5 consejos para organizar agentes con Google Antigravity

El costo aparece cuando una tarea parece concluida, pero nadie sabe de dónde vinieron los datos o qué herramientas ejecutaron los cálculos.

En código, esto se vuelve una revisión lenta; en investigación, puede comprometer una hipótesis.

El 3 de noviembre de 2026, Google DeepMind publicó un flujo de quimioinformática con Google Antigravity.

Según el equipo, el agente investigó miles de compuestos, organizó datos y propuso análisis en aproximadamente una hora. Una iteración similar suele llevar varios días.

El ejemplo no prueba la eficacia de un medicamento ni sustituye pruebas de laboratorio.

Muestra cómo dividir un trabajo entre agente, herramientas determinísticas y revisión científica, una estructura útil también para quien construye software con IA.

En este artículo vas a ver:

• Cómo definir una entrega verificable para el agente.
• Cómo separar investigación, datos y cálculos reproducibles.
• Cómo evaluar resultados sin confundir hipótesis con prueba.
• Cómo probar el plugin Science en la aplicación Google Antigravity.

5 consejos para organizar agentes en Google Antigravity

Consejo 1: describe la entrega antes de pedir la ejecución

Un objetivo como “investiga este tema” deja demasiado espacio para que el agente decida qué cuenta como éxito. Especifica la pregunta, los datos permitidos, los archivos esperados y lo que necesita aprobación humana.

En el caso de Google DeepMind, la tarea era investigar literatura sobre compuestos relacionados con crizotinib y lorlatinib.

Después, era necesario extraer moléculas y datos asociados y preparar el conjunto para análisis. Ese recorte hace que la solicitud sea evaluable.

Para software, indica el comportamiento esperado, módulos permitidos, pruebas y límites de alcance. En tareas amplias, pide un plan antes de editar.

Consejo 2: preserva el origen de cada dato

El agente puede consultar artículos, catálogos y documentación, pero la respuesta no debe borrar la trazabilidad de auditoría. Guarda fuente, identificador, transformación y motivo para mantener o excluir cada registro.

La demostración científica trabaja con representaciones químicas diferentes, como nombres, estructuras en patentes y archivos SDF. El equipo reporta que el agente filtró compuestos irrelevantes, registró las fuentes y preparó datos para análisis.

Crédito de la imagen: Google DeepMind.

En código, preserva el origen de requisitos, ejemplos y dependencias. Pide al agente que separe datos de entrada, archivos generados y conclusiones, en lugar de devolver solo un resumen sin referencias.

Consejo 3: deja los cálculos para herramientas determinísticas

Un modelo de lenguaje puede coordinar etapas, navegar fuentes y explicar decisiones. Eso no significa que deba reemplazar una biblioteca especializada cuando la tarea exige cálculos que necesitan repetirse y verificarse.

En Antigravity, el modelo organiza el flujo, mientras que herramientas determinísticas ejecutan cálculos moleculares. El ejemplo usa RDKit y conexiones con ChEMBL y PubChem, según Google DeepMind.

La misma idea aplica en desarrollo. Usa al agente para proponer cambios, pero delega compilación, pruebas, lint y comprobaciones de tipos a herramientas reproducibles.

El agente puede interpretar una falla, no inventar que la prueba pasó.

Consejo 4: prueba la generalización, no solo el conjunto conocido

Una evaluación parece convincente cuando mezcla ejemplos parecidos entre entrenamiento y prueba. Para descubrir si el método funciona en casos nuevos, mantén una división de datos que reduzca ese escape y registra la regla usada.

El artículo prefiere divisiones cronológicas cuando hay fechas. De lo contrario, usa scaffold split, que separa moléculas por estructuras centrales para probar casos diferentes a los vistos en el entrenamiento.

La figura de Google DeepMind compara cuatro evaluaciones. En software, prueba también escenarios que no guiaron la implementación.

Consejo 5: trata la salida como hipótesis hasta que pase por revisión

Pide al agente que separe observaciones, inferencias y decisiones pendientes. La conclusión debe decir qué sustentan los datos, qué falta medir y qué exige revisión humana.

La propia Google DeepMind advierte que datos dispersos, diferencias entre ensayos de laboratorio y rangos dinámicos limitados reducen la precisión de los modelos. Los diseños computacionales son hipótesis comprobables, no medicamentos listos.

En un repositorio, la barrera equivalente es revisar el diff, ejecutar pruebas y confirmar requisitos de seguridad antes de integrar.

Para conocer la aplicación, consulta también la visión general de Google Antigravity publicada en el blog.

Qué muestra el ejemplo de Google Antigravity y qué no muestra

El equipo reporta que el agente investigó miles de compuestos y armó un conjunto curado de 568 registros para análisis. Una interfaz interactiva permitió explorar metadatos y relaciones entre potencia y número de enlaces rotacionales.

Luego, el flujo comparó pares de moléculas, construyó modelos de potencia en distintas arquitecturas y evaluó los resultados en datos separados.

Con base en los análisis, el agente sugirió moléculas y posibles rutas de síntesis para investigación posterior.

La afirmación de velocidad es de la propia equipe: una tarea que suele requerir varios días por iteración se hizo en aproximadamente una hora.

Esto no es un benchmark independiente ni una comparación controlada con otras plataformas.

Una molécula sugerida no es, por ello, segura o eficaz. La publicación dice que cada diseño debe sintetizarse y validarse experimentalmente.

Los resultados computacionales sirven para orientar la próxima pregunta de los investigadores.

Cómo probar el plugin Science en Google Antigravity

El camino descrito por el equipo es instalar el plugin Science desde el marketplace Customizations dentro de la aplicación Google Antigravity.

El plugin reúne habilidades de quimioinformática y acceso a herramientas científicas. La disponibilidad puede depender de la cuenta y del entorno.

Comienza con una pregunta limitada y una fuente pública. Pide que el agente muestre los registros encontrados, los criterios de filtrado y los archivos producidos, sin mezclar todo en una respuesta final.

Pide un análisis reproducible y mantén los cálculos en herramientas de dominio. Registra entradas, versiones, criterios y limitaciones para revisión humana antes de actuar.

Si quieres entender el comando de terminal de la familia Antigravity, consulta la guía de Antigravity CLI en VS Code.

Este tutorial trata de la CLI agy, no de la aplicación Google Antigravity usada en el flujo científico.

La demostración oficial en video muestra la investigación, el análisis y la creación de candidatos en el entorno Antigravity: