Google Antigravity 推出 Dynamic Workflows：讓 AI 寫一支 Python 程式，替你編排出可重跑的「多代理流水線」

11 月 13 日，Google 在 Antigravity（其 AI 程式開發工具）正式推出 Dynamic Workflows：下達一個總任務後，代理不再只是「在一個長對話裡慢慢做」，而是自己寫出一支可審核的 Python 程式，用 phase()、parallel()、pipeline()、agent() 等原語，編排多個子代理平行或循序執行，並以 JSON Schema 結構化回傳結果。程式會先給你看、批准後才執行；執行中可即時看到各階段、log 與每個代理的進度；跑成功的腳本還能存成 .py 檔，日後一鍵重跑。這一句話背後，是把「多代理協作」從「講提示詞碰運氣」升級成「寫程式釘死流程」——對任何正在把重複性工作交給 AI 的開發者與企業，這都是值得跟上的一課。

Dynamic Workflows 怎麼運作：程式變成「指揮官」

過去要讓多個代理分工，最常見做法是把它們全擠進一個長對話，靠提示詞維持方向——一旦任務變多、上下文變長，就容易「prompt drift」（提示詞漂移）導致跑偏。Antigravity 的解法是逆向操作：

代理生成腳本：你輸入 /run-workflow <任務>（或用自然語言），主代理讀取內建的 workflow skill，寫出一支 Python 程式來指揮一切；
先審核再執行：程式顯示給你看、等你批准才跑（除非你的權限設定已允許）；若不想這樣排，直接拒絕並告訴代理怎麼調整；
各代理彼此隔離：每個子代理在自己的獨立對話中工作、看不到腳本也看不到彼此，腳本在 prompt 中給足每個人任務與格式；完成後以 finish 工具回傳、經 JSON Schema 驗證，檔案讀取、搜尋、測試日誌都不會污染主對話的上下文；
五個原語定義流程：phase()（命名階段＋分組紀錄）、agent()（定義代理，可指定模型與工作區）、parallel()（平行執行並保持順序，任一失敗即取消其餘）、pipeline()（循序執行）、await trajectory()（取用主對話先前步驟）；
背景執行＋可重跑：工作流在背景中跑、你可在同一個對話繼續做事；.py 腳本存檔後，下次用 /run-workflow 指向該檔即可重跑同一個流程。

想更省成本，還可逐代理指定模型：高吞吐的批次檢查用較便宜的 flash 級模型，需要深度推理的步驟才用 pro 級——控制精細度之餘也控制點數消耗。

定位：在 /run-workflow、/swarm、subagent 之間選對工具

Antigravity 同時提供三種多代理分工方式，關鍵在協作形態：

Dynamic Workflows（/run-workflow）：任務能切成獨立份、或有明確先後階段時用（例如對每個變更檔案跑同一種審查、先寫失敗測試再修碼）。由 Python 程式控制執行並收集結構化結果，確定性最高；
/swarm：代理之間需要彼此審查、協商時用（共用的訊息討論板）；
Subagent：單一、自足的委派任務時用，協作開銷最低。

適合 run-workflow 的典型場景：對分支上「每個變更的檔案」跑同一種 lint 式審查、讓一個持久化的 reviewer 找 bug 再並行派修、在隔離的 Git worktree 中並行重構多個套件並各自跑測試、循序處理 bug 佇列（先寫失敗測試再實作修復）。

趨勢：從「對話式多代理」走向「程式化多代理」

把 Dynamic Workflows 與前一週 OpenAI 推進代理付款（ChatGPT Wallet）、Meta 推出低成本代理專用模型 Muse Ember 放在一起，產業訊號很清楚：你不能再只靠「跟模型聊天」來指揮多個代理。當工作流程要 重複、可靠、可稽核、可交接時，程式化的確定性控制流（deterministic control flow）會取代隨性的對話式編排——腳本本身就是那個「可被版本控制、被 code review、被重跑」的資產。對企業而言，這意味多代理 AI 會從「單次炫技」變成「可以被標準化的生產流程」。

對香港企業與在職人士的啟示

開發者：開始用「程式即流程」的思考：受影響最深的是香港的開發與工程團隊。與其寫又臭又長的多步驟提示，不如學著把重複性任務拆成可重跑的 workflow 腳本，讓 AI 自己生成、你負責審核與版本管理——這讓「AI 協助開發」變成可複製、可交接的團隊資產，而非個人技巧；
企業：把「可重現」當成導入 AI 的門檻：很多企業對多代理 AI 卻步，是因為「不可預測、出了事不知道發生什麼」。Dynamic Workflows 的價值在可重跑、有階段紀錄、JSON Schema 結構化輸出——這就是企業級 AI 最需要的可稽核性。香港團隊選型時，應優先找「流程看得見、結果有格式、能回放」的方案；
把重複性工作優先管道化：財報審查、批次資料清理、每週內容審核、程式碼 review 這類高頻、規則明確的工作，正是 workflow 的首批受惠場景。先挑一個成熟的流程做「半自動化」（AI 初稿＋人審核），跑順了再逐步增加自主度；
善用「逐代理選模型」控成本：不同子代理選不同等級的模型，是最有感的成本控制。香港中小企預算有限時，別一股腦全用旗艦模型，而該讓低價值、高吞吐的步驟用廉價模型，只有關鍵推理才上貴模型——這正是 Dynamic Workflows 內建的彈性。

Google 用一支「AI 自己寫的 Python 程式」改寫了多代理協作的規則。對香港企業與在職開發者，最重要的不是記住它的指令，而是接收這個方向：當 AI 協作從「聊出來」變成「寫出來、存下來、重跑」，多代理工作流就從眩目的實驗，長成了能被企業真正上線的工程流程。