Antigravity CLI — это новый агентный командный интерфейс от Google, который приходит на смену уже выведенному из эксплуатации Gemini CLI. Он унаследовал асинхронную модель с подагентами, выделяющую Antigravity среди аналогов, умеет в двустороннюю синхронизацию с Antigravity Desktop и заточен под быструю работу с Gemini 3.5 Flash.
DataRobot предоставляет готовый плагин для Antigravity CLI из того же опенсорсного репозитория, который лежит в основе интеграций с Cursor, Claude Code и Gemini CLI. Одна установка — и в вашем агенте Antigravity, а также в интерфейсе со слеш-командами, появляется полный набор навыков DataRobot.
Установка навыков в Antigravity CLI
Для установки плагина DataRobot выполните единственную команду:
agy plugin install https://github.com/datarobot-oss/datarobot-agent-skills.gitЕсли вы всё ещё на Gemini CLI, тот же репозиторий подойдёт и там:
gemini extensions install https://github.com/datarobot-oss/datarobot-agent-skills.gitУже используете расширение DataRobot в Gemini CLI и переходите на Antigravity? Мигрируйте его напрямую:
agy plugin import geminiПосле установки доступен полный комплект навыков DataRobot, включая datarobot-setup и datarobot-agent-assist, а вызываются они через слеш-команды, например /datarobot-skills:datarobot-agent-assist.
Добавление трассировки DataRobot к локальному агенту
Отладка агентов — задача не из лёгких. Вызовы LLM возвращают правдоподобный ответ, даже если что-то пошло не так; инструменты отказывают молча, а проблемы с задержками незаметны в финальном ответе. Без структурированных данных трассировки остаётся лишь копаться в логах и гадать.
Чтобы показать, как навык трассировки DataRobot работает на практике, рассмотрим конкретный пример: LangGraph-агента в одном файле main.py, который управляет велотренировками. У него есть несколько инструментов, он выдаёт противоречивые ответы, и по одному лишь тексту общения причина не очевидна.
Добавить к этому агенту трассировку production-уровня можно одним вызовом навыка: /datarobot-skills:datarobot-external-agent-monitoring.
Навык создаёт новый проект (Use Case) в DataRobot, инструментирует агента для отправки трейсов через OpenTelemetry и сохраняет артефакт monitoring_setup.md с шагами настройки во время выполнения.
После инструментирования запускаем агента и задаём ему вопрос — например: «Какое расписание на этой неделе?»
Навык генерирует инструкции по настройке, куда входят идентификатор Use Case и переменные окружения, необходимые для направления трейсов в DataRobot:
Интерфейс трассировки DataRobot показывает всю историю запросов. Каждый трейс содержит полную информацию: общую задержку, суммарное потребление токенов и полное дерево спанов.
Если углубиться в запрос «schedule this week», увидим полную картину: 2 700 токенов потреблено, задержка на уровне каждого вызова инструментов, количество обращений к LLM и любые пользовательские атрибуты, переданные через стандартное инструментирование OTel. Именно такие данные делают отладку управляемой, а не догадки на основе финального ответа.
Для локальной разработки CLI DataRobot выводит обновления трейсов в реальном времени: сначала dr plugin install xp, затем dr xp --entity-id=<use_case_id>. Так получается быстрый цикл итераций: запускаем агента, изучаем трейс, исправляем проблему и повторяем.
В нашем примере вывод спана чётко указывает на корень проблемы: у агента нет доступа к календарю, поэтому он не смог ответить на вопрос о расписании. При этом в разговорном ответе агента эта неудача никак не проявилась:
Вместо этого агент выдал общие рекомендации:
2. **Build a week from scratch** - If you tell me a few things, I can sketch out a balanced week for you: - Your goal (general fitness, an event/race, building endurance, etc.) - How many days/hours you can train - Your current fitness level and any FTP you know A solid general week might look like: - **Mon** - Rest or easy recovery spin - **Tue** - Intervals - **Wed** - Endurance ride (zone 2) - **Thu** - Recovery or rest - **Fri** - Tempo/threshold work - **Sat** - Long endurance ride - **Sun** - Easy ride or restТрейс сразу показал разрыв между ожидаемым и реальным поведением агента, и этот разрыв можно было немедленно устранить. Та же практика работает и на корпоративном уровне: где бы ни запускался агент — на ноутбуке или в облаке продакшена — DataRobot трассирует полное дерево выполнения и показывает, что агент делал на самом деле, а не просто что он сказал.
С чего начать
- Простой LangGraph-агент для велотренировок: github.com/carsongee
- Список плагинов Gemini: geminicli.com/extensions/?name=datarobot-ossdatarobot-agent-skills
Разрыв между прототипом агента и его рабочей версией — это в основном контекст эксплуатации. Ваш агент-кодер пишет код, а DataRobot даёт слой наблюдаемости и управляемую цель развёртывания. Одна установка плагина, один запуск навыка — и с первого же запуска у вас есть данные трассировки уровня продакшена.