Antigravity Workspace Template徹底解説｜AI IDEの認知層を変えるマルチエージェント基盤

AI搭載IDEを使っていて、「コードベースが大きくなるほどAIの回答精度が落ちる」と感じたことはないだろうか。CLAUDE.mdに何千行ものドキュメントを書いても、エージェントは大部分を忘れてしまう。Antigravity Workspace Templateは、この構造的な課題をマルチエージェントクラスタで解決するOSSだ。GitHubスター数は1,100を超え、Python製のエンジンが8種類のAI IDEに対応する。

この記事ではAIエージェントに特化して解説します。AIエージェント全般は AIエージェントフレームワーク比較2026年版 をご覧ください。

Antigravityが解決する「コンテキスト品質」の問題

AI IDEの能力上限は「読めるコンテキストの品質」で決まる。従来のアプローチでは、CLAUDE.mdやREADMEに数千行のドキュメントを詰め込み、エージェントにすべてを読ませていた。しかしプロジェクトが大きくなるほど、重要な情報が埋もれ、ハルシネーション（幻覚）が増えていく。

Antigravityのアプローチは根本的に異なる。コードベースの各モジュールに専用のエージェント（ModuleAgent）を配置し、それぞれがソースコードを直接分析して構造化された知識ドキュメントを生成する。ユーザーの質問はRouterが解析し、最適なModuleAgentに自動ルーティングされる。

「LLMにコード全体を読ませるのをやめ、モジュール単位の専門家エージェントに分割する。Antigravityの設計思想はこの一点に尽きる」

コンテキストを「大きな一塊のテキスト」ではなく「構造化された知識グラフ」として扱う点が、従来のAIコーディング支援との決定的な違いだ。モジュール単位で責任範囲を区切ることで、Routerは「どのエージェントが答えるべきか」を精度高く判断できる。結果として、ファイルパスと行番号付きの正確な回答が返ってくる。

OpenHandsのようなAIコーディングエージェントが「コードを書く」ツールなら、Antigravityは「コードベースを理解させる」基盤と言える。実装フェーズの前に、まず正確な地図を作るレイヤーだ。

セットアップとクイックスタート

Antigravityは、CLI（agコマンド）とEngine（ag-refresh/ag-ask/ag-mcp）の2パッケージ構成になっている。テンプレート注入だけならCLIのみで完結し、マルチエージェントの自律学習を使う場合はEngineも追加する。

# CLIとエンジンをインストール
pip install "git+https://github.com/study8677/antigravity-workspace-template.git#subdirectory=cli"
pip install "git+https://github.com/study8677/antigravity-workspace-template.git#subdirectory=engine"

# プロジェクトに認知アーキテクチャを注入
ag init my-project && cd my-project

ag initを実行すると、以下のファイルが自動生成される。

• AGENTS.md — 全IDE共通のルールブック
• .cursorrules / CLAUDE.md / .windsurfrules / .clinerules — IDE別のブートストラップファイル
• .github/copilot-instructions.md — VS Code + Copilot用
• .antigravity/ — 動的コンテキストファイル群（conventions、decisions、module_registryなど）

「ファイルを置くだけ」で8種のIDEが同じルールを共有できるのがAntigravityの肝だ。プラグインではなくファイルベースの設計だから、IDEが新しく登場しても対応コストが低い。

次に.envでLLM接続を設定し、ナレッジベースを構築する。

# .envにOpenAI互換APIを設定
cat > .env <<EOF
OPENAI_BASE_URL=https://your-endpoint/v1
OPENAI_API_KEY=your-key
OPENAI_MODEL=your-model
AG_ASK_TIMEOUT_SECONDS=120
EOF

# ナレッジベース構築（ModuleAgentが各モジュールを自律学習）
ag-refresh --workspace .

# コードベースに質問
ag-ask "認証フローはどう動いている？"

OpenAI、Gemini、Ollama、vLLM、Groq、MiniMaxなど、OpenAI互換APIに対応する任意のプロバイダーで動作する。ベンダーロックインはない。ローカルLLM（Ollama等）を使えば、機密コードを外部に出さずに運用することも可能だ。

マルチエージェントクラスタのアーキテクチャ

Antigravityの中核はag-refresh（ナレッジ構築パイプライン）とag-ask（質問応答パイプライン）の2つのフローだ。それぞれを図解で整理する。

ag-refreshの8ステップパイプラインでは、ファイルをimportグラフ・ディレクトリ・ファイル名プレフィックスで機能的にグルーピングする。各Sub-Agentはソースコードを直接コンテキストにプリロードし（ツールコール不要）、構造化JSONクレーム（ファイルパス＋行範囲のエビデンス付き）を出力する。RegistryAgentが全モジュールの意味的な要約をmodule_registry.mdにまとめ、Routerはこれを読んで質問を適切なAgentにルーティングする。

「エージェントは読むだけでなく、読んだ内容に対して構造化された根拠を残す。これがハルシネーション対策の本丸だ」

エビデンススパン（ファイルパス＋行範囲）付きの構造化クレームを残す設計こそが、Antigravityの信頼性を支える中核だ。回答の各主張には「どのファイルの何行目に書かれているか」が紐付いており、ユーザーは引用箇所をIDEで直接確認できる。

Claude Codeの全機能解説でも触れているように、CLAUDE.mdの肥大化はAI IDEの共通課題だ。Antigravityはこの問題を「ファイルベースの分散知識管理」で構造的に解決している。CLAUDE.mdは薄く保ち、実態は.antigravity/配下の構造化ナレッジに置く、という発想の転換が効いている。

MCP連携でClaude Codeから直接質問する

AntigravityはMCPサーバーとしても動作する。Claude Codeに登録すれば、ask_projectツールでコードベースへの質問をIDE内から直接実行できる。手でターミナルに戻ってag-askを叩く必要がない。

# MCPサーバーとして登録
claude mcp add antigravity ag-mcp -- --workspace $(pwd)

登録後、Claude Codeは以下のツールを使える。

MCPサーバーの仕組みそのものについて詳しくはMCPサーバー構築ガイドを参照してほしい。Antigravityは、MCPを「外部データ接続口」として使う典型例だ。

Claude Codeからask_projectを呼ぶと、RouterとModuleAgentがバックグラウンドで動き、IDEにはエビデンス付きの回答だけが返る。ユーザー体験としては「Claudeがプロジェクトを本当に理解している」ように感じられる。

さらに、外部MCPサーバー（GitHub、データベース等）への接続もサポートしている。mcp_servers.jsonで設定すれば、エージェントが外部ツールを自動検出・利用できる。

{
  "servers": [
    {
      "name": "github",
      "transport": "stdio",
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-github"],
      "enabled": true
    }
  ]
}

この設定を読み込ませると、ModuleAgentが回答を組み立てる際にGitHub Issue/PR情報も参照できるようになる。コードベース内の知識と外部世界の知識をシームレスに統合する構造だ。

8種のAI IDE対応とCLIコマンド一覧

Antigravityのアーキテクチャは「ファイルベース」であり、プラグインではない。そのため、プロジェクトファイルを読める任意のAI IDEで動作する。IDE側の更新を待つ必要がなく、新しいAI IDEが登場しても対応が容易だ。

AGENTS.mdを共通ルールブックとし、各IDEのブートストラップファイルから参照する構造が美しい。IDEを切り替えてもプロジェクト規約は変わらない。チームメンバーが別々のIDEを使っていても、全員が同じコンテキストにアクセスできる。

ForgeCodeのようなAIコード生成ツールと組み合わせる場合も、.antigravity/フォルダを共有するだけでコンテキストが統一される。Antigravityは「IDEの上位レイヤー」として機能するため、どのコード生成ツールとも相性が良い。

CLIコマンドの全体像は以下の通り。

特に注目すべきはag reportとag log-decisionだ。これらはLLMを呼ばず、ユーザー（またはClaude）が発見した知見・アーキテクチャ決定を.antigravity/配下に追記する。蓄積されたメモリは次回のag-refreshで構造化ナレッジに統合され、プロジェクトの「継続学習」ループが成立する。

# アーキテクチャ判断を記録
ag log-decision "DBをPostgreSQLに移行" "読み取り負荷に対応するためレプリカ構成が必要になった"

# 発見事項をメモに残す
ag report "認証ミドルウェアの例外処理がケースCで漏れている可能性。要調査。"

大規模プロジェクトでの実証結果

公式READMEでは、12,000ファイル・348Kスターの大規模OSSプロジェクト（TypeScript + Swift + Kotlin）でのベンチマークが公開されている。小規模プロジェクトとの比較は以下の通り。

大規模プロジェクトでモジュールQ&Aが10/10を記録している点は特筆に値する。一般的なAI IDEでは「プロジェクトが大きいほど精度が落ちる」のが常識だが、Antigravityではむしろ大規模でスコアが上がった。モジュール分割が効いているほど、Routerの判断精度と各ModuleAgentの専門性が高まるためだ。

大きなディレクトリ（262グループのextensions/、363グループのsrc/）がauto-splitで自動分割され、8並列で処理されることで、以前は5時間以上かかっていた処理が43分で完了するようになった。

モジュール単位の質問（「Telegram連携はどう動く？」「Discord音声チャンネルの実装は？」）ではアーキテクチャ図・コードサンプル・設計パターンまで含む回答が得られる一方、クロスモジュールの質問（「テスト全体の構成は？」）ではタイムアウトが発生するケースもある。公式の推奨設定ではAG_ASK_TIMEOUT_SECONDS=120（デフォルト45秒から引き上げ）が最も効果的なチューニングとされている。

「スケールするほどモジュール分割の効果が増す。これは従来のモノリシックなコンテキスト投入とは正反対の特性だ」

運用パターンと継続学習ループ

Antigravityの真価は「一度入れて終わり」ではなく、日々のコード変更と学習をループさせる点にある。公式が推奨する運用パターンを整理する。

パターン1：日次リフレッシュ＋都度質問

# 毎朝プロジェクトに入ったら差分だけ更新
ag-refresh --quick --workspace .

# 実装前に関連モジュールの理解を深める
ag-ask "支払い処理フローを実装する前に、既存のPaymentServiceの責務を説明して"

差分更新なら数分で完了するため、日次ルーチンに組み込める。朝イチで--quickを叩いておけば、1日の質問がすべて最新ナレッジに基づく。

パターン2：アーキテクチャ決定の記録

# 大きな設計判断があったら即座に記録
ag log-decision "GraphQL→tRPCへ移行" "Next.js統合とエンドツーエンド型安全性を優先"

# 要調査事項はreportで残す
ag report "Redisのキー衝突問題: user:*とsession:*が同一DBで競合する可能性"

記録された判断と発見は次回のag-refreshでナレッジベースに統合される。「なぜこの設計にしたか」がコードベースに紐付いた形で蓄積されるため、新メンバーのオンボーディングコストが劇的に下がる。

パターン3：CIパイプラインへの組み込み

# .github/workflows/antigravity.yml
name: Antigravity Knowledge Refresh
on:
  push:
    branches: [main]
jobs:
  refresh:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
      - name: Install Antigravity
        run: |
          pip install "git+https://github.com/study8677/antigravity-workspace-template.git#subdirectory=cli"
          pip install "git+https://github.com/study8677/antigravity-workspace-template.git#subdirectory=engine"
      - name: Refresh knowledge base
        env:
          OPENAI_API_KEY: $
          OPENAI_BASE_URL: $
        run: ag-refresh --quick --workspace .
      - name: Commit updated knowledge
        run: |
          git config user.name "antigravity-bot"
          git add .antigravity/
          git diff --quiet --cached || git commit -m "chore: refresh antigravity knowledge"
          git push

mainブランチへのpushをトリガーに、.antigravity/配下のナレッジを自動更新する。チームメンバーは最新のナレッジをcloneするだけで手に入るため、個別にag-refreshを叩く必要がない。

まとめ：「構造化された知識」がAI IDEの次の武器になる

Antigravity Workspace Templateは、AI IDEの回答精度を「ドキュメントの量」ではなく「知識の構造」で改善するアプローチを提案している。LLM非依存のファイルベース設計により、IDE間のルール統一とエージェントの専門化を同時に実現する。

ポイントを整理すると：

1. 構造: モジュール単位のModuleAgent＋Router構成で質問を適切にルーティング
2. ファイルベース: 8種のAI IDE横断で.antigravity/配下を共有
3. エビデンス: ファイルパス＋行番号付きの構造化クレームでハルシネーション抑制
4. MCP連携: Claude Code等のIDEからask_project/refresh_projectで直接呼び出せる
5. スケール: 12Kファイル規模でもモジュールQ&A 10/10、--quickで日次運用可能
6. 継続学習: ag log-decision/ag reportでプロジェクト知識を蓄積

「エージェントに全部読ませる」から「エージェントに専門家集団を作らせる」——Antigravityはこの発想の転換を体現したOSSだ。

導入はpip installとag initだけで始められる。まずは小さなプロジェクトでag-refresh → ag-askのサイクルを試し、エージェントの回答精度がどう変わるかを体感してみてほしい。その後、CI組み込みとMCP登録を進めれば、チーム全体でAI IDEの生産性が底上げされる。

📌 まとめ

• Antigravity Workspace TemplateはAI IDEの認知層として機能するマルチエージェントエンジン
• モジュール単位のModuleAgent＋Routerで質問を適切にルーティングし、ファイルパス付きで回答
• 8種のAI IDE（Cursor/Claude Code/Windsurf/Gemini CLI/VS Code/Codex/Cline/Aider）横断で動作
• 12Kファイル・348Kスターの大規模プロジェクトでモジュールQ&A 10/10を記録
• MCPサーバーとしてClaude Codeから直接呼び出し可能、外部MCPサーバー連携もサポート
• ag log-decision/ag reportによるプロジェクト知識の継続学習ループが組める

参照ソース

• study8677/antigravity-workspace-template - GitHub
• Antigravity Workspace Template - DeepWiki
• OpenAI Agent SDK - GitHub
• Model Context Protocol - 公式ドキュメント