Google刚给Antigravity SDK加入本地模型支持最值得学的不是“离线也能聊天”而是怎样把一个任务拆给不同模型。通俗地说任务路由就是先判断哪些信息能离开设备、哪一步需要更强能力、失败会造成什么后果再决定由本地还是云端执行。学会它你能省成本也能把敏感源码留在机器里。最新事件95个云端Token只负责规划Google在2026年9月23日发布的官方技术文章中宣布Antigravity SDK可通过LiteRT运行Gemma 4 26B A4B也可接Ollama、LM Studio和vLLM等OpenAI兼容本地服务。官方建议设备拥有超过24GB显存或统一内存。演示中云端Gemini 3.8 Flash只根据文件名和任务描述拆解审计计划没有接收源码三个本地Gemma实例再复现漏洞、写补丁、互评并跑回归测试。官方记录显示云端只用95个Token97.2%的Token在本地处理。这是一次演示数据不代表所有仓库都能达到同样比例。概念解决什么问题把所有任务都交给云模型能力强但可能触碰隐私、网络和预算限制全部放本地又可能遇到显存不足、复杂规划不稳或知识过时。任务路由让一个Agent系统按约束组合不同执行者并为每次跨边界传输留下理由。可以把它类比成医院分诊前台只收集必要症状普通问题去门诊危急情况升级专家病历不会为了“方便”广播给所有科室。类比的边界是模型不会像医生一样天然承担责任路由规则、权限和审计仍由系统设计者负责。去掉类比后的准确定义是**任务路由是根据输入标签、数据策略、能力要求、成本预算和失败风险将任务及其最小必要上下文分配给不同模型或工具的控制层。**它不只是模型选择还包括脱敏、降级、超时、人工审批与结果校验。是否是否是否用户任务提取元数据与敏感标签源码或个人数据?本地执行器需要复杂规划?云端规划器只返回步骤与约束本地测试与策略校验高风险写操作?人工审批交付结果与审计记录最小实践先写策略再接模型这个纯Python示例不调用任何模型而是把路由决策做成可测试函数。无需安装依赖保存为router.py后运行python3 router.py。fromdataclassesimportdataclassdataclassclassTask:name:strcontains_source:boolFalsecontains_personal_data:boolFalseneeds_frontier_reasoning:boolFalsewrites_external_system:boolFalsedefroute(task:Task)-dict:sensitivetask.contains_sourceortask.contains_personal_dataifsensitive:executorlocalcloud_context{task:task.name,data:redacted}eliftask.needs_frontier_reasoning:executorcloudcloud_context{task:task.name}else:executorlocalcloud_contextNonereturn{executor:executor,cloud_context:cloud_context,approval:task.writes_external_system,}cases[Task(审计 auth.py,contains_sourceTrue),Task(规划公开文档迁移,needs_frontier_reasoningTrue),Task(发布补丁,contains_sourceTrue,writes_external_systemTrue),]foritemincases:print(item.name,route(item))关键点有三处先用明确标签判断敏感性云端上下文只保留完成规划所需的元数据写外部系统即使本地执行也要审批。本次已用Python 3.9实际运行三条任务分别路由到本地、云端和“本地加审批”。这验证的是策略逻辑不是Antigravity、Gemma或真实安全隔离。真实系统还应为每次决策记录策略版本、输入标签、选择结果和审批人但不要把被保护的原文再次抄进日志。路由失败也必须“关闭式”处理本地模型不可用时返回明确错误不能为了可用性悄悄把源码升级发送到云端。上线前可用一组带敏感标记的固定任务做回归确保更换模型或SDK后数据边界没有随默认配置变化审计记录也仍然完整可追溯。三个常见误区第一“本地”不等于安全。模型进程若能读整个家目录、访问网络或拿到Git凭据风险仍在。第二脱敏不是删掉文件内容就结束文件名、错误栈和测试数据也可能泄密。第三强模型不该自动拿到更多权限。推理能力与授权范围是两条轴复杂规划可以只看摘要执行仍受本地工具白名单约束。适用、不适用与我的判断混合路由适合企业源码审计、离线现场设备、受监管数据处理以及大量低风险本地任务配少量云端规划。它不适合硬件不足却强行跑大模型也不适合必须把完整上下文上传才能完成的任务这时应改流程或使用合规托管环境。我的判断是混合Agent的长期优势不是“本地便宜”而是让每一份上下文都有清晰去向。官方演示的95个云端Token很亮眼但生产指标应是越权传输为零、路由可解释、降级可预测以及本地失败时不会静默把原始数据转发到云端。5分钟实践题给你自己的一个Agent任务列出四栏原始输入、可上传摘要、必须本地处理的内容、需要审批的动作。再把上面代码新增一条规则个人数据即使已经脱敏若要发外部邮件仍必须审批。最后写一个断言确保它不会被路由为“云端直接执行”。如果你的Agent只能把一种信息留在本地你会优先保护源码、客户数据还是完整对话记录关注「蜗牛聊AI」一起看懂技术变化背后的真正机会。本文首发于 java4u.cn转载请注明出处。