📢 转载信息
原文链接：https://www.kdnuggets.com/build-better-ai-agents-with-google-antigravity-skills-and-workflows
原文作者：Iván Palomares Carrascosa
构建更佳的 AI 代理：Google Antigravity 的技能与工作流
如何配置 Antigravity AI 代理工作流，以稳健地自动化关键代码生成任务，且无需第三方工具。
引言
很可能你已经感觉到，新的、以代理为中心的人工智能时代已经到来，开发者们正在采用新的工具，这些工具不再仅仅是响应式地生成代码，而是真正理解代码生成背后的独特过程。
Google Antigravity 在这方面具有重要意义。该工具是构建高度可定制代理的关键。本文将通过揭示三个基石概念：规则（rules）、技能（skills）和工作流（workflows），来展现其部分潜力。
在本文中，你将学习如何将这些关键概念联系起来，以构建更强大的代理和自动化流水线。具体来说，我们将分步进行，根据指定的规则和技能来设置一个代码质量保证（QA）代理工作流。我们开始吧！
理解三个核心概念
在动手实践之前，有必要分解 Google Antigravity 生态系统中的以下三个元素：
- 规则 (Rule)： 这是指示代理行为的基准约束，以及如何将其适应我们的技术栈和匹配我们的风格。它们以 markdown 文件形式存储。
- 技能 (Skill)： 将技能视为一个可重用的知识包，它指导代理如何处理具体的任务。它们位于一个包含名为
SKILL.md文件的专用文件夹中。 - 工作流 (Workflow)： 这些是整合一切的协调者。工作流通过使用以斜杠开头的类命令指令来调用，例如
/deploy。简单来说，工作流指导代理完成一个结构良好且包含多个步骤的行动计划或轨迹。这是在不损失精度的情况下自动化重复性任务的关键。
开始行动
让我们进入实际操作。我们将看到如何配置 Antigravity 来审查 Python 代码，应用正确的格式，并生成测试 — 所有这些都无需额外的第三方工具。
在执行这些步骤之前，请确保你已在计算机上下载并安装了 Google Antigravity。
安装完成后，打开桌面应用程序，然后打开你的 Python 项目文件夹 — 如果你是该工具的新手，系统会要求你定义计算机文件系统中的一个文件夹作为项目文件夹。无论如何，通过顶部菜单工具栏中的“文件 >> 将文件夹添加到工作区...”选项，可以添加一个手动创建的文件夹到 Antigravity。
假设你有一个新的、空的初始工作区文件夹。在项目目录的根目录下（左侧），创建一个新文件夹并命名为 .agents。在该文件夹内，我们将创建两个子文件夹：一个名为 rules，另一个名为 skills。你可能已经猜到，这两个文件夹将是我们定义代理行为的两个支柱：规则和技能。
项目文件夹层级结构 | 作者提供图片
让我们先定义一个规则，其中包含我们的基准约束，以确保代理符合 Python 格式标准。我们不需要冗长的语法来完成此操作：在 Antigravity 中，我们使用清晰的自然语言指令来定义它。在 rules 子文件夹中，你将创建一个名为 python-style.md 的文件，并粘贴以下内容：
# Python Style Rule Always use PEP 8 standards. When providing or refactoring code, assume we are using `black` for formatting. Keep dependencies strictly to free, open-source libraries to ensure our project remains free-friendly.如果你想更精确地控制，请转到编辑器右侧激活的代理自定义面板，打开它，然后找到并选择我们刚刚定义的规则：
自定义代理规则的激活 | 作者提供图片
自定义选项将出现在我们刚刚编辑的文件上方。将激活模型设置为“glob”，并指定 glob 模式：**/*.py，如下图所示：
设置 glob 激活模式 | 作者提供图片
通过这些设置，你已确保稍后启动的代理在处理 Python 脚本时始终应用我们定义的规则。
接下来，是时候定义（或“教会”）代理一些技能了。这将是执行 Python 代码稳健测试的技能 — 在当今高要求的软件开发环境中，这是一项非常有用的能力。在 skills 子文件夹中，我们将创建一个名为 pytest-generator 的文件夹。在其内部创建一个 SKILL.md 文件，内容如下：
在工作区内定义代理技能 | 作者提供图片
现在是时候将所有东西整合起来并启动我们的代理了，但前提是我们必须先在项目工作区中放置一个包含“低质量”代码的示例 Python 文件来试用。如果没有，请尝试在根目录中创建一个名为 flawed_division.py 的新 .py 文件，并添加以下代码：
def divide_numbers( x,y ): return x/y你可能已经注意到这段 Python 代码故意写得混乱且有缺陷。让我们看看我们的代理能做什么。转到右侧的自定义面板，这次关注“工作流”导航窗格。点击“+Workspace”创建一个名为 qa-check 的新工作流，内容如下：
# Title: Python QA Check # Description: Automates code review and test generation for Python files. Step 1: Review the currently open Python file for bugs and style issues, adhering to our Python Style Rule. Step 2: Refactor any inefficient code. Step 3: Call the `pytest-generator` skill to write comprehensive unit tests for the refactored code. Step 4: Output the final test code and suggest running `pytest` in the terminal.所有这些片段，当被代理组合在一起时，将改变整个开发循环。在工作区中仍然打开混乱的 Python 文件，我们将通过点击右侧面板中的代理图标，输入 qa-check 命令，然后按 Enter 运行代理来让我们的代理工作：
通过代理控制台调用 QA 工作流 | 作者提供图片
执行后，代理将已修订代码，并在 Python 文件中自动建议新版本，如下图所示：
代理建议的重构代码 | 作者提供图片
但这还不是全部：代理还附带了我们一直在寻找的全面质量检查，生成了许多代码片段，你可以使用它们通过 pytest 来运行不同类型的测试。为了说明起见，以下是一些测试的示例：
import pytest from flawed_division import divide_numbers def test_divide_numbers_normal(): assert divide_numbers(10, 2) == 5.0 assert divide_numbers(9, 3) == 3.0 def test_divide_numbers_negative(): assert divide_numbers(-10, 2) == -5.0 assert divide_numbers(10, -2) == -5.0 assert divide_numbers(-10, -2) == 5.0 def test_divide_numbers_float(): assert divide_numbers(5.0, 2.0) == 2.5 def test_divide_numbers_zero_numerator(): assert divide_numbers(0, 5) == 0.0 def test_divide_numbers_zero_denominator(): with pytest.raises(ValueError, match="Cannot divide by zero"): divide_numbers(10, 0)所有这些由代理执行的顺序化过程，包括首先在我们定义的规则约束下分析代码，然后自主调用新定义的技能来生成定制化的全面测试策略。
总结
回顾一下，在本文中，我们展示了如何结合 Google Antigravity 的三个关键要素 — 规则、技能和工作流 — 将通用代理转化为专业化、稳健且高效的工作伙伴。我们通过示例说明了如何使代理专门用于正确格式化混乱的代码并定义 QA 测试。
Iván Palomares Carrascosa 是人工智能、机器学习、深度学习和大型语言模型的领导者、作家、演讲者和顾问。他培训和指导他人利用人工智能在现实世界中创造价值。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区