作为一个不喜欢追热点的人，Gemini 3 Pro 模型确实给了我太大的惊喜，昨天花了一整天时间在使用，不得不写一篇文章来全方位夸夸了，本文要聊的内容主要涵盖三个方面：一是以 Visual Layout 和 Dynamic View 功能为代表的生成式 UI 能力解析；二是对谷歌 AI 编程工具 Antigravity 的解读，包括对其系统提示词的逆向分析；三是结合官方发布的模型系统卡及主要研发负责人的公开言论，从侧面探讨其在训练方法上的创新之处。

 点击原文Gemini 3 带给我的惊喜：从生成式 UI 能力到 AI 原生IED Antigravity 、基础模型的突破，获得更好阅读体验。

生成式 UI 能力 ：AI 交互的未来

功能说明

生成式 UI（Generative UI）这个概念不新鲜，不止谷歌在搞，之前的 ChatGPT Pulse 就是一种尝试，已经有很多人认为这代表了未来我们与 AI 互动的新方式，毕竟传统的 AI 交互方式存在很大局限，因为无论语言模型多强大，用户最终看到的仍是线性文本输出，这对于复杂知识、空间关系或交互任务的呈现极为不利。简单来说，就是让 AI 不只是用文字或图片来回答你的问题，而是能直接为你创建一个可以操作的、可视化的界面，就像 DeepMind 研究团队讲的 “如果 AI 可以理解我的问题，为什么不能直接为我生成一个合适的界面去解决它？”

生成式 UI 能力首次在 Gemini 应用的两个实验功能中上线，分别是动态视图（Dynamic View）和视觉布局（Visual Layout）（是随机掉落的，我问了周边的朋友，均没有被灰度到 🫠），不过可以在谷歌搜索的 AI 模式（切换为 Thinking 选项）中体验到，但范围也仅限于美国地区的 Google AI Pro 和 Ultra 订阅用户，这里我用的美区谷歌账号和美区 🪜 解决的。

使用体验

视觉布局

首先是视觉布局功能，我体验下来就是结构化组织多模态的内容。 以“上海到成都的行程计划”为例，如截图所示，信息通过图文、表格等形式按最优呈现方式清晰展示（部分案例还包含视频或音频讲解，这个例子不太需要）。最牛的是交通方式部分提供可点击链接，直接跳转至机票或高铁票预订页面；推荐餐馆则标注其在谷歌地图上的位置及店铺评分（这个在国内用处不大）。

动态视图

使用动态视图时，Gemini 会利用其编程能力，为每个请求动态生成定制的交互式界面。这里我想了解“太阳系行星的运行方式”，Gemini 自动生成了一个直观的交互工具，支持控制行星名称的显示、运行速度调节，以及是否启用行星运动轨迹的拖尾效果（细节满满，绝了！）。此外，Gemini 能够根据用户的背景和需求调整内容呈现方式：向 5 岁儿童与成年人解释同一概念时，所采用的内容深度和交互形式截然不同；同样，展示企业社交媒体内容与个人内容时，界面设计也各不相同。

官方在论文《Generative UI: LLMs are Effective UI Generators》中介绍了生成式 UI 能力实现架构，核心由三部分构成：

1. 工具访问：AI 可调用外部工具（如图像生成系统、搜索引擎、代码执行模块等），利用其结果生成更高质量的内容，或直接将输出传递至用户浏览器以降低延迟；
2. 系统级指令集：AI 在后台接收明确的系统指令，规定界面类型、代码格式、设计风格等要求，确保生成内容结构清晰、风格统一且可正确运行；
3. 输出后处理：AI 生成结果后，经多层算法进行修正与安全检查，包括验证代码可执行性、修复常见错误、保持视觉一致性以及确保内容安全。

点击原文 Gemini 3 带给我的惊喜：从生成式 UI 能力到 AI 原生IED Antigravity 、基础模型的突破，获得更好阅读体验。

Antigravity 还引入产物概念，会生成任务列表、实施计划、截图和浏览器录屏等可验证的成果，方便开发者反馈和调整。

系统提示词

Antigravity 系统提示词包括用户设定 (identity，user_information，user_rules)，系统功能 (tool_calling，web_application_development，workflows，function_calls)和上下文管理(knowledge_discovery, persistent_context) 三大块 9 个部分，长度在 1 万 token 作用，使用 xml 标签进行区分（完整的提示词后台回复 「Antigravity 系统提示词」 获取），这里就不全贴了，只贴关键的部分。

Antigravity 内置工具

点击原文Gemini 3 带给我的惊喜：从生成式 UI 能力到 AI 原生IED Antigravity 、基础模型的突破，获得更好阅读体验。

使用体验

Antigravity 有 Panning 和 Fast 两种模式，支持的模型包括 Gemini 3 Pro 和 Claude Sonnet 4.5 系列，GPT 开源模型（我选用了 Fast 模式和 Gemini 3 Pro（Low）模型用来测试）。

这里我复刻了一个在线的带动效的卡片，我的做法是录屏并转换为 gif 文件后上传，让其参考实现。

最终实现效果如下，动效细节还原度较高，尤其是表层透明光线的动画效果。后续我发现一个技巧：Antigravity 内置的 read_url_content 工具支持直接读取远程内容。对于复杂的动效实现，可将录屏结果上传至 OSS，并提供文件链接供参考。相比转换为 GIF（存在压缩问题，可能导致复杂动效细节丢失），这种方式能更好地保留原始质量。

至于这里为什么没用常见的测试方式（如直接生成完整的 Windows 操作系统或整个后台页面），我认为 AI 生成结果的可编辑性应优先于一次性输出，编辑能力是核心，关键在于让用户能够精细调整，而非每次推倒重来。因此，将范围限定在 Card 组件级别，不仅便于当前迭代，也为后续优化提供便利。

点击原文Gemini 3 带给我的惊喜：从生成式 UI 能力到 AI 原生IED Antigravity 、基础模型的突破，获得更好阅读体验。