摘要很多团队已经在用 Antigravity、Cursor 等 AI 编码助手但常常卡在“模型很强、产出很乱”的阶段。本文基于视频内容系统拆解一个围绕 AI 编码助手的完整工程化操作层技能Skills、规则Rules、记忆与持久化、持续学习与安全检查Agent Shield并结合 Python API 的实战示例帮助你在自己的项目里搭建一个可复用、可演进的 AI Coding Agent 体系。一、背景介绍好模型 ≠ 好工作流真正的瓶颈不在模型而在模型周围的一切。即使你在 Antigravity 中使用了 Gemini 3.1 Pro、Gemini Flash 等高阶模型如果缺少一层“操作系统式”的结构化约束就会遇到这些痛点每次对话都要重新讲项目约定编码规范、架构风格等没有统一的规划和测试流程结果时好时坏代码审查质量不稳定安全检查靠运气多人协作时每个人的 Agent 行为都不一样为了解决这些问题视频中的核心主角是一个开源项目下文简称 ECCEverything Code / Clawed Code 之类的演化版它给 Antigravity 等工具加了一层“Agent Harness / Performance Optimization System”用一句话概括在原始大模型之上叠加一层可配置的“技能 规则 记忆 安全 持续学习”操作层。这一层不是模型而是工程实践模板化 持久化你可以理解为“把资深工程师的工作方式固化成可迁移的 Agent 能力”。二、核心原理Skill / Rule / Memory / Instinct 四件套2.1 Skills用 Markdown 定义“怎么干活”ECC 的基础单元是Skill技能本质是存放在.agent/skills/下的一组 Markdown 文件每个技能定义如何处理一个特定任务例如新功能规划如何拆解需求、生成任务板、计划测试代码审查从可维护性、可读性、安全性维度检查测试驱动开发TDD先写测试再实现再重构前端模式React 组件结构、状态模式、状态持久化等流程是这样的你在项目中安装 ECCAntigravity 插件安装器会把预制的技能 Markdown 写入.agent/skills每次开启新会话时Antigravity 会扫描技能描述根据当前任务自动加载相关技能的完整指令无需你手动 copy/paste prompt结果上下文知识 工作方法从“对话级”提升到了“项目级持久化”。2.2 Rules永远在线的行为基线除了技能还有一组Rules规则是全局的约束比如严格遵守项目的代码风格与 lint 规则在修改核心模块前必须生成计划默认采用 TDD禁止直接在生产代码中“试错式”改动安全性原则例如禁止输出敏感信息技能是“某任务如何做”规则是“任何任务都必须遵守的底线”。2.3 Memory Persistence让 Agent 真的“记住你”ECC 自带记忆与持久化机制会话内记忆短期上下文确保当前任务连贯项目级记忆记录项目约定、重要决策、架构演进可导出 / 导入你可以把这些“记忆”导出为可共享的配置这一层解决了两个问题避免重复解释不再每次对话都重述偏好/规范团队对齐导入团队统一的记忆保证 Agent 行为在不同成员之间一致2.4 Instinct从“使用记录”中自动长出新技能视频中提到的一个很有意思的概念叫Instinct直觉系统会观察你在项目中的问题解决过程从中提炼出模式形成 “Instinct”多个相关 Instinct 会聚合成新的 Skill这些 Skill 可以导出 / 导入供团队共享这其实是在做一件事把“个人经验”结构化为“可迁移的 AI 工作流模板”。三、实战演示用 Python API 复刻一个“技能化编码工作流”视频主要展示的是在 Antigravity 内部集成 ECC。为了便于读者在任何环境中复用这种模式下面用 Python 薛定猫 AI 平台 API演示一个简化版的“技能驱动代码审查工作流”。3.1 为什么选统一聚合平台如果你在本地或者后端服务中想调用多家大模型GPT、Claude、Gemini 系列等会遇到几个问题各家 API 规格不同签名、参数、错误码不一致新模型不断发布接入成本高需要频繁升级 SDK / 封装做 AB 测试或按场景选模型会很痛苦像xuedingmao.com这一类统一聚合平台的实用点在于一套 OpenAI 兼容接口统一接入 500 主流模型GPT-5.4、Claude 4.6、Gemini 3 Pro 等新模型上架会第一时间开放 API减少你手动追 SDK 的成本你只需调整model字段就能切换不同厂商的模型特别适合做多模型对比及路由在工程实践里可以先用快速模型如 Flash 类跑规划再用推理更强的模型做最终产出下文所有示例默认使用claude-sonnet-4-6模型接口兼容 OpenAI 标准调用。3.2 环境准备pipinstallopenai3.3 定义一个“代码审查 Skill”的 Python 实现这个示例模拟了 ECC 中的“代码审查 Skill”接受一段代码按结构化检查清单输出审查报告。importosfromopenaiimportOpenAI# 使用薛定猫 AIxuedingmao.com的 OpenAI 兼容接口# 请在环境变量中配置 XUEDINGMAO_API_KEYXUEDINGMAO_API_KEYos.getenv(XUEDINGMAO_API_KEY)ifnotXUEDINGMAO_API_KEY:raiseRuntimeError(请先在环境变量中设置 XUEDINGMAO_API_KEY)# 初始化 OpenAI 兼容客户端clientOpenAI(api_keyXUEDINGMAO_API_KEY,base_urlhttps://xuedingmao.com/v1# 兼容 OpenAI 接口规范)defreview_code(code:str,language:strpython)-str: 使用 claude-sonnet-4-6 模型对代码进行结构化代码审查。 这相当于一个简化版的“代码审查 Skill”。 system_promptf 你是一名资深软件架构师和安全工程师擅长严谨的代码审查。 请对用户提供的{language}代码进行系统化审查输出结构化报告。 审查维度至少包括 1. 可读性与可维护性命名、抽象、模块化 2. 正确性边界条件、错误处理、并发/异步问题 3. 性能时间复杂度、空间复杂度、潜在瓶颈 4. 安全性输入校验、注入风险、敏感信息泄露、权限问题 5. 测试性是否易于单元测试、缺失的关键测试点 输出格式要求Markdown - 概要用 3~5 行总结总体质量评估 - 问题列表按严重程度分为「高」「中」「低」每个问题包含 - 标题 - 问题描述 - 影响分析 - 推荐修改方案尽量具体到伪代码或重构建议 - 建议的测试用例列出需要新增/补充的测试场景 .strip()# 构造用户消息user_promptf请审查以下代码\n\n{language}\n{code}\n# 调用薛定猫 AI 的 OpenAI 兼容接口responseclient.chat.completions.create(modelclaude-sonnet-4-6,# 聚合平台中提供的 Claude Sonnet 系列模型messages[{role:system,content:system_prompt},{role:user,content:user_prompt}],temperature0.2,# 审查任务以稳定性为主max_tokens2000)returnresponse.choices[0].message.contentif__name____main__:sample_coder import json def load_config(path): f open(path, r) data json.load(f) return data def get_user_role(user, config): return config[roles][user] def main(): config load_config(config.json) user input(Enter username: ) role get_user_role(user, config) if role admin: print(You are admin, full access granted.) else: print(Limited access.) if __name__ __main__: main() reportreview_code(sample_code,languagepython)print(report)这个脚本做了几件事通过统一的 OpenAI 兼容接口请求claude-sonnet-4-6把“结构化审查清单”固化在 system prompt 中相当于一个可复用的 “Code Review Skill”输出是一个 Markdown 报告可直接在终端 / Web / CI 报告中展示你可以进一步扩展把审查维度改写为你团队的内部规范把这个函数挂到 CI pipeline例如 GitHub Actions中对 PR 自动生成审查报告配合 ECC 的 Instinct / Memory把常见的审查建议沉淀为团队统一的“技能模板”3.4 与 ECC / Antigravity 思路对齐上面的 Python 示例本质是在后端 / 工具层实现一个“Skill”对大模型调用做了结构化约束而不只是“帮我看看这段代码有没有问题”这种泛问这与视频中 ECC 的做法完全同构ECC 把“怎么审查代码”写进.agent/skills中Antigravity 根据任务自动加载这些技能Agent Shield 进一步在安全维度跑 102 条静态分析规则 多 Agent 红蓝队攻防模拟在你的项目里可以采用类似方案通用工作流使用 ECC Antigravity 提供交互式编码体验批处理 / 自动化使用后端 Python 服务基于同样的“技能思想”批量处理代码库四、注意事项合规、安全与配额策略4.1 合规使用模型不要滥用登录态视频中特意提醒了一点非常关键的合规问题使用 Antigravity / Google 账号登录未授权第三方 CLI 工具去访问 Gemini 模型是直接违反 Google TOS的可能导致账号被标记或封禁正确做法若想在第三方工具使用 Gemini通过Google AI Studio正规申请 API Key在自己的后端服务中建议直接使用聚合平台的 API Key例如薛定猫 AI减少多家平台的账号管理复杂度4.2 安全扫描与 Agent Shield视频中提到的 Agent Shield 提供102 条静态分析规则针对配置文件、Hooks、Agent 设置的安全检查检测敏感信息泄露、权限误配、Prompt 注入风险可启用 Opus 模式多 Agent 红队/蓝队/审计三阶段攻防模拟如果你在项目中大量集成 AI Agent特别是具备外部工具调用能力的 Agent建议把 Agent 配置作为“代码”管理基础设施即代码的思路在 CI 中集成类似 Agent Shield 的扫描尽量使用分级权限 最小必要权限策略4.3 配额与模型选型策略Antigravity 免费版有周配额限制即便后端调用也都存在成本约束因此需要小编辑 / 重命名 / 快速修复使用Fast Mode或低成本模型如 Flash、较小参数模型大型功能开发 / 架构重构 / 复杂调试使用Planning Mode 高推理能力模型如 Gemini Pro / Claude Sonnet 类让技能与规则承担上下文负载减少在 prompt 中重复大量需求描述降低 Token 消耗缓解 “Prompt Fatigue提示疲劳”在统一聚合平台如薛定猫 AI下你可以把同一个 Skill 跑在不同模型上做出这样的策略dev 环境用便宜、快速的模型做草稿staging / pre-release用推理更强的模型做审查与安全检查通过统一 API 不同model值实现无侵入切换五、技术资源与工具推荐综合视频和实践经验如果你想在团队内真正把 AI 编码助手“用顺”建议从以下几个方向入手安装并理解 ECC 这类 Agent Harness 项目看 READMEs 中的快速指南与长文档内存持久化、Token 优化、并行 Agent 流程特别关注 Skills / Rules / Memory / Instinct 的目录结构与格式在 IDE 层使用 Antigravity / Cursor / OpenCode 等工具把 ECC 的技能层集成进去获得“规划模式 代码审查 安全扫描”的一体化体验严格遵守各平台 TOS使用官方 API Key 接入模型在服务端使用统一聚合 API以薛定猫 AI 为例一套 OpenAI 兼容接口接入 GPT-5.4、Claude 4.6、Gemini 3 Pro 等数百模型将 Skill 思路迁移为服务端组件代码审查、架构评审、安全分析、文档生成通过调整model字段进行多模型策略和灰度测试降低长期维护成本把“Skill 化”的工作流纳入工程规范把 Prompt / Workflow 当作“项目资产”维护在仓库中对 Skill/Rule 进行版本控制与 code review通过 Instinct / 经验导出在团队内传播最佳实践文末标签#AI #大模型 #Python #机器学习 #技术实战
【技术干货】把 AI 编码助手“用顺”的关键：从 Antigravity 到可持续进化的 Agent 工程体系
发布时间：2026/7/10 1:20:54
摘要很多团队已经在用 Antigravity、Cursor 等 AI 编码助手但常常卡在“模型很强、产出很乱”的阶段。本文基于视频内容系统拆解一个围绕 AI 编码助手的完整工程化操作层技能Skills、规则Rules、记忆与持久化、持续学习与安全检查Agent Shield并结合 Python API 的实战示例帮助你在自己的项目里搭建一个可复用、可演进的 AI Coding Agent 体系。一、背景介绍好模型 ≠ 好工作流真正的瓶颈不在模型而在模型周围的一切。即使你在 Antigravity 中使用了 Gemini 3.1 Pro、Gemini Flash 等高阶模型如果缺少一层“操作系统式”的结构化约束就会遇到这些痛点每次对话都要重新讲项目约定编码规范、架构风格等没有统一的规划和测试流程结果时好时坏代码审查质量不稳定安全检查靠运气多人协作时每个人的 Agent 行为都不一样为了解决这些问题视频中的核心主角是一个开源项目下文简称 ECCEverything Code / Clawed Code 之类的演化版它给 Antigravity 等工具加了一层“Agent Harness / Performance Optimization System”用一句话概括在原始大模型之上叠加一层可配置的“技能 规则 记忆 安全 持续学习”操作层。这一层不是模型而是工程实践模板化 持久化你可以理解为“把资深工程师的工作方式固化成可迁移的 Agent 能力”。二、核心原理Skill / Rule / Memory / Instinct 四件套2.1 Skills用 Markdown 定义“怎么干活”ECC 的基础单元是Skill技能本质是存放在.agent/skills/下的一组 Markdown 文件每个技能定义如何处理一个特定任务例如新功能规划如何拆解需求、生成任务板、计划测试代码审查从可维护性、可读性、安全性维度检查测试驱动开发TDD先写测试再实现再重构前端模式React 组件结构、状态模式、状态持久化等流程是这样的你在项目中安装 ECCAntigravity 插件安装器会把预制的技能 Markdown 写入.agent/skills每次开启新会话时Antigravity 会扫描技能描述根据当前任务自动加载相关技能的完整指令无需你手动 copy/paste prompt结果上下文知识 工作方法从“对话级”提升到了“项目级持久化”。2.2 Rules永远在线的行为基线除了技能还有一组Rules规则是全局的约束比如严格遵守项目的代码风格与 lint 规则在修改核心模块前必须生成计划默认采用 TDD禁止直接在生产代码中“试错式”改动安全性原则例如禁止输出敏感信息技能是“某任务如何做”规则是“任何任务都必须遵守的底线”。2.3 Memory Persistence让 Agent 真的“记住你”ECC 自带记忆与持久化机制会话内记忆短期上下文确保当前任务连贯项目级记忆记录项目约定、重要决策、架构演进可导出 / 导入你可以把这些“记忆”导出为可共享的配置这一层解决了两个问题避免重复解释不再每次对话都重述偏好/规范团队对齐导入团队统一的记忆保证 Agent 行为在不同成员之间一致2.4 Instinct从“使用记录”中自动长出新技能视频中提到的一个很有意思的概念叫Instinct直觉系统会观察你在项目中的问题解决过程从中提炼出模式形成 “Instinct”多个相关 Instinct 会聚合成新的 Skill这些 Skill 可以导出 / 导入供团队共享这其实是在做一件事把“个人经验”结构化为“可迁移的 AI 工作流模板”。三、实战演示用 Python API 复刻一个“技能化编码工作流”视频主要展示的是在 Antigravity 内部集成 ECC。为了便于读者在任何环境中复用这种模式下面用 Python 薛定猫 AI 平台 API演示一个简化版的“技能驱动代码审查工作流”。3.1 为什么选统一聚合平台如果你在本地或者后端服务中想调用多家大模型GPT、Claude、Gemini 系列等会遇到几个问题各家 API 规格不同签名、参数、错误码不一致新模型不断发布接入成本高需要频繁升级 SDK / 封装做 AB 测试或按场景选模型会很痛苦像xuedingmao.com这一类统一聚合平台的实用点在于一套 OpenAI 兼容接口统一接入 500 主流模型GPT-5.4、Claude 4.6、Gemini 3 Pro 等新模型上架会第一时间开放 API减少你手动追 SDK 的成本你只需调整model字段就能切换不同厂商的模型特别适合做多模型对比及路由在工程实践里可以先用快速模型如 Flash 类跑规划再用推理更强的模型做最终产出下文所有示例默认使用claude-sonnet-4-6模型接口兼容 OpenAI 标准调用。3.2 环境准备pipinstallopenai3.3 定义一个“代码审查 Skill”的 Python 实现这个示例模拟了 ECC 中的“代码审查 Skill”接受一段代码按结构化检查清单输出审查报告。importosfromopenaiimportOpenAI# 使用薛定猫 AIxuedingmao.com的 OpenAI 兼容接口# 请在环境变量中配置 XUEDINGMAO_API_KEYXUEDINGMAO_API_KEYos.getenv(XUEDINGMAO_API_KEY)ifnotXUEDINGMAO_API_KEY:raiseRuntimeError(请先在环境变量中设置 XUEDINGMAO_API_KEY)# 初始化 OpenAI 兼容客户端clientOpenAI(api_keyXUEDINGMAO_API_KEY,base_urlhttps://xuedingmao.com/v1# 兼容 OpenAI 接口规范)defreview_code(code:str,language:strpython)-str: 使用 claude-sonnet-4-6 模型对代码进行结构化代码审查。 这相当于一个简化版的“代码审查 Skill”。 system_promptf 你是一名资深软件架构师和安全工程师擅长严谨的代码审查。 请对用户提供的{language}代码进行系统化审查输出结构化报告。 审查维度至少包括 1. 可读性与可维护性命名、抽象、模块化 2. 正确性边界条件、错误处理、并发/异步问题 3. 性能时间复杂度、空间复杂度、潜在瓶颈 4. 安全性输入校验、注入风险、敏感信息泄露、权限问题 5. 测试性是否易于单元测试、缺失的关键测试点 输出格式要求Markdown - 概要用 3~5 行总结总体质量评估 - 问题列表按严重程度分为「高」「中」「低」每个问题包含 - 标题 - 问题描述 - 影响分析 - 推荐修改方案尽量具体到伪代码或重构建议 - 建议的测试用例列出需要新增/补充的测试场景 .strip()# 构造用户消息user_promptf请审查以下代码\n\n{language}\n{code}\n# 调用薛定猫 AI 的 OpenAI 兼容接口responseclient.chat.completions.create(modelclaude-sonnet-4-6,# 聚合平台中提供的 Claude Sonnet 系列模型messages[{role:system,content:system_prompt},{role:user,content:user_prompt}],temperature0.2,# 审查任务以稳定性为主max_tokens2000)returnresponse.choices[0].message.contentif__name____main__:sample_coder import json def load_config(path): f open(path, r) data json.load(f) return data def get_user_role(user, config): return config[roles][user] def main(): config load_config(config.json) user input(Enter username: ) role get_user_role(user, config) if role admin: print(You are admin, full access granted.) else: print(Limited access.) if __name__ __main__: main() reportreview_code(sample_code,languagepython)print(report)这个脚本做了几件事通过统一的 OpenAI 兼容接口请求claude-sonnet-4-6把“结构化审查清单”固化在 system prompt 中相当于一个可复用的 “Code Review Skill”输出是一个 Markdown 报告可直接在终端 / Web / CI 报告中展示你可以进一步扩展把审查维度改写为你团队的内部规范把这个函数挂到 CI pipeline例如 GitHub Actions中对 PR 自动生成审查报告配合 ECC 的 Instinct / Memory把常见的审查建议沉淀为团队统一的“技能模板”3.4 与 ECC / Antigravity 思路对齐上面的 Python 示例本质是在后端 / 工具层实现一个“Skill”对大模型调用做了结构化约束而不只是“帮我看看这段代码有没有问题”这种泛问这与视频中 ECC 的做法完全同构ECC 把“怎么审查代码”写进.agent/skills中Antigravity 根据任务自动加载这些技能Agent Shield 进一步在安全维度跑 102 条静态分析规则 多 Agent 红蓝队攻防模拟在你的项目里可以采用类似方案通用工作流使用 ECC Antigravity 提供交互式编码体验批处理 / 自动化使用后端 Python 服务基于同样的“技能思想”批量处理代码库四、注意事项合规、安全与配额策略4.1 合规使用模型不要滥用登录态视频中特意提醒了一点非常关键的合规问题使用 Antigravity / Google 账号登录未授权第三方 CLI 工具去访问 Gemini 模型是直接违反 Google TOS的可能导致账号被标记或封禁正确做法若想在第三方工具使用 Gemini通过Google AI Studio正规申请 API Key在自己的后端服务中建议直接使用聚合平台的 API Key例如薛定猫 AI减少多家平台的账号管理复杂度4.2 安全扫描与 Agent Shield视频中提到的 Agent Shield 提供102 条静态分析规则针对配置文件、Hooks、Agent 设置的安全检查检测敏感信息泄露、权限误配、Prompt 注入风险可启用 Opus 模式多 Agent 红队/蓝队/审计三阶段攻防模拟如果你在项目中大量集成 AI Agent特别是具备外部工具调用能力的 Agent建议把 Agent 配置作为“代码”管理基础设施即代码的思路在 CI 中集成类似 Agent Shield 的扫描尽量使用分级权限 最小必要权限策略4.3 配额与模型选型策略Antigravity 免费版有周配额限制即便后端调用也都存在成本约束因此需要小编辑 / 重命名 / 快速修复使用Fast Mode或低成本模型如 Flash、较小参数模型大型功能开发 / 架构重构 / 复杂调试使用Planning Mode 高推理能力模型如 Gemini Pro / Claude Sonnet 类让技能与规则承担上下文负载减少在 prompt 中重复大量需求描述降低 Token 消耗缓解 “Prompt Fatigue提示疲劳”在统一聚合平台如薛定猫 AI下你可以把同一个 Skill 跑在不同模型上做出这样的策略dev 环境用便宜、快速的模型做草稿staging / pre-release用推理更强的模型做审查与安全检查通过统一 API 不同model值实现无侵入切换五、技术资源与工具推荐综合视频和实践经验如果你想在团队内真正把 AI 编码助手“用顺”建议从以下几个方向入手安装并理解 ECC 这类 Agent Harness 项目看 READMEs 中的快速指南与长文档内存持久化、Token 优化、并行 Agent 流程特别关注 Skills / Rules / Memory / Instinct 的目录结构与格式在 IDE 层使用 Antigravity / Cursor / OpenCode 等工具把 ECC 的技能层集成进去获得“规划模式 代码审查 安全扫描”的一体化体验严格遵守各平台 TOS使用官方 API Key 接入模型在服务端使用统一聚合 API以薛定猫 AI 为例一套 OpenAI 兼容接口接入 GPT-5.4、Claude 4.6、Gemini 3 Pro 等数百模型将 Skill 思路迁移为服务端组件代码审查、架构评审、安全分析、文档生成通过调整model字段进行多模型策略和灰度测试降低长期维护成本把“Skill 化”的工作流纳入工程规范把 Prompt / Workflow 当作“项目资产”维护在仓库中对 Skill/Rule 进行版本控制与 code review通过 Instinct / 经验导出在团队内传播最佳实践文末标签#AI #大模型 #Python #机器学习 #技术实战
