Antigravity CLI ਨੇ ਇੱਕ ਡਿਵੈਲਪਰ ਨੂੰ Angular front-end, Firebase ਦੇ Hybrid Web SDK ਅਤੇ on-device Gemini Nano ਮਾਡਲਾਂ ਨੂੰ ਜੋੜ ਕੇ ਇੱਕ ਅਜਿਹੀ image-analysis ਐਪ ਬਣਾਉਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੱਤੀ ਜੋ cloud ਨੂੰ ਛੂਹੇ ਬਿਨਾਂ Chrome ਵਿੱਚ ਚੱਲਦੀ ਹੈ। ਉਹੀ ਕੋਡ ਉਨ੍ਹਾਂ ਬ੍ਰਾਊਜ਼ਰਾਂ ਲਈ Gemini 3.5 Flash ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ ਜੋ Nano ਮਾਡਲ ਨਹੀਂ ਚਲਾ ਸਕਦੇ, ਜਿਸ ਨਾਲ ਅਨੁਭਵ ਹਰ ਜਗ੍ਹਾ ਕਾਰਜਸ਼ੀਲ ਰਹਿੰਦਾ ਹੈ।

ਇਹ ਸੁਮੇਲ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ

AI-ਪਾਵਰਡ image tagging, alt-text generation ਅਤੇ CSS ਸੁਝਾਅ ਪਹੁੰਚਯੋਗਤਾ (accessibility) ਅਤੇ ਡਿਜ਼ਾਈਨ ਵਿੱਚ ਸੁਧਾਰ ਕਰਦੇ ਹਨ, ਪਰ ਹਰ ਫਰੇਮ ਨੂੰ ਰਿਮੋਟ ਮਾਡਲ ਨੂੰ ਭੇਜਣ ਨਾਲ ਖਰਚਾ ਤੇਜ਼ੀ ਨਾਲ ਵਧਦਾ ਹੈ। ਬ੍ਰਾਊਜ਼ਰ ਵਿੱਚ ਸਿੱਧੇ Gemini Nano ਨੂੰ ਚਲਾ ਕੇ, ਇਹ ਡੈਮੋ ਜ਼ਿਆਦਾਤਰ ਉਪਭੋਗਤਾਵਾਂ ਲਈ token-based ਬਿਲਿੰਗ ਤੋਂ ਬਚਦਾ ਹੈ। ਸਿਰਫ਼ Safari ਜਾਂ ਹੋਰ non-Chrome ਬ੍ਰਾਊਜ਼ਰ ਹੀ cloud fallback ਨੂੰ ਟ੍ਰਿਗਰ ਕਰਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਚਾਰਜ ਲੱਗਦਾ ਹੈ।

ਉਹ ਹਿੱਸੇ ਜਿਨ੍ਹਾਂ ਨੇ ਇਸ ਨੂੰ ਸੰਭਵ ਬਣਾਇਆ

  • Antigravity CLI – ਇੱਕ AI-driven ਸਹਾਇਕ ਜੋ ਡਿਵੈਲਪਰ ਦੇ terminal ਵਿੱਚ ਰਹਿੰਦਾ ਹੈ। ਇਹ command line ਨੂੰ ਛੱਡੇ ਬਿਨਾਂ documentation generation, domain modeling ਜਾਂ code review ਵਰਗੇ ਵਿਸ਼ੇਸ਼ “skills” ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ।
  • Stitch MCP Server – Google ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤੀ ਗਈ ਇੱਕ ਸੇਵਾ ਜੋ natural-language prompts ਨੂੰ interactive UI ਸਕ੍ਰੀਨਾਂ ਵਿੱਚ ਬਦਲ ਦਿੰਦੀ ਹੈ। ਡੈਮੋ ਵਿੱਚ ਇਸਨੇ ਸ਼ੁਰੂਆਤੀ ਡਿਜ਼ਾਈਨ ਤਿਆਰ ਕੀਤਾ, ਜਿਸ ਨੂੰ CLI ਨੇ DESIGN.md token ਫਾਈਲ ਵਜੋਂ ਐਕਸਪੋਰਟ ਕੀਤਾ।
  • Angular MCP Server – Angular development server ਲਈ best-practice scaffolding ਅਤੇ tooling ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ ਕਿ ਪ੍ਰੋਜੈਕਟ Signals ਵਰਗੇ ਆਧੁਨਿਕ ਪੈਟਰਨਾਂ ਦੀ ਪਾਲਣਾ ਕਰੇ।
  • Firebase Hybrid Web SDK – front-end ਨੂੰ Firebase ਦੇ AI Logic layer ਅਤੇ Gemini ਮਾਡਲਾਂ ਨੂੰ ਕਾਲ ਕਰਨ ਲਈ ਵਰਤੇ ਜਾਣ ਵਾਲੇ Prompt API ਨਾਲ ਜੋੜਦਾ ਹੈ।

Prompt API ਇਹ ਫੈਸਲਾ ਕਰਦੀ ਹੈ ਕਿ ਰਿਕਵੈਸਟ ਡਿਵਾਈਸ (Gemini Nano) 'ਤੇ ਰਹੇਗੀ ਜਾਂ cloud (Gemini 3.5 Flash) ਨੂੰ ਭੇਜੀ ਜਾਵੇਗੀ। Chrome 148+ ਵਿੱਚ Nano ਮਾਡਲ ਲਈ ਲੋੜੀਂਦਾ runtime ਸ਼ਾਮਲ ਹੈ; ਹੋਰ ਬ੍ਰਾਊਜ਼ਰ ਆਪਣੇ ਆਪ cloud path ਨੂੰ ਟ੍ਰਿਗਰ ਕਰਦੇ ਹਨ।

ਡਿਵੈਲਪਰ ਨੇ ਗੁਣਵੱਤਾ ਨੂੰ ਉੱਚਾ ਕਿਵੇਂ ਰੱਖਿਆ

ਚਾਰ AI skills ਵਾਰ-ਵਾਰ ਚਲਾਈਆਂ ਗਈਆਂ:

  1. grill-with-docs – ਇੱਕ Architecture Decision Record (ADR) ਤਿਆਰ ਕੀਤਾ ਜਿਸ ਵਿੱਚ ਉੱਚ-ਪੱਧਰੀ ਡਿਜ਼ਾਈਨ ਅਤੇ trade-offs ਨੂੰ ਕੈਪਚਰ ਕੀਤਾ ਗਿਆ ਸੀ।
  2. domain-modeling – ਉਨ੍ਹਾਂ data structures ਦੀ ਰੂਪਰੇਖਾ ਤਿਆਰ ਕੀਤੀ ਜੋ image-analysis pipeline ਨੂੰ ਫੀਡ ਕਰਦੇ ਹਨ।
  3. code-review – sub-agents ਦੇ ਇੱਕ ਜੋੜੇ ਨੇ repository ਨੂੰ code smells, ADR ਨਾਲ ਮੇਲ ਨਾ ਖਾਣ ਵਾਲੀਆਂ ਚੀਜ਼ਾਂ ਅਤੇ ਅਸਲ specification ਤੋਂ ਕਿਸੇ ਵੀ ਤਬਦੀਲੀ ਲਈ ਸਕੈਨ ਕੀਤਾ।
  4. angular / firebase – ਇਹ ਪੁਸ਼ਟੀ ਕੀਤੀ ਕਿ ਕੋਡ ਆਧੁਨਿਕ Angular idioms ਦੀ ਪਾਲਣਾ ਕਰਦਾ ਹੈ ਅਤੇ Firebase AI Logic calls ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਬਣਾਈਆਂ ਗਈਆਂ ਹਨ।

ਦੋ ਵਰਕਫਲੋ ਸਾਹਮਣੇ ਆਏ। ਪਹਿਲਾ, /grill-with-docs ਨਾਲ ADR ਆਪਣੇ ਆਪ ਤਿਆਰ ਹੋਇਆ; ਫਿਰ /goal ਨੇ AI ਨੂੰ decision record ਨੂੰ end-to-end ਲਾਗੂ ਕਰਨ ਦਾ ਨਿਰਦੇਸ਼ ਦਿੱਤਾ। ਦੂਜਾ, ਡਿਵੈਲਪਰ ਨੇ ADR ਨੂੰ ਮੈਨੂਅਲੀ ਲਿਖਿਆ ਅਤੇ AI ਨੂੰ implementation ਚੈੱਕ ਕਰਨ ਲਈ /code-review ਚਲਾਇਆ। ਮੈਨੂਅਲ ਰਸਤਾ “muscle memory” ਬਣਾਉਂਦਾ ਹੈ ਅਤੇ ਫਿਰ ਵੀ ਰੈਗਰੈਸ਼ਨ (regressions) ਨੂੰ ਜਲਦੀ ਫੜ ਲੈਂਦਾ ਹੈ।

ਅਭਿਆਸ ਵਿੱਚ UI pipeline

ਡਿਵੈਲਪਰ ਨੇ Stitch ਵਿੱਚ ਲੋੜੀਂਦੀ ਸਕ੍ਰੀਨ ਦਾ ਇੱਕ ਸੰਖੇਪ ਵੇਰਵਾ ਟਾਈਪ ਕੀਤਾ। Stitch ਨੇ ਇੱਕ mockup ਵਾਪਸ ਦਿੱਤਾ। Antigravity CLI ਨੇ mockup ਨੂੰ parse ਕੀਤਾ, design tokens ਕੱਢੇ ਅਤੇ ਉਹਨਾਂ ਨੂੰ DESIGN.md ਵਿੱਚ ਲਿਖ ਦਿੱਤਾ। ਉਹਨਾਂ tokens ਨੇ ਡਿਜ਼ਾਈਨਾਂ ਨੂੰ production-ready Angular components ਨਾਲ ਮੈਪ ਕੀਤਾ।

Front-end Chrome 148+ 'ਤੇ Gemini Nano ਮਾਡਲ ਨੂੰ ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਲੋਡ ਕਰਦਾ ਹੈ ਅਤੇ ਜਦੋਂ ਲੋੜੀਂਦਾ runtime ਨਹੀਂ ਮਿਲਦਾ ਤਾਂ Firebase ਰਾਹੀਂ Gemini 3.5 Flash ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਜਿਸ ਨਾਲ token ਚਾਰਜ ਲੱਗਦਾ ਹੈ।

Trade-offs

On-device ਮਾਡਲ ਤੁਹਾਨੂੰ ਉਹਨਾਂ ਕੰਮਾਂ ਤੱਕ ਸੀਮਤ ਕਰਦੇ ਹਨ ਜੋ Nano ਦੀ ਸਮਰੱਥਾ ਦੇ ਅੰਦਰ ਆਉਂਦੇ ਹਨ—ਸਧਾਰਨ classification, captioning ਅਤੇ style ਸੁਝਾਅ। ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ vision ਕੰਮਾਂ ਲਈ ਅਜੇ ਵੀ cloud ਮਾਡਲ ਦੀ ਲੋੜ ਹੈ।

Takeaway

Antigravity CLI ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਡਿਵੈਲਪਰ ਹੁਣ ਜ਼ਿਆਦਾਤਰ inference calls ਲਈ ਭੁਗਤਾਨ ਕੀਤੇ ਬਿਨਾਂ ਇੱਕ full-stack AI image-analysis flow—Angular UI, Firebase backend ਅਤੇ on-device Gemini inference—ਤਿਆਰ ਕਰ ਸਕਦੇ ਹਨ। ਇਹ ਪਹੁੰਚ Chrome ਦੇ on-device ਮਾਡਲ ਸਪੋਰਟ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ, ਪਰ ਇਹ ਉਹਨਾਂ cost-sensitive ਐਪਸ ਲਈ ਇੱਕ ਸਪੱਸ਼ਟ ਬਲੂਪ੍ਰਿੰਟ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ ਜੋ edge cases ਲਈ cloud fallback ਨੂੰ ਸਹਿ ਸਕਦੀਆਂ ਹਨ।