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 ECC，Everything 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：

  1. 你在项目中安装 ECC（Antigravity 插件）
  2. 安装器会把预制的技能 Markdown 写入 .agent/skills
  3. 每次开启新会话时，Antigravity 会扫描技能描述
  4. 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：

  1. 避免重复解释：不再每次对话都重述偏好/规范
  2. 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

pip install openai

3.3 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。

import os
from openai import OpenAI

# 使用薛定猫 AI（xuedingmao.com）的 OpenAI 兼容接口
# 请在环境变量中配置 XUEDINGMAO_API_KEY
XUEDINGMAO_API_KEY = os.getenv("XUEDINGMAO_API_KEY")
if not XUEDINGMAO_API_KEY:
    raise RuntimeError("请先在环境变量中设置 XUEDINGMAO_API_KEY")

# 初始化 OpenAI 兼容客户端
client = OpenAI(
    api_key=XUEDINGMAO_API_KEY,
    base_url="https://xuedingmao.com/v1"  # 兼容 OpenAI 接口规范
)

def review_code(code: str, language: str = "python") -> 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_prompt = f"""
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_prompt = f"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
    response = client.chat.completions.create(
        model="claude-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}
        ],
        temperature=0.2,   # 审查任务以稳定性为主
        max_tokens=2000
    )

    return response.choices[0].message.content

if __name__ == "__main__":
    sample_code = r"""
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()
"""

    report = review_code(sample_code, language="python")
    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：

  1. 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

  2. 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

  3. 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

  4. 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

# 人工智能
Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

cover

AI Agent 的记忆系统怎么设计？从短期记忆到长期记忆，我踩过的 6 个坑

avatar AtomGit开源社区

2026年短视频矩阵工具性价比终极PK：乌拉工具箱 vs 蚁小二 vs 易媒助手

优点价格极低：年卡688元，月均57元，比竞品便宜60%以上批量效率极高：5分钟完成15个账号的批量发布账号安全：本地存储 + AES-256加密 + 独立网络隔离上手简单：无需学习，5分钟就能用功能专注：只做分发这一件事，没有冗余功能缺点没有AI生成视频功能（如果你需要这个功能，它不适合）没有内置数据统计面板（需要配合第三方工具）界面过于简洁，可能不能满足“功能控”的需求。

avatar AtomGit开源社区
cover

做电商想轻松出单，爆单 AI 选品助手哪家好？资深卖家实测分享选品干货与避坑技巧

avatar AtomGit开源社区