L'Antigravity CLI ha permesso a uno sviluppatore di combinare un front-end Angular, il Firebase Hybrid Web SDK e i modelli Gemini Nano on-device per lanciare un'app di analisi delle immagini che funziona in Chrome senza ricorrere al cloud. Lo stesso codice passa a Gemini 3.5 Flash per i browser che non possono eseguire il modello Nano, mantenendo l'esperienza funzionale ovunque.

Perché questa combinazione è importante

L'etichettatura delle immagini basata su IA, la generazione di alt-text e i suggerimenti CSS migliorano l'accessibilità e il design, ma inviare ogni singolo frame a un modello remoto comporta rapidamente costi elevati. Eseguendo Gemini Nano direttamente nel browser, la demo evita la fatturazione basata sui token per la maggior parte degli utenti. Solo Safari o altri browser non basati su Chrome attivano il fallback sul cloud, comportando un costo.

Gli elementi che hanno reso possibile tutto ciò

  • Antigravity CLI – un assistente basato su IA che risiede nel terminale dello sviluppatore. Invoca "skill" specializzate come la generazione di documentazione, la modellazione del dominio o la revisione del codice senza lasciare la riga di comando.
  • Stitch MCP Server – un servizio fornito da Google che trasforma prompt in linguaggio naturale in schermate UI interattive. Nella demo ha prodotto il design iniziale, che la CLI ha esportato come file di token DESIGN.md.
  • Angular MCP Server – fornisce scaffolding e strumenti basati sulle best practice per il server di sviluppo Angular, assicurando che il progetto segua pattern moderni come i Signals.
  • Firebase Hybrid Web SDK – mette in comunicazione il front-end con lo strato AI Logic di Firebase e la Prompt API utilizzata per chiamare i modelli Gemini.

La Prompt API decide se la richiesta rimane sul dispositivo (Gemini Nano) o viene inviata al cloud (Gemini 3.5 Flash). Chrome 148+ include il runtime necessario per il modello Nano; gli altri browser attivano automaticamente il percorso cloud.

Come lo sviluppatore ha mantenuto alta la qualità

Quattro skill IA sono state eseguite ripetutamente:

  1. grill-with-docs – ha prodotto un Architecture Decision Record (ADR) che ha catturato il design di alto livello e i relativi compromessi.
  2. domain-modeling – ha delineato le strutture dati che alimentano la pipeline di analisi delle immagini.
  3. code-review – una coppia di sub-agent ha scansionato il repository alla ricerca di code smells, discrepanze rispetto all'ADR e qualsiasi scostamento dalla specifica originale.
  4. angular / firebase – hanno verificato che il codice seguisse gli idiomi moderni di Angular e che le chiamate a Firebase AI Logic fossero formulate correttamente.

Sono emersi due workflow. Primo, l'ADR generato automaticamente con /grill-with-docs; poi /goal ha istruito l'IA a implementare il record decisionale end-to-end. Secondo, lo sviluppatore ha scritto l'ADR manualmente ed ha eseguito /code-review per permettere all'IA di controllare l'implementazione. Il percorso manuale aiuta a sviluppare la "memoria muscolare" pur individuando precocemente eventuali regressioni.

La pipeline UI in pratica

Lo sviluppatore ha digitato una breve descrizione della schermata desiderata in Stitch. Stitch ha restituito un mockup. L'Antigravity CLI ha analizzato il mockup, ha estratto i design token e li ha scritti in DESIGN.md. Quei token hanno mappato i design su componenti Angular pronti per la produzione.

Il front-end carica il modello Gemini Nano localmente su Chrome 148+ e passa a Gemini 3.5 Flash tramite Firebase quando il runtime richiesto è assente, comportando un costo in token.

I compromessi

I modelli on-device limitano l'utente a compiti che rientrano nella capacità di Nano: classificazione semplice, didascalie e suggerimenti di stile. Per lavori di visione più complessi è ancora necessario un modello cloud.

Conclusione

L'Antigravity CLI dimostra che gli sviluppatori possono ora assemblare un flusso completo di analisi delle immagini basato su IA — UI Angular, backend Firebase e inferenza Gemini on-device — senza pagare per la maggior parte delle chiamate di inferenza. L'approccio si basa sul supporto ai modelli on-device di Chrome, ma offre un modello chiaro per le applicazioni sensibili ai costi che possono tollerare un fallback sul cloud per i casi limite.