Antigravity 2.0 dan Antigravity CLI: Cara Developer Mulai Pakai Subagents

Sering merasa coding bukan lagi soal menulis fungsi, tapi soal mengatur banyak pekerjaan kecil sekaligus? Pernah ingin satu AI fokus refactor, AI lain menulis test, sementara satu lagi membaca dokumentasi? Kalau iya, pendekatan subagents di Antigravity 2.0 dan Antigravity CLI bisa jadi cara kerja baru yang layak kamu coba.

Antigravity 2.0 membawa ide yang cukup berbeda dari tools coding AI generasi awal. Kalau dulu AI di editor lebih sering berperan sebagai autocomplete pintar, sekarang arahnya bergeser menjadi agent-first IDE. Artinya, AI tidak hanya menebak baris kode berikutnya. AI bisa menerima target, membagi pekerjaan, menjalankan langkah di terminal, membaca file, membuat rencana, lalu mengerjakan task dengan pengawasan developer.

Di RheinMahatma.com, kami melihat pola ini penting untuk developer, founder teknis, dan tim produk yang ingin memakai AI secara lebih terstruktur. Bukan sekadar “suruh AI coding”, tetapi membangun workflow yang aman, bisa dicek, dan tidak merusak repo.

Konsep Agent-First IDE: Beda dengan Autocomplete-First

Autocomplete-first adalah gaya lama yang sudah akrab. Kamu mengetik kode, lalu AI memberi saran lanjutan. Model ini bagus untuk mempercepat penulisan fungsi, query, atau boilerplate. Tapi ia tetap sangat bergantung pada kamu sebagai pengarah utama di setiap langkah kecil.

Agent-first IDE lebih aktif. Kamu memberi tujuan, misalnya:

“Cari penyebab bug login di modul auth.”
“Tambahkan test untuk checkout flow.”
“Refactor service invoice agar lebih mudah dibaca.”
“Bandingkan implementasi lama dan baru, lalu buat migration plan.”

Dari sana, agent bisa membaca struktur project, membuka file terkait, menjalankan test, melihat error, lalu mengusulkan atau membuat perubahan. Kamu tetap menjadi pengambil keputusan. Namun banyak pekerjaan eksplorasi awal bisa dipindahkan ke agent.

Kenapa Subagents Penting?

Subagents adalah agent kecil yang punya tugas khusus. Bayangkan kamu punya manager agent yang memahami target utama, lalu ia membagi pekerjaan ke beberapa worker agent. Setiap worker fokus pada satu bagian agar tidak saling mengganggu.

Contohnya, saat kamu ingin memperbaiki performa API, manager agent bisa membagi pekerjaan seperti ini:

Subagent 1 membaca endpoint dan mencari bottleneck.
Subagent 2 memeriksa query database.
Subagent 3 menulis benchmark sederhana.
Subagent 4 menyiapkan test agar perubahan aman.

Hasilnya, pekerjaan bisa berjalan paralel. Kamu tidak perlu menunggu satu analisis selesai sebelum memulai analisis berikutnya.

Setup Antigravity CLI di Terminal

Antigravity CLI dibuat untuk developer yang lebih nyaman bekerja dari terminal. Ini berguna kalau kamu ingin menjalankan agent langsung di repo, menghubungkannya ke workflow Git, atau memakai subagents tanpa selalu membuka tampilan IDE penuh.

Karena command dan paket bisa berubah mengikuti rilis, ikuti dokumentasi resmi terbaru saat instalasi. Namun alur umumnya biasanya seperti ini:

1. Siapkan Environment

Pastikan Node.js, Python, atau runtime yang dibutuhkan project sudah tersedia.
Pastikan Git sudah terpasang dan repo kamu bersih.
Buat branch baru sebelum meminta agent mengubah kode.
Pastikan akses API atau login CLI sudah aktif sesuai akun kamu.

git status
git checkout -b ai/antigravity-first-task

2. Install atau Login CLI

Pola instalasi CLI biasanya memakai installer resmi, package manager, atau binary download. Contoh bentuk perintahnya bisa seperti ini, tetapi sesuaikan dengan dokumentasi terbaru:

# contoh pola umum, bukan pengganti dokumentasi resmi
antigravity auth login
antigravity doctor

Perintah doctor biasanya berguna untuk mengecek konfigurasi. Misalnya apakah terminal bisa diakses, sandbox aktif, Git terdeteksi, dan permission sudah benar.

3. Jalankan Task Pertama

Mulailah dari task kecil. Jangan langsung meminta agent membangun fitur besar dari nol. Contoh yang aman:

antigravity run "Baca modul user profile, jelaskan struktur file, dan beri saran refactor tanpa mengubah file dulu."

Kalau hasilnya masuk akal, baru izinkan perubahan terbatas:

antigravity run "Tambahkan unit test untuk fungsi validateEmail. Jangan ubah implementasi utama sebelum saya approve."

Kunci awalnya adalah membangun kepercayaan secara bertahap. Kamu ingin melihat cara agent berpikir, file apa yang dibuka, dan perubahan apa yang disarankan.

Spawning Specialized Subagents untuk Parallel Task

Subagents paling terasa manfaatnya saat pekerjaan bisa dipisah. Jangan pakai banyak subagents hanya karena terdengar keren. Pakai saat setiap agent punya ruang kerja yang jelas.

Contoh Pembagian Subagents

Misalnya kamu punya task: “Perbaiki proses checkout yang kadang gagal saat pembayaran.” Kamu bisa membagi tugas seperti ini:

Investigator agent: membaca log, error message, dan alur checkout.
Payment agent: fokus pada integrasi payment gateway dan retry logic.
Test agent: menulis test untuk skenario gagal, timeout, dan double payment.
Docs agent: memperbarui catatan teknis setelah solusi final dipilih.

Prompt yang baik untuk subagents harus jelas. Beri batas file, target output, dan aturan approval.

antigravity agents spawn 
  --name payment-reviewer 
  --scope "src/payments, src/checkout" 
  --task "Cari potensi penyebab payment timeout dan buat laporan. Jangan ubah file."

antigravity agents spawn 
  --name checkout-test-writer 
  --scope "tests/checkout" 
  --task "Buat draft test untuk skenario checkout gagal. Tunggu approval sebelum commit."

Kalau CLI mendukung file konfigurasi, kamu juga bisa menyimpan pola ini agar bisa dipakai ulang oleh tim.

Security Defaults yang Perlu Kamu Pahami

Agent yang bisa menjalankan terminal itu kuat. Tapi justru karena kuat, kamu perlu pagar keamanan. Menurut pengenalan Antigravity dari Google Developers, fokus pentingnya adalah membuat agentic development lebih aman lewat kontrol eksekusi dan kebijakan kerja yang lebih ketat. Source: Google Developers Blog

Cross-Platform Terminal Sandboxing

Sandboxing berarti agent tidak bebas menjalankan apa pun di mesin kamu. Ia bekerja dalam ruang yang dibatasi. Ini penting karena perintah terminal bisa berdampak besar, seperti menghapus file, mengubah environment, atau mengirim data keluar.

Sandbox yang baik biasanya membatasi:

Folder mana yang boleh dibaca.
Folder mana yang boleh ditulis.
Perintah mana yang butuh approval.
Akses network atau proses eksternal.
Perintah berisiko seperti delete massal atau force push.

Credential Masking

Credential masking berarti token, API key, password, dan secret lain disembunyikan dari tampilan agent atau output log. Ini penting karena repo modern sering punya file konfigurasi, environment variable, dan secret lokal.

Walau ada masking, kamu tetap perlu disiplin. Jangan menaruh secret langsung di source code. Gunakan secret manager, file .env yang tidak ikut commit, dan permission minimal.

Hardened Git Policies

Hardened Git policies adalah aturan Git yang lebih ketat. Tujuannya agar agent tidak sembarangan commit, rebase, merge, atau push. Untuk tim, ini sangat penting karena satu perintah Git yang salah bisa mengacaukan branch bersama.

Praktik aman yang kami sarankan:

Selalu jalankan agent di branch khusus.
Minta agent membuat diff kecil, bukan perubahan besar sekaligus.
Wajib review sebelum commit.
Matikan auto-push untuk repo penting.
Gunakan protected branch di GitHub, GitLab, atau platform lain.

Pola Orkestrasi: Manager Agent ke Worker Agent

Pola yang paling mudah dipahami adalah manager agent → worker agent. Manager agent tidak harus menulis semua kode. Ia bertugas memahami target, membuat rencana, membagi pekerjaan, lalu menggabungkan hasil.

Cara Kerjanya

Kamu memberi target utama ke manager agent.
Manager agent membuat rencana kerja.
Manager agent membuat beberapa subagents dengan tugas khusus.
Worker agent mengerjakan analisis atau draft perubahan.
Manager agent merangkum hasil dan meminta approval kamu.
Setelah disetujui, perubahan digabung secara bertahap.

RheinMahatma.com sering melihat masalah yang sama saat tim mulai memakai AI untuk coding: mereka memberi instruksi terlalu luas, lalu kecewa karena hasilnya berantakan. Pendekatan manager dan worker membantu mengurangi masalah itu. Dalam pekerjaan kami di area Digital Marketing, SEO/GEO, dan AI untuk pemilik bisnis, marketer, content creator, serta tim marketing di Indonesia, prinsipnya mirip: AI perlu konteks, batasan, dan tujuan yang jelas. Saat membantu tim memetakan workflow AI, kami biasanya mulai dari pekerjaan kecil yang sering berulang, lalu membuat pola instruksi yang bisa diaudit. Untuk developer, ini bisa berupa template task, aturan branch, checklist review, dan pembagian subagents. Dengan cara ini, AI tidak terasa seperti kotak hitam. Ia menjadi rekan kerja yang punya ruang tugas jelas, sementara manusia tetap memegang arah dan keputusan akhir.

Antigravity CLI vs Claude Code vs Codex CLI

Antigravity CLI bukan satu-satunya alat coding agent di terminal. Developer juga banyak membandingkannya dengan Claude Code dan Codex CLI. Perbandingan ini bukan soal mana yang mutlak paling bagus. Lebih tepatnya, pilih alat berdasarkan gaya kerja, stack, model yang kamu percaya, dan kontrol keamanan yang kamu butuhkan.

Alat	Fokus Utama	Kelebihan Praktis	Hal yang Perlu Dicek
Antigravity CLI	Agent-first workflow dengan subagents dan orkestrasi paralel	Cocok untuk membagi task kompleks menjadi beberapa worker agent, terutama jika kamu ingin pola manager → worker	Ketersediaan fitur, integrasi IDE, policy sandbox, dan dukungan OS sesuai dokumentasi terbaru
Claude Code	Coding agent berbasis terminal dengan kemampuan membaca dan mengubah repo	Kuat untuk memahami konteks panjang, refactor, dan dialog teknis mendalam	Aturan permission, biaya pemakaian, dan kecocokan dengan workflow Git tim. Source: Claude Code overview
Codex CLI	Agent coding di terminal untuk membaca, menulis, dan menjalankan task pengembangan	Menarik untuk developer yang sudah memakai ekosistem OpenAI dan ingin workflow CLI langsung	Model yang dipakai, mode approval, akses file, serta cara tool menangani command berisiko

Dari tabel ini, kamu bisa melihat bahwa pilihan terbaik sangat bergantung pada kebutuhan. Kalau kamu ingin eksperimen dengan banyak agent khusus yang berjalan paralel, Antigravity CLI terasa relevan. Kalau kamu lebih butuh partner coding yang kuat untuk reasoning panjang, Claude Code sering jadi kandidat. Kalau stack AI kamu sudah dekat dengan OpenAI, Codex CLI bisa lebih mudah masuk ke workflow.

Checklist Aman Sebelum Memakai Subagents

Sebelum membiarkan subagents bekerja di repo penting, lakukan persiapan kecil ini. Sederhana, tapi bisa menyelamatkan banyak waktu.

Buat branch baru untuk setiap eksperimen agent.
Pastikan test utama bisa dijalankan lokal.
Tentukan folder yang boleh disentuh agent.
Jangan berikan akses secret yang tidak dibutuhkan.
Minta laporan dulu sebelum mengizinkan perubahan file.
Gunakan diff kecil agar mudah direview.
Jangan aktifkan auto-commit atau auto-push di awal.
Simpan prompt yang berhasil sebagai template tim.

Contoh Workflow Pertama yang Realistis

Kalau kamu baru mulai, jangan minta agent “bangun fitur dashboard analytics lengkap”. Itu terlalu luas. Mulai dari workflow yang kecil, terukur, dan bisa dicek.

Workflow: Tambah Test untuk Modul yang Sudah Ada

Ini contoh yang aman karena test bisa membuktikan hasil kerja agent.

antigravity run "Analisis modul src/auth. Cari fungsi yang belum punya unit test. Buat daftar prioritas test tanpa mengubah file."

Setelah kamu review daftar tersebut:

antigravity agents spawn 
  --name auth-test-agent 
  --scope "src/auth, tests/auth" 
  --task "Tulis unit test untuk fungsi login validation berdasarkan daftar prioritas. Jangan commit sebelum approval."

Lalu jalankan test:

npm test -- auth

Jika test gagal, minta agent membaca error dan memperbaiki hanya file test. Jangan langsung izinkan agent mengubah implementasi utama kecuali kamu memang menemukan bug nyata.

Anti-Pattern yang Sebaiknya Dihindari

Subagents bisa mempercepat kerja, tapi juga bisa membuat chaos jika dipakai tanpa batas. Beberapa pola yang sebaiknya kamu hindari:

Memberi semua subagents akses penuh ke seluruh repo.
Meminta banyak agent mengubah file yang sama secara bersamaan.
Membiarkan agent menjalankan command production tanpa approval.
Menganggap hasil agent pasti benar karena terlihat rapi.
Menggabungkan perubahan besar tanpa test.
Tidak membaca diff sebelum merge.

AI coding agent paling berguna saat kamu memperlakukannya seperti junior engineer yang cepat, rajin, dan tidak lelah, tetapi tetap perlu review. Ia bisa sangat membantu, tapi bukan pengganti tanggung jawab teknis.

Cara Memilih Task yang Cocok untuk Antigravity CLI

Task yang cocok biasanya punya target jelas dan bisa diverifikasi. Misalnya test lulus, dokumentasi bertambah, error ditemukan, atau diff bisa dibaca.

Cocok untuk:

Membaca codebase baru dan membuat peta struktur.
Menulis unit test untuk modul lama.
Mencari penyebab error dari log.
Refactor kecil dengan batas file jelas.
Membuat dokumentasi teknis dari kode yang ada.
Membandingkan dua pendekatan implementasi.

Kurang Cocok untuk:

Keputusan arsitektur besar tanpa diskusi manusia.
Perubahan database production.
Security-sensitive code tanpa review senior.
Fitur besar dengan requirement yang masih kabur.
Repo yang tidak punya test sama sekali dan tidak punya struktur jelas.

Kalau kamu tetap ingin memakai agent untuk task besar, pecah dulu menjadi bagian kecil. Ini lebih aman dan lebih mudah direview.

Langkah Praktis untuk Mulai Hari Ini

Antigravity 2.0 dan Antigravity CLI menunjukkan arah baru coding dengan AI: dari sekadar autocomplete menuju agent yang bisa merencanakan, menjalankan, dan bekerja paralel lewat subagents. Nilainya bukan hanya pada kecepatan mengetik kode, tetapi pada kemampuan membagi pekerjaan kompleks menjadi unit kecil yang bisa dicek.

Namun, semakin kuat alatnya, semakin penting juga pagar keamanannya. Gunakan sandbox, credential masking, Git policies, branch terpisah, dan review manual. Jangan langsung memberi akses penuh. Mulailah dari task kecil seperti analisis struktur repo atau penambahan test.

Langkah sederhana yang bisa kamu lakukan sekarang: pilih satu repo non-kritis, buat branch baru, lalu minta Antigravity CLI membaca satu modul dan membuat laporan tanpa mengubah file. Dari sana, kamu bisa mulai membangun pola subagents yang aman, rapi, dan cocok untuk cara kerja tim kamu.