerd. Ollama is een veelgebruikte lokale modelserver die de SDK aanspreekt via de OpenAI-compatibele interface. LiteRT is de geoptimaliseerde route voor Gemma 4 26B, Ollama geeft je meer keuze bij de modellen.1,2

Draait de Antigravity SDK onder Windows en Linux?

Ja, op PyPI staan kant-en-klare pakketten voor Windows, Linux en macOS, telkens voor Intel- en ARM-processoren.3

Mag ik Gemma 4 commercieel gebruiken?

Ja, Google biedt Gemma 4 met open gewichten aan onder de Apache-2.0-licentie, dus je mag de modellen ook commercieel in je bedrijf gebruiken.4,8

Citeersuggestie

Gütter, Simon (2026): Google Antigravity met lokale AI: zo draaien AI agents offline met Ollama en Gemma 4 op je computer. Simon Traffic, 16 november 2026. https://simon-traffic.com/blog/ki-automatisierung/antigravity-lokal-ollama/

Bronnen

  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, geraadpleegd op 16.11.2026. https://github.com/google-antigravity/antigravity-sdk-python
  3. PyPI: google-antigravity 0.1.23, pakketgegevens en documentatie in het pakket, geraadpleegd op 16.11.2026. https://pypi.org/project/google-antigravity/
  4. Google AI for Developers: Gemma 4 model overview, geraadpleegd op 16.11.2026. https://ai.google.dev/gemma/docs/core
  5. Ollama: gemma4, modelbibliotheek, geraadpleegd op 16.11.2026. https://ollama.com/library/gemma4
  6. Ollama: FAQ, How can I specify the context window size?, geraadpleegd op 16.11.2026. https://docs.ollama.com/faq
  7. Google Antigravity: Pricing, geraadpleegd op 16.11.2026. https://antigravity.google/pricing
  8. Google AI for Developers: Gemma 4, Apache License 2.0, geraadpleegd op 16.11.2026. https://ai.google.dev/gemma/docs/gemma_4_license

Peildatum: 16 november 2026. De Antigravity SDK zit in versie 0.1.x, functies en adviezen kunnen veranderen.