Google Antigravity im Praxistest: Was funktioniert hat und was nicht

Google Antigravity wird von Google als IDE der nächsten Generation positioniert. Sie vereint eine IDE (einen VS-Code-Klon), einen Agent-Manager, die Gemini CLI und eine Chrome-Browser-Sandbox für Vorschau und Tests der UI. Potenziell könnte sie der ideale Arbeitsplatz für Entwickler sein – egal, mit welchem Toolkit Sie hauptsächlich arbeiten (UI-IDE oder CLI, mit der Möglichkeit, bei Bedarf einfach zu wechseln).

Ich wollte testen, wie sie sich bei einer praktischen Aufgabe schlägt. Ich wollte eine neue Komponente entwickeln, die ein vereinfachtes Timeline- und Frame-Management für die Storytelling-Templates ermöglicht, die Teil unserer AVICA-Plattform sind.

Also habe ich .agent/rules/rules.md mit den zentralen Entwicklungsregeln für die Frontend-Anwendung definiert, mit den Frameworks und Bibliotheken, die ich brauche. In .agent/workflows/workflow.md habe ich die Schritte für diese Aufgabe festgelegt. Dann habe ich .agent/docs/prd.md mit den technischen Anforderungen ergänzt: welche Funktionalität genau entstehen soll, welche Geschäftsregeln gelten und auf welche Datenmodelle ich mich beziehe, per Beispiel-JSON-Datei. Sogar einige technische Details habe ich in .agent/docs/tech.md festgehalten – welche Bibliotheken, Integrationsschnittstellen und Tools für die neue Funktionalität zum Einsatz kommen sollen.

Zum Schluss habe ich alle Referenzen und eine Aufgabenbeschreibung auf hoher Ebene in den Prompt des Agent-Managers gegeben, um den Prozess zu starten.

Was funktioniert hat:

Es hat das Setup und das gewünschte Framework richtig verstanden. Es hat versucht, ähnliche Setups oder Templates zu finden, und gefragt, ob es in anderen lokalen Repositories suchen darf (oder eine Referenz bekommt), um die package.json zu kopieren und die Frameworks schnell auszurollen. Es hat die meisten benötigten Bibliotheken korrekt installiert und getestet, dass pnpm install und pnpm dev ohne größere Probleme laufen. Es ist recht schnell zur konkreten Geschäftslogik übergegangen und hat eine sinnvolle Komponentenstruktur aufgebaut. Es hat etwa 5 Minuten für Entwicklungs- und Testiterationen gebraucht, bevor es die Aufgabe für abgeschlossen und testbereit erklärte. Das Ergebnis lag recht nah an meinen Erwartungen (ich war vernünftig skeptisch) – allerdings mit mehreren Einschränkungen, die unten beschrieben sind.

Was nicht funktioniert hat:

Ich konnte pnpm install ausführen, hatte aber Probleme mit pnpm dev. Es meldete immer, der localhost-Port sei belegt, und versuchte es mit einem neuen Port, obwohl die Ports frei waren. Am Ende habe ich es selbst gestartet. Die empfohlenen Bibliotheken aus den technischen Vorgaben hat es nicht verwendet und für die Kernfunktionen den einfachsten, aber falschen Ansatz gewählt. Mehrere wichtige Funktionen fehlten, obwohl ich sie angefordert hatte, etwa CRUD-Funktionen für die Elemente der Storytelling-Templates. Die UI-Funktionen waren am Ende unvollständig. Es hat das Datenmodell für die Beschreibung des Storytelling-Templates und der zugehörigen Elemente geändert, obwohl es in den bereitgestellten JSON-Dateien präzise vorgegeben war. Es versuchte, das Vercel AI SDK für die Anbindung der Gemini API zu installieren, aber der Frontend-Teil (Chat- und Streaming-Oberfläche) lief nie. Grund waren Inkonsistenzen bei den Bibliotheksversionen, den referenzierten Entitäten und Methoden sowie den Standardmodellen, die über dieses API-Gateway nutzbar sind. Antigravity ging mehrere Zyklen durch, änderte das zwischen den Testläufen, fand aber nie die richtige Kombination. Auch meine manuelle Steuerung half nicht: Bei jedem neuen Ansatz landete es wieder bei den falschen Konfigurationen. Im automatischen Modus hat es also nie funktioniert.

Fazit:

Es hat beim Aufsetzen des Projekts von Grund auf und unter Berücksichtigung aller Anforderungen große Fortschritte gemacht. Bei Funktionalität und Datenmodell hat es aber vieles verfehlt und keine funktionierende Lösung geliefert. Besonders seltsam: Es fand nicht die richtige Konfiguration für das populäre Vercel AI SDK in Verbindung mit der eigenen Google Gemini API. Insgesamt gebe ich daher 5 von 10 Punkten.

Dennoch glaube ich, dass Google Antigravity eine große Zukunft hat. Die Probleme von heute liegen vor allem an den Anfangstagen des Produkts und daran, dass sich der gesamte Bereich und die Fähigkeiten agentischer Entwicklung täglich verändern. Bei einer relativ komplexen Entwicklungsaufgabe darf man nicht erwarten, dass so etwas fehlerfrei läuft. Ich werde die Versionsupdates im Lauf des Jahres auf jeden Fall verfolgen, um die Verbesserungen zu sehen.

P.S.: Ich plane außerdem, dasselbe Setup mit der Gemini CLI auszuprobieren. Es ist spannend, die Unterschiede und Vorteile der CLI-Version von Googles agentischen Coding-Assistenten herauszufinden.