Google Antigravity SDK + Ollama: Cara Membuat AI Agent Lokal dengan Python
Google Antigravity SDK dapat digunakan bersama Ollama untuk menjalankan AI agent dengan model lokal. Dengan konfigurasi ini, developer dapat membuat agent Python yang berkomunikasi dengan model di komputer atau server sendiri tanpa harus selalu menggunakan API cloud.
Integrasi ini cocok untuk eksperimen coding agent, analisis codebase, otomasi internal, dan proyek yang membutuhkan kontrol lebih besar terhadap lokasi pemrosesan data.
Google Antigravity menyediakan konfigurasi LocalOpenAIAgentConfig untuk terhubung ke server lokal yang menggunakan API OpenAI-compatible, termasuk Ollama.
Apa Itu Google Antigravity SDK?
Google Antigravity SDK adalah SDK Python untuk membuat autonomous AI agent. SDK ini menyediakan runtime untuk mengelola percakapan, tool, konteks, kebijakan keamanan, dan sesi agent.
Dengan SDK, developer dapat membuat agent yang:
- Menerima instruksi melalui aplikasi Python.
- Membaca file atau konteks proyek.
- Menjalankan fungsi Python tertentu.
- Menggunakan tool yang dipilih developer.
- Menggunakan model cloud atau model lokal.
- Dikembangkan menjadi workflow multi-agent.
Apa Itu Ollama?
Ollama adalah runtime untuk menjalankan large language model atau LLM secara lokal. Model yang tersedia dapat digunakan melalui terminal dan API lokal.
Contoh model yang dapat digunakan bergantung pada model yang sudah diunduh di server, seperti:
llama3.qwen2.5-coder.gemma.- Model lain yang kompatibel dengan Ollama.
Nama model pada konfigurasi Python harus sama dengan model yang tersedia di Ollama.
Keuntungan Menggabungkan Antigravity SDK dan Ollama
- Dapat menjalankan model secara lokal.
- Tidak selalu membutuhkan API key cloud.
- Data proyek dapat tetap berada di lingkungan sendiri.
- Cocok untuk eksperimen AI agent internal.
- Dapat digunakan pada workstation atau server pribadi.
- Dapat memanfaatkan model coding lokal.
Namun, performa agent tetap bergantung pada model, RAM, GPU, CPU, dan konfigurasi server yang digunakan.
Persyaratan yang Dibutuhkan
- Python 3.10 atau versi lebih baru.
- Ollama yang sudah terinstal.
- Minimal satu model yang sudah diunduh.
- Google Antigravity SDK.
- Terminal atau server yang dapat menjalankan Python.
Langkah 1: Instal Google Antigravity SDK
Buat virtual environment Python agar dependensi proyek tidak tercampur:
python3 -m venv .venv
source .venv/bin/activate
Di Windows, gunakan:
.venv\Scripts\activate
Instal SDK dengan perintah:
pip install google-antigravity
Jika menggunakan Poetry:
poetry add google-antigravity
Jika menggunakan uv:
uv add google-antigravity
Langkah 2: Pastikan Ollama Berjalan
Periksa apakah Ollama sudah dapat digunakan:
ollama list
Jika belum memiliki model, jalankan salah satu model yang tersedia:
ollama run llama3
Untuk model coding, Anda dapat menggunakan model lain yang sudah tersedia di server:
ollama run qwen2.5-coder
Gunakan nama model yang sama pada konfigurasi Antigravity SDK.
Langkah 3: Uji Endpoint Ollama
Ollama biasanya menyediakan endpoint OpenAI-compatible pada alamat:
http://localhost:11434/v1
Jika Ollama berada di server lain, gunakan alamat IP internal server:
http://IP_SERVER_OLLAMA:11434/v1
Jangan membuka port Ollama langsung ke internet publik tanpa perlindungan. Gunakan jaringan privat, VPN, firewall, atau reverse proxy dengan autentikasi.
Langkah 4: Membuat Program Python Sederhana
Buat file bernama agent_ollama.py:
import asyncio
from google.antigravity import Agent, LocalOpenAIAgentConfig
async def main():
config = LocalOpenAIAgentConfig(
model="llama3",
base_url="http://localhost:11434/v1",
).lightweight()
async with Agent(config) as agent:
response = await agent.chat(
"Jelaskan fungsi Python secara singkat."
)
async for token in response:
print(token, end="", flush=True)
print()
if __name__ == "__main__":
asyncio.run(main())
Jalankan program:
python agent_ollama.py
Jika model dan endpoint sudah benar, agent akan mengirimkan pertanyaan ke Ollama dan menampilkan respons melalui terminal.
Penjelasan Konfigurasi
Parameter model
model="llama3"
Nilainya harus sama dengan nama model yang tersedia pada Ollama. Anda dapat menggantinya dengan model coding:
model="qwen2.5-coder"
Parameter base_url
base_url="http://localhost:11434/v1"
Parameter ini menunjuk ke endpoint OpenAI-compatible Ollama. Jika server berada di komputer lain, ganti localhost dengan alamat IP internal server.
Fungsi lightweight
Method .lightweight() digunakan untuk menerapkan konfigurasi yang lebih ringan bagi model lokal. Pengaturan ini berguna ketika model memiliki konteks atau kemampuan komputasi yang lebih terbatas.
Menggunakan Ollama di Server Proxmox
Jika Ollama berjalan di LXC Container atau server Proxmox, program Python dapat dijalankan dari komputer lain selama endpoint Ollama dapat diakses melalui jaringan internal.
Contoh konfigurasi:
config = LocalOpenAIAgentConfig(
model="qwen2.5-coder",
base_url="http://192.168.1.50:11434/v1",
).lightweight()
Ganti alamat IP dengan IP container atau server Anda.
Perhatikan beberapa hal berikut:
- Pastikan service Ollama mendengarkan alamat jaringan yang sesuai.
- Pastikan firewall mengizinkan akses dari komputer yang menjalankan Python.
- Jangan membuka port 11434 ke publik tanpa perlindungan.
- Gunakan jaringan privat atau VPN.
- Batasi akses hanya dari IP yang diperlukan.
Membuat Agent untuk Analisis Kode
Setelah koneksi dasar berhasil, ubah prompt menjadi tugas coding:
response = await agent.chat(
"Buatkan fungsi Python untuk membaca file CSV "
"dan menghitung jumlah baris data."
)
Untuk analisis proyek, gunakan instruksi yang lebih terarah:
response = await agent.chat(
"Jelaskan struktur proyek ini dan sebutkan file "
"yang berhubungan dengan autentikasi. Jangan mengubah file."
)
Mulailah dari tugas read-only sebelum memberikan izin kepada agent untuk membuat atau mengubah file.
Menambahkan Fungsi Python sebagai Tool
Antigravity SDK dapat menggunakan fungsi Python khusus sebagai tool agent.
import asyncio
from google.antigravity import Agent, LocalOpenAIAgentConfig
def get_project_name() -> str:
"""Mengembalikan nama proyek."""
return "Proyek Lokal Nugasin"
async def main():
config = LocalOpenAIAgentConfig(
model="llama3",
base_url="http://localhost:11434/v1",
tools=[get_project_name],
).lightweight()
async with Agent(config) as agent:
response = await agent.chat(
"Gunakan tool yang tersedia untuk menjelaskan nama proyek."
)
async for token in response:
print(token, end="", flush=True)
if __name__ == "__main__":
asyncio.run(main())
Tool sebaiknya hanya melakukan tugas yang jelas dan aman. Hindari langsung membuat tool yang dapat menghapus file atau menjalankan perintah berbahaya.
Menghubungkan Agent dengan Project Directory
Untuk workflow coding, agent dapat diberi konteks workspace tertentu. Gunakan folder proyek yang tidak berisi kredensial rahasia.
workspace = "/path/ke/proyek"
config = LocalOpenAIAgentConfig(
model="qwen2.5-coder",
base_url="http://localhost:11434/v1",
workspaces=[workspace],
).lightweight()
Uji terlebih dahulu dengan instruksi yang tidak mengubah file:
response = await agent.chat(
"Daftar file utama pada workspace ini dan jelaskan fungsinya."
)
Perbandingan Model Cloud dan Ollama Lokal
| Aspek | Model Cloud | Ollama Lokal |
|---|---|---|
| Koneksi internet | Umumnya diperlukan | Dapat berjalan tanpa internet setelah model tersedia |
| Privasi data | Perlu mengikuti kebijakan layanan | Data dapat tetap berada di lingkungan sendiri |
| Performa | Bergantung jaringan dan layanan cloud | Bergantung perangkat lokal |
| Biaya | Dapat menggunakan kuota atau API | Menggunakan sumber daya hardware sendiri |
| Model | Model frontier dan layanan terkelola | Model yang sudah diunduh di Ollama |
Masalah yang Sering Terjadi
Connection refused
Masalah ini biasanya terjadi karena Ollama belum berjalan, alamat IP salah, port tidak dapat diakses, atau firewall memblokir koneksi.
Model tidak ditemukan
Pastikan nama pada parameter model sama dengan hasil perintah:
ollama list
Respons agent terlalu lambat
Periksa ukuran model, RAM, GPU, panjang konteks, dan jumlah tool yang diaktifkan. Model yang lebih kecil biasanya lebih cepat pada hardware terbatas.
Agent tidak dapat membaca file
Pastikan workspace sudah benar dan program memiliki izin membaca folder tersebut.
Tips Keamanan
- Jangan menaruh API key atau password di dalam source code.
- Jangan mengekspos port Ollama ke internet tanpa autentikasi.
- Gunakan workspace khusus untuk eksperimen.
- Batasi tool yang dapat dipanggil agent.
- Jangan memberikan akses tulis sebelum hasil read-only dipahami.
- Simpan backup dan gunakan Git.
- Periksa semua perubahan sebelum masuk ke server produksi.
Kesimpulan
Google Antigravity SDK dapat dihubungkan dengan Ollama menggunakan LocalOpenAIAgentConfig. Dengan cara ini, developer dapat membuat AI agent Python yang menggunakan model lokal melalui endpoint OpenAI-compatible.
Integrasi ini cocok untuk analisis kode, otomasi internal, eksperimen agent, dan workflow yang membutuhkan kontrol lebih besar terhadap data. Mulailah dari agent read-only, lalu tambahkan tool dan izin secara bertahap.
Untuk panduan lainnya, baca juga artikel mengenal Google Antigravity dan cara menggunakan Google Antigravity CLI.
FAQ
Apakah Google Antigravity SDK bisa menggunakan Ollama?
Ya. Gunakan LocalOpenAIAgentConfig dan arahkan base_url ke endpoint OpenAI-compatible Ollama.
Apakah integrasi Antigravity SDK dan Ollama membutuhkan API key?
Untuk model lokal yang berjalan melalui Ollama, API key cloud tidak selalu diperlukan. Namun, keamanan endpoint dan konfigurasi jaringan tetap harus diperhatikan.
Versi Python berapa yang dibutuhkan?
Dokumentasi Google Antigravity mencantumkan dukungan Python 3.10 atau versi yang lebih baru.
Apakah Ollama bisa berjalan di server Proxmox?
Bisa, selama server dapat menjalankan Ollama dan endpoint-nya dapat diakses secara aman oleh program Python.
Model Ollama apa yang cocok untuk coding?
Gunakan model coding yang tersedia pada server Anda, misalnya model yang memang dirancang untuk pemrograman. Nama model harus sesuai dengan hasil perintah ollama list.



