18 ноября 2025 года Google показал связку из двух продуктов: новую флагманскую модель Gemini 3 Pro и agent-first IDE Google Antigravity. Классический концепт «LLM + плагин к редактору» упирается в ограничения: большие монорепозитории, сложные CI/CD-пайплайны, мультимодальные артефакты (скриншоты, видео, логи, PDF) и требования к трассируемости шагов плохо умещаются в чат около редактора. Нужна была связка: модель, которая уверенно «думает» и понимает разные модальности, и среда, которая планирует, исполняет и наглядно показывает работу агентов. Google услышал молитвы, и именно такую связку и представил: Gemini 3 Pro + Antigravity.

В ленте мгновенно пошли заголовки «Cursor мертв», «новая эра разработки», «агенты все сделают за вас». В этой статье разбираем, что именно Google запустил, чем Antigravity отличается от Cursor, какие сценарии разработки уже меняются - и где пока еще рано бросать привычный стек.

Что именно Google выкатил

1) Gemini 3 Pro - мультимодальная модель с длинным контекстом, оптимизированная под сложное рассуждение, агентские сценарии и код. Рекомендую ознакомиться с Руководством разработчика Gemini 3

2) Google Antigravity - новая agent-first IDE, которая изначально спроектирована не как редактор с подсказками кода, а как среда для работы нескольких ИИ-агентов поверх реального проекта.

Причем Antigravity - не плагин к VS Code (как Cursor или Copilot-расширения), а отдельное приложение на базе форка VS Code, заточенное под многоагентные сценарии. Gemini 3 Pro и Antigravity задуманы как единая архитектура для агентной разработки.

Gemini 3 Pro: модель под IDE и ИИ-агентов

Официально Gemini 3 Pro - «самая умная модель Google» и «лучшая в мире мультимодальная модель для агентских сценариев и vibe-coding», если верить блогу Google. Стоит отметить, что это не просто прокачанная Gemini 2.5 Pro, архитектура и настройки заточены под сценарии, где ИИ не просто отвечает в чате, а последовательно выполняет задачи в кодовой базе.

Ну насчет превосходства над Gemini 2.5 Pro они поспешили) Artificial Analysis протестировали Gemini 3 Pro на своем бенчмарке AA-Omniscience Index - модели прогоняют по 6k вопросов из разных тем, указывая отвечать только в случае, если модель точно знает ответ.

И выяснилось, что Gemini 3 Pro галлюцинирует также, как и Gemini 2.5 Pro. Так, Gemini 3 Pro со значительным отрывом опережает конкурентов в правильных ответах, но в 88% «промахов» сгаллюцинировала вместо того, чтобы промолчать. А вот меньше всех галлюцинирует Claude Haiku 4.5, модель лишь в 26% случаев выдумывает ответы. Но мы переходим к основным бенчмаркам и техническим возможностям Gemini 3 Pro.

Ключевые технические особенности

В официальной документации сказано:

• Архитектура Sparse Mixture-of-Experts (SMoE) - модель состоит из набора специализированных «экспертов». Для каждого фрагмента текста она использует только часть из них, а не все одновременно. Это позволяет значительно увеличить емкость модели, не делая каждый запрос слишком дорогим.

• Длинный контекст до 1M токенов на входе и до 64k на выходе, knowledge cutoff - январь 2025. Этого достаточно, чтобы держать в контексте большую монорепу с документацией и логами, а не отдельные файлы.

• Мультимодальность - Gemini 3 Pro в одном запросе может работать с текстом, изображениями, PDF, скриншотами интерфейса и видеокадрами. Это ближе к реальной картине разработки, где спецификации, логи и интерфейсы представлены в разных форматах.

• Бенчмарки, «агентность»: 54,2% на Terminal-Bench 2.0 (терминальные действия/инструменты) - это показатель именно «компьютерного использования», а не просто чата.

• Встроенные инструменты: Gemini 3 Pro в Vertex/ AI Studio приходит уже с набором встроенных инструментов: Google Search, File Search, Code Execution, URL-контекст и стандартный function calling. То есть ИИ не просто пишет текст, но может щапускать тест и команды: искать по файлам, выполнять код, ходить в интернет, обращаться к API.

• Цены - в preview через Gemini API: $2 за 1M входных токенов и $12 за 1M выходных (включая thinking-токены) при промптах ≤200k, и $4 / $18 для более длинных.

• Управляемое рассуждение - есть 3 параметра, влияющие на поведение модели:

  1) thinking_level - можно настроить уровень глубины рассуждений (low /high /dynamic), который упрощает настройку reasoning вместо ручного «thinking budget». Удобно, когда нужно решить сложную задачу, а не просто дописать кодовую строку. Вместо старого пожалуйста, думай пошагово в промпте теперь можно просто выставить thinking-config в конфиге запроса.

Пример на Python (рефакторим синхронный код под asyncio и просим модель подумать основательно):

import os
from dotenv import load_dotenv
from google import genai
from google.genai import types

load_dotenv()
api_key = os.getenv("GEMINI_API_KEY")
if not api_key:
    raise RuntimeError("GEMINI_API_KEY не найден в переменных окружения")

client = genai.Client(
    api_key=api_key,
    http_options=types.HttpOptions(api_version="v1alpha")  # thinking / media_resolution
)

model_name = "gemini-3-pro-preview"

prompt = """
У меня есть легаси-код на Python, который обрабатывает файлы синхронно.
Перепиши его с использованием asyncio для лучшей производительности
и объясни, какие могут быть гонки, если файлы — общий ресурс.

Вот код:
import time
def process_file(filename):
    time.sleep(1)  # имитация работы
    return f"Processed {filename}"

def main(files):
    results = []
    for f in files:
        results.append(process_file(f))
    return results
"""

response = client.models.generate_content(
    model=model_name,
    contents=prompt,
    config=types.GenerateContentConfig(
        thinking_config=types.ThinkingConfig(
            thinking_level=types.ThinkingLevel.HIGH,
            include_thoughts=True,
        )
    )
)

# В реальном проекте лучше разбирать response.candidates,
# здесь для простоты выведем текстовый ответ
print(response.text)

Таким образом, вы не пытаетесь уговорить модель «думать пошагово», а даете ей условно бюджет на мысли через thinking_config.

Thinking-режимы и thinking_config сейчас доступны через версию API v1alpha для Gemini Developer API.

Подробнее я рекомендую ознакомиться с Руководством разработчика Gemini 3

2) media_resolution - сколько токенов тратить на картинки, PDF или видео (мелкий текст/мелкие элементы vs экономия контекста). Иными словами, можно настроить, насколько подробно модель будет разбирать изображения и PDF, чтобы не расходовать лишний контекст.

Примерные цены:

Изображения HIGH — ~1120 токенов; MEDIUM — ~560 токенов;LOW — ~280 токенов. Кадры видео LOW / MEDIUM — ~70 токенов за кадр; HIGH — ~280 токенов за кадр.
Сценарии LOW — массовая классификация изображений или много кадров из видео;MEDIUM — типичные задачи с картинками / скриншотами; HIGH — плотный текст, мелкий шрифт, важные детали (PDF, сложные схемы).

Пример (Python):

from google import genai
from google.genai import types

client = genai.Client(
    http_options={"api_version": "v1alpha"}
)

with open("image.png", "rb") as f:
    image_bytes = f.read()

image_part = types.Part.from_bytes(
    data=image_bytes,
    mime_type="image/png",
    media_resolution=types.MediaResolution.MEDIA_RESOLUTION_HIGH,
)

response = client.models.generate_content(
    model="gemini-3-pro-preview",
    contents=[
        "Что изображено на картинке?",
        image_part,
    ],
)

print(response.text)

3) Thought Signatures - компактные подписи мыслительных цепочек, позволяющих сохранить контекст (ход рассуждений) между запросами и внутри агентных пайплайнов:

• Модель решает: «надо вызвать функцию check_server_status» и вместе с functionCall возвращает thoughtSignature.

• Вы вызываете функцию у себя, получаете результат (например, статус БД).

• Когда отправляете ответ функции обратно в модель, обязаны вернуть и тот же thoughtSignature.

• Тогда модель продолжает думать с того же места, а не пересобирает все с нуля. Почему именно такие характеристики важны для IDE и ИИ-агентов

Почему именно такие свойства важны для IDE и агентов

Для обычного чат-бота достаточно, чтобы модель более-менее связно отвечала на вопросы. В среде разработки и в сценариях с ИИ-агентами задачи другие. Здесь от модели требуется, чтобы она:

1. Могла держать в контексте большую кодовую базу и сопутствующие данные.
   Большая кодовая база, логи, документация, результаты прошлых тестов, причем все это нужно видеть сразу, а не кусочками. Без длинного контекста агенту просто не с чем работать.

2. Умела разбирать разные типы данных, а не только текст.
   Скриншоты интерфейса, PDF-спеки, схемы, запросы к API, графики мониторинга. Если модель видит только сухой текст, она теряет половину картины.

3. Работала управляемо и предсказуемо.
   Иногда нужно, чтобы модель "покопала поглубже" и разобрала сложный кейс, а иногда, чтобы ответила быстро и без лишней философии. Поэтому важны настройки уровня рассуждений и то, как она использует вычислительные ресурсы.

4. Умела не просто отвечать, а действовать через инструменты.
   Агент должен уметь открыть файл, запустить тесты, проверить логи, изменить код, сходить в браузер. Без этого он остается консультантом, а не исполнителем.

Именно под такие сценарии и задумывали связку мощной модели вроде Gemini 3 Pro и agent-first IDE, чтобы не просто помогали писать код, а реально брали на себя часть рутинной работы в разработке и сопровождении проектов.

Именно под такую роль модели и строится связка с Antigravity.

Что такое Google Antigravity

Многие медиа в первый же день написали «Google выпустил убийцу Cursor». На деле картина, конечно же, сложнее. Давайте сначала разберемся, что же такое Antigravity, а затем сравним с Cursor.

• Antigravity - это отдельная десктопная IDE с фокусом на агентную разработку, а не плагин к VS Code. Помимо интеграции с Gemini 3 Pro поддерживаются и другие модели (например, Claude Sonnet 4.5).

• Antigravity доступна на Windows, macOS и Linux как отдельное приложение.

  В Antigravity есть 2 режима работы - Editor и Manager View:

  1) Editor View - похож на привычный редактор (по ощущениям, форк или родственник VS Code): редактор кода, терминал, файловое дерево. Разница в том, что у агентов есть полный доступ:

  • читать и менять файлы

  • гонять тесты и любые CLI-скрипты

  • обновлять зависимости

  • открывать встроенный браузер

  • сохранять результаты в виде артефактов.

  2) Manager View - панель управления агентами и задачами, позволяет смотреть на работу ИИ как на последовательность понятных действий. Здесь видно:

  • какие задачи сейчас выполняют агенты

  • какие шаги уже сделаны

  • какие артефакты сформированы (планы, диффы, логи, скриншоты)

  • комментарии участников команды.

То есть IDE разбита не по файлам и вкладкам, а по миссиям, которые выполняют агенты.

• Antigravity с самого начала проектировалась под сценарий, где над проектом могут одновременно работать несколько агентов: один переписывает код и правит тесты, второй обновляет инфраструктуру, третий пишет документацию, четвертый занят рефакторингом.

• Для прозрачности действий Antigravity создает Artifacts - планы, списки задач, диффы, изменения в коде, вывод тестов, скриншоты и записи браузера. Это нужно для верификации того, что было сделано и что будет сделано. Можно оставлять комментарии прямо в артефактах.

Артефакты - это не просто лог, а верифицируемый след: по ним можно понять, что именно делал агент, на чем основывался и где потенциально ошибся.

Навигация по IDE, менеджер агентов, поведение браузера описано в Официальной документации.

Antigravity vs Cursor: честное сравнение

Прямо сравнивать Antigravity и Cursor не совсем корректно, так как они отвечают на разные вопросы. Поэтому корректнее будет сравнить не «кто кого убьет», а какие задачи лучше закрывает каждый инструмент.

• Cursor - это IDE с мощным ИИ-помощником внутри.

• Antigravity - это среда, в которой ИИ-агенты выполняют задачи, а редактор и инфраструктура подключены к ним как инструменты.

Где Antigravity сильнее:

1. Agent-first дизайн. Antigravity создавали как среду, где агенты полноправные участники разработки, а не просто дают подсказки по коду в боковой панели. Вся архитектура строится вокруг их планов, состояний и артефактов. Отсюда - Manager View, артефакты, трейсинг шагов и фокус на оркестрации задач.

2. Нативная интеграция со стеком Google Cloud.
   Согласно материалам Google, Antigravity особенно логичен там, где уже уже используются Cloud Run, GKE, Cloud Build и другие сервисы GCP: агенты могут работать с теми же пайплайнами, окружениями и инфраструктурой, с которой работают люди.

3. Прозрачность для команд. Каждый шаг агента зафиксирован: есть логи, диффы, артефакты. Это упрощает code review, change-management, аудит и внутренние проверки.

4. Мультимодальные возможности для работы. Когда в одной задаче нужно и посмотреть на интерфейс, и проверить API, и при этом изменить код, удобнее, когда скриншоты, браузер и редактор кода живут в одной среде, а не в нескольких разрозненных инструментах.

А теперь давайте разберемся, где лучше подходит Cursor.

Где Cursor остается удобнее сегодня

1. Привычный интерфейс VS Code. Cursor - это фактически VS Code с глубокой интеграцией ИИ. Командам, которые привыкли к VS Code и его экосистеме плагинов, проще продолжать работать там же.

2. Для одного разработчика за ноутбуком.
   Cursor отлично подходит для сценария «разработчик + локальный проект»: объяснение кода, рефакторинг, генерация тестов, быстрые изменения в текущем репозитории.

3. Узнаваемость продукта и кредит доверия.
   Cursor давно используется, вокруг него есть опыт, гайды и практики. Antigravity пока находится в публичном превью: продукт активно развивается, но это все еще не полностью устоявшаяся платформа.

4. Фокус на индивидуальном девелопере.
   Cursor в первую очередь экономит время конкретного разработчика. Antigravity ориентирована на более широкий уровень - команды, процессы и агентную оркестрацию.

Какие задачи Antigravity уже закрывает лучше всего

Сейчас можно выделить три группы задач, где Antigravity выглядит особенно убедительно:

1. Большие монорепозитории и инфраструктурные задачи

Типичные сценарии:

• массовые миграции (фреймворк, API, стиль кода);

• приведение к единому стилю кода и конфигурации;

• обновление зависимостей и шаблонов по десяткам сервисов;

• подготовка к изменениям инфраструктуры (кластер, CI/CD, сервисы).

Здесь важны и длинный контекст, и прозрачность цепочек действий агентов: нужно понимать не только то, что поменялось в коде, но и почему агент решил сделать именно так.

2. Небольшие команды (2–5 человек), которым нужно "прыгнуть выше головы"

Для маленьких команд Antigravity дает возможность распределить часть рутинной работы на агентов:

• один агент дописывает тесты и следит за их состоянием;

• второй вносит инфраструктурные изменения;

• третий поддерживает документацию и журнал изменений.

Разработчики при этом концентрируются на архитектуре, постановке задач и ревью.

То есть, Antigravity позволяет таким командам брать задачи, которые раньше были доступны только большим отделам.

3. Vibe-coding и быстрый прототипы

Antigravity хорошо подходит, когда важен не сам процесс редактирования строк кода, а результат в виде работающего прототипа:

• Собери интерфейс с таким сценарием и проверь, что он открывается.

• Подними API, сделай несколько тестовых запросов и покажи результат.

• Добавь фичу, прогоняй тесты и подготовь описание изменений.

Это удобный формат для внутренних инструментов, pet-проектов и экспериментов.

Как попробовать Gemini 3 Pro и Antigravity

Gemini 3 Pro:

1. Создать проект в Google Cloud или зайти в Google AI Studio.

2. Подключить Gemini API и получить ключ. Рекомендую Краткое руководство по API Gemini, а так же Как устроены API-ключи (где хранить, переменные окружения и т.п.)

3. В коде использовать модель gemini-3-pro / gemini-3-pro-preview и поэкспериментировать с настройками глубины рассуждений и работы с медиа. Здесь рекомендую ознакомиться с Отдельным девелопер-гайдом по Gemini 3

На этом уровне можно:

• давать модели большие фрагменты кода и документации;

• подключать инструмент для выполнения кода и файловый поиск;

• смотреть, как меняется поведение при разных настройках.

Antigravity:

1. Скачать Antigravity для своей ОС с официального сайта Google.

2. Авторизоваться и подключить репозиторий (локальный или удаленный).

3. В Editor View:

   • попросить агента провести ревью небольшого сервиса;

   • дать задачу по написанию тестов или небольшому рефакторингу.

4. В Manager View:

   • настроить задачу для нескольких агентов;

   • проследить, какие артефакты и диффы они создают;

   • проверить изменения и принять/отклонить их.

Даже в тестовом проекте этого достаточно, чтобы почувствовать разницу между обычным ИИ-помощником в редакторе и все-таки средой, где агенты выполняют работу сверху вниз.

Заключение

Давайте упорядочим информацию в голове и подведем итоги:

• Gemini 3 Pro - модель, рассчитанная на сложные сценарии: длинный контекст, мультимодальные данные, управляемое рассуждение и работа через инструменты. Это делает ее естественной основой для агентных IDE.

• Google Antigravity - самостоятельная IDE c изначально агентным дизайном. Здесь основа не автодополнение, а управление задачами, агентами и артефактами в рамках реального проекта.

• Cursor и похожие AI-надстройки никуда не исчезают. Для индивидуальной разработки и команд, предпочитающих VS Code, они остаются удобными инструментами.

• Главное изменение не «кто кого заменит», а новое измерение рынка. Спокойно будут сосуществовать и классические IDE с ИИ-плагинами, и agent-first IDE вроде Antigravity, и облачные платформы для запуска агентных сценариев на уровне инфраструктуры.

Если вы думаете о том, как встроить ИИ в процессы разработки, стоит смотреть не только на модель, но и на связку «модель + IDE + инфраструктура». Google с Gemini 3 Pro и Antigravity показывает один из возможных вариантов такой архитектуры. Вы можете поддержать меня в моем канале НейроProfit - там я пишу о том, в чем разбираюсь или пытаюсь разобраться сама, тестирую полезные ИИ-сервисы и в целом стараюсь приносить пользу.