Google は AI 技術を使用して、コンテンツをご希望の言語に翻訳しています。AI 翻訳には誤りが含まれる場合があります。

Google Antigravity スキルの作成

1. はじめに

Google Antigravity は、エージェントの時代に開発を支援するように設計されたエージェント型開発プラットフォームです。Antigravity は AI エージェントの中央コマンドセンターとして機能し、アクティビティの起動、モニタリング、オーケストレーションを行う統合プラットフォームを提供します。

この Codelab では、まず Agent Skills について学びます。Agent Skills は、専門知識とワークフローを使用して AI エージェントの機能を拡張するための軽量でオープンな形式です。エージェントスキルとは何か、そのメリット、構成方法について学習します。次に、Git フォーマッタ、テンプレートジェネレータ、ツールコードスキャフォールディングなど、Antigravity 内で使用できる複数のエージェントスキルを構築します。

前提条件:

Antigravity がインストールされ、構成されている。
Google Antigravity の基本知識。Codelab: Google Antigravity を使ってみるを完了することをおすすめします。

2. スキル機能のメリット

最新の AI エージェントは、単純なリスナーから、ローカルファイルシステムや外部ツール（MCP サーバー経由）と統合する複雑な推論エンジンへと進化しました。ただし、エージェントにコードベース全体と数百ものツールを無差別に読み込むと、コンテキストの飽和と「ツールの肥大化」が発生します。コンテキストウィンドウが大きい場合でも、未使用のツールの 4 ～ 5 万個のトークンをアクティブメモリにダンプすると、レイテンシが大きくなり、費用が無駄になり、モデルが関連性のないデータに混乱する「コンテキストの腐敗」が発生します。

解決策: エージェントスキル

この問題を解決するために、Anthropic は Agent Skills を導入し、アーキテクチャをモノリシックコンテキスト読み込みから Progressive Disclosure に移行しました。セッションの開始時にモデルに特定のワークフロー（データベースの移行やセキュリティ監査など）をすべて「記憶」させるのではなく、これらの機能はモジュール式の検出可能なユニットにパッケージ化されています。

仕組み

モデルは、最初はメタデータの軽量な「メニュー」にのみ公開されます。ユーザーのインテントがスキルと明確に一致した場合にのみ、重い手続き型知識（指示とスクリプト）を読み込みます。これにより、認証ミドルウェアのリファクタリングをリクエストするデベロッパーは、関連のない CSS パイプラインを読み込むことなくセキュリティコンテキストを取得し、コンテキストを簡潔、高速、費用対効果の高い状態に保つことができます。

3. エージェントスキルと反重力

Antigravity エコシステムでは、スキルは、汎用モデルと特定のコンテキストのギャップを埋める特殊なトレーニングモジュールとして機能します。これにより、エージェントは、関連するタスクがリクエストされた場合にのみ、定義された一連の手順とプロトコル（データベース移行標準やセキュリティチェックなど）を「装備」できます。これらの実行プロトコルを動的に読み込むことで、スキルは AI を汎用プログラマーから、組織の成文化されたベストプラクティスと安全基準を厳守するスペシャリストに効果的に変えます。

Antigravity のスキルとは

Google Antigravity のコンテキストでは、スキルは定義ファイル（SKILL.md）とオプションのサポートアセット（スクリプト、リファレンス、テンプレート）を含むディレクトリベースのパッケージです。

これは、オンデマンド機能拡張のメカニズムです。

オンデマンド: システムプロンプト（常に読み込まれる）とは異なり、スキルは、エージェントがユーザーの現在のリクエストに関連すると判断した場合にのみ、エージェントのコンテキストに読み込まれます。これにより、コンテキストウィンドウが最適化され、エージェントが無関係な指示に気を取られるのを防ぐことができます。数十個のツールを使用する大規模なプロジェクトでは、この選択的読み込みがパフォーマンスと推論の精度に不可欠です。
Capability Extension: スキルは指示するだけでなく、実行することもできます。Python スクリプトや Bash スクリプトをバンドルすることで、スキルはエージェントにローカルマシンや外部ネットワークで複雑な複数ステップのアクションを実行する機能を提供できます。ユーザーが手動でコマンドを実行する必要はありません。これにより、エージェントはテキスト生成ツールからツールユーザーに変わります。

スキルとエコシステム（ツール、ルール、ワークフロー）

Model Context Protocol（MCP）は、エージェントの「手」として機能し、GitHub や PostgreSQL などの外部システムへのヘビーデューティで永続的な接続を提供しますが、スキルはそれらを指示する「脳」として機能します。

MCP はステートフルインフラストラクチャを処理しますが、スキルはこれらのツールの使用方法をパッケージ化した軽量で一時的なタスク定義です。このサーバーレスアプローチにより、エージェントは永続的なプロセスを実行する運用上のオーバーヘッドなしで、アドホックタスク（変更ログや移行の生成など）を実行できます。コンテキストはタスクがアクティブな場合にのみ読み込まれ、タスクの完了直後に解放されます。

スキルはエージェントによってトリガーされます。モデルはユーザーの意図を自動的に検出し、必要な特定の専門知識を動的に提供します。このアーキテクチャにより、強力な構成可能性が実現します。たとえば、グローバルルールでデータベースの変更時に「Safe-Migration」スキルを使用するように強制したり、単一のワークフローで複数のスキルをオーケストレートして堅牢なデプロイパイプラインを構築したりできます。

4. スキルを作成する

Antigravity でスキルを作成するには、特定のディレクトリ構造とファイル形式に従う必要があります。この標準化により、スキルがポータブルになり、エージェントがスキルを確実に解析して実行できるようになります。この設計は意図的にシンプルになっており、マークダウンや YAML などの広く理解されている形式に依存しているため、IDE の機能を拡張したいデベロッパーにとっての参入障壁が低くなっています。

ディレクトリ構造

一般的な Skill ディレクトリは次のようになります。

my-skill/
├── SKILL.md # The definition file
├── scripts/ # [Optional] Python, Bash, or Node scripts
     ├── run.py
     └── util.sh
├── references/ # [Optional] Documentation or templates
     └── api-docs.md
└── assets/ # [Optional] Static assets (images, logos)

この構造により、懸念事項を効果的に分離できます。ロジック（scripts）は、標準的なソフトウェアエンジニアリングプラクティスを反映して、命令（SKILL.md）と知識（references）から分離されています。

SKILL.md 定義ファイル

SKILL.md ファイルはスキルの頭脳です。スキルが何であるか、いつ使用するか、どのように実行するかをエージェントに伝えます。

次の 2 つの部分で構成されます。

YAML フロントマター
マークダウンの本文。

YAML フロントマター

これがメタデータレイヤです。エージェントのハイレベルルーターによってインデックス登録されるのは、スキルのこの部分のみです。ユーザーがプロンプトを送信すると、エージェントは利用可能なすべてのスキルの説明フィールドに対してプロンプトのセマンティックマッチングを行います。

---
name: database-inspector
description: Use this skill when the user asks to query the database, check table schemas, or inspect user data in the local PostgreSQL instance.
---

主なフィールド:

name: 必須ではありません。スコープ内で一意である必要があります。小文字、ハイフン可（例: postgres-query、pr-reviewer）。指定しない場合、デフォルトでディレクトリ名になります。
description: 必須の最も重要なフィールドです。これは「トリガーフレーズ」として機能します。LLM がセマンティックな関連性を認識できる程度に説明されている必要があります。「データベースツール」のような曖昧な説明では不十分です。「ローカル PostgreSQL データベースに対して読み取り専用の SQL クエリを実行して、ユーザーまたはトランザクションデータを取得します。「Use this for debugging data states」を使用すると、スキルが正しく取得されます。

マークダウン本文

本文には手順が記載されています。これは、ファイルに保存された「プロンプトエンジニアリング」です。スキルが有効になると、このコンテンツがエージェントのコンテキストウィンドウに挿入されます。

本文には次の内容を含める必要があります。

目標: スキルで達成できることを明確に説明します。
手順: ステップごとのロジック。
例: モデルのパフォーマンスをガイドする入出力の少数ショットの例。
制約: 「しない」ルール（「DELETE クエリを実行しない」など）。

SKILL.md の本文の例:

Database Inspector

Goal
To safely query the local database and provide insights on the current data state.

Instructions
- Analyze the users natural language request to understand the data need.
- Formulate a valid SQL query.
 - CRITICAL: Only SELECT statements are allowed.
- Use the script scripts/query_runner.py to execute the SQL.
 - Command: python scripts/query_runner.py "SELECT * FROM..."
- Present the results in a Markdown table.

Constraints
- Never output raw user passwords or API keys.
- If the query returns > 50 rows, summarize the data instead of listing it all.

スクリプトの統合

スキルの最も強力な機能の一つは、スクリプトに実行を委任できることです。これにより、エージェントは LLM が直接行うことが難しい、または不可能なアクション（バイナリ実行、複雑な数学的計算、レガシーシステムとのやり取りなど）を実行できます。

スクリプトは scripts/ サブディレクトリに配置されます。SKILL.md は相対パスでそれらを参照します。

5. 作成スキル

このセクションの目標は、Antigravity に統合されるスキルを構築し、リソースやスクリプトなどのさまざまな機能を段階的に表示することです。

スキルは、こちらの Github リポジトリ（https://github.com/rominirani/antigravity-skills）からダウンロードできます。

これらの各スキルがどのように構築されたかを理解する前に、それらを構成して Antigravity 製品スイート内で利用できるようにする方法を見てみましょう。以下のフォルダは、このラボの公開時点で適用されます。

Antigravity または Antigravity CLI を使用する

スキルは 2 つのスコープで定義できるため、プロジェクト固有のスキルとユーザー固有のスキル（グローバルスキル）の両方を定義できます。

グローバルスコープ（~/.gemini/config/skills/）: すべての Antigravity プロダクト（Antigravity、Antigravity IDE、Antigravity CLI）とプロジェクトで使用できます。これらのスキルは、ユーザーのマシンのすべてのプロジェクトで使用できます。これは、「JSON のフォーマット」、「UUID の生成」、「コードスタイルのレビュー」などの一般的なユーティリティや、個人の生産性向上ツールとの統合に適しています。
プロジェクト/ワークスペースのスコープ（<project-root>/.agents/skills/）: この設定にすると、スキルは特定のプロジェクト内でのみ利用可能になります。これは、特定の環境へのデプロイ、アプリのデータベース管理、独自のフレームワークのボイラープレートコードの生成など、プロジェクト固有のスクリプトに最適です。

Antigravity または Antigravity CLI でスキルをインストールする

このチュートリアルでは、次の手順を行うだけで済みます（独自の方法で行うこともできます）。

ステップ 1: https://github.com/rominirani/antigravity-skills の git clone を実行します。

ステップ 2: Antigravity または Antigravity CLI のどちらを使用しているかに応じて、antigravity-skills/skills_tutorial フォルダに移動します。

ステップ 3: スキルがそれぞれのフォルダにまとめられています。次の 4 つのフォルダをコピーします。

git-commit-formatter
license-header-adder
database-schema-validator
json-to-pydantic

（プロジェクトスコープまたはグローバルスコープ）の対象プロダクトのスキルフォルダに移動します。

ステップ 4: Antigravity または Antigravity CLI を使用している場合は、<project-root>/.agents/skills/（プロジェクトスコープ）にコピーします。

Antigravity を起動している場合は、「利用可能なスキルは何ですか？」という簡単な質問をすると、同じように回答が返ってきます。ここに 4 つのスキルが表示されています。環境にインストールしたスキルが他にもある可能性があります。

同様に、Antigravity CLI を使用している場合は、次のコマンド /skills を実行すると、4 つのスキルが一覧表示されます。サンプルを以下に示します。

スキルを設定する方法がわかったところで、各スキルについて、どのように構築されたのかを見ていきましょう。これらのテンプレートを使用して、独自のスキルを作成することもできます。

レベル 1 : 基本的なルーター（git-commit-formatter）

これをスキルの「Hello World」としましょう。

デベロッパーは「wip」、「fix bug」、「updates」などの怠惰なコミットメッセージを記述することがよくあります。「Conventional Commits」を手動で適用するのは面倒で、忘れられることがよくあります。Conventional Commits 仕様を適用する Skill を実装してみましょう。エージェントにルールを指示するだけで、エージェントが実施者として機能します。

git-commit-formatter/
└── SKILL.md  (Instructions only)

SKILL.md ファイルは次のとおりです。

---
name: git-commit-formatter
description: Formats git commit messages according to Conventional Commits specification. Use this when the user asks to commit changes or write a commit message.
---

Git Commit Formatter Skill

When writing a git commit message, you MUST follow the Conventional Commits specification.

Format
`<type>[optional scope]: <description>`

Allowed Types
- **feat**: A new feature
- **fix**: A bug fix
- **docs**: Documentation only changes
- **style**: Changes that do not affect the meaning of the code (white-space, formatting, etc)
- **refactor**: A code change that neither fixes a bug nor adds a feature
- **perf**: A code change that improves performance
- **test**: Adding missing tests or correcting existing tests
- **chore**: Changes to the build process or auxiliary tools and libraries such as documentation generation

Instructions
1. Analyze the changes to determine the primary `type`.
2. Identify the `scope` if applicable (e.g., specific component or file).
3. Write a concise `description` in an imperative mood (e.g., "add feature" not "added feature").
4. If there are breaking changes, add a footer starting with `BREAKING CHANGE:`.

Example
`feat(auth): implement login with google`

Antigravity でこの例を実行する方法

以下の手順では、ローカルマシンで Git が使用可能で、正しく設定されていることを前提としています。

Antigravity または Antigravity CLI を起動したことを前提として、次の手順を行います。

ステップ 1: テスト Git リポジトリを設定する

エージェントに、Git オペレーションのテスト用にクリーンで分離されたディレクトリを設定するよう依頼します。

プロンプト:

Create a folder named git_test in the workspace, initialize a git repository inside it, and create an initial file auth.py with def login(): pass. Stage this file and make an initial commit.

コミットが発生すると、スキルがトリガーされ、コミットメッセージがスキルでキャプチャされた推奨事項に従ってフォーマットされます。

フォルダを作成し、Git リポジトリを初期化し、初期ファイルを作成してステージングし、Conventional Commits 仕様を使用して commit しました。

 1. Created folder and initialized git repository:
     • Directory: git_test
     • Initialized empty Git repository in git_test/.git/
 2. Created initial file:
     • File: auth.py
     • Defined: auth.py:1-2
 3. Staged and committed changes:
     • Commit message: feat(auth): add initial login function

ステップ 2: コードを変更する

エージェントに、コミットする変更があるようにコードを変更するよう指示します。

プロンプト:

In the git_test folder, modify auth.py to add Google Login functionality.

エージェントはファイルを編集して新しい機能を追加し、コミットフェーズの準備をします。

ステップ 3: 変更をステージングしてコミットする

エージェントに変更をステージングして commit を作成するよう依頼して、git-commit-formatter スキルをトリガーします。

プロンプト:

Stage the changes in the git_test folder and commit them. Make sure to format the commit message using the Conventional Commits skill.

エージェントは git add auth.py を実行し、差分を分析して auth モジュールに新しい機能が追加されたことを確認し、git commit を実行する前に feat(auth): implement google login のような従来のコミットメッセージを作成します。

ステップ 4: Git ログを確認する

フォーマットされたコミットが正常に記録されたことを確認できるよう、担当者に git の履歴を取得してもらいます。

プロンプト:

Show me the git log in the git_test folder.

エージェントが git log -n 5 を実行し、フォーマットされたコミットメッセージを示す出力を返します。

レベル 2: アセットの利用率（license-header-adder）

これは「参照」パターンです。

企業プロジェクトのすべてのソースファイルに、特定の 20 行の Apache 2.0 ライセンスヘッダーが必要になる場合があります。この静的テキストをプロンプト（または SKILL.md）に直接入れるのは無駄です。スキルがインデックスに登録されるたびにトークンが消費され、モデルが法的テキストの誤字脱字を「ハルシネーション」する可能性があります。静的テキストを resources/ フォルダ内のプレーンテキストファイルにオフロードすることをおすすめします。スキルは、必要な場合にのみこのファイルを読み取るようエージェントに指示します。

ファイルは skills ディレクトリの license-header-adder フォルダにあります。

license-header-adder/
├── SKILL.md
└── resources/
   └── HEADER_TEMPLATE.txt  (The heavy text)

SKILL.md ファイルは次のとおりです。

---
name: license-header-adder
description: Adds the standard open-source license header to new source files. Use involves creating new code files that require copyright attribution.
---

# License Header Adder Skill

This skill ensures that all new source files have the correct copyright header.

## Instructions

1. **Read the Template**:
  First, read the content of the header template file located at `resources/HEADER_TEMPLATE.txt`.

2. **Prepend to File**:
  When creating a new file (e.g., `.py`, `.java`, `.js`, `.ts`, `.go`), prepend the `target_file` content with the template content.

3. **Modify Comment Syntax**:
  - For C-style languages (Java, JS, TS, C++), keep the `/* ... */` block as is.
  - For Python, Shell, or YAML, convert the block to use `#` comments.
  - For HTML/XML, use `<!-- ... -->`.

Antigravity でこの例を実行する方法

前の例を実行した場合は、ライセンスヘッダーがすでに追加されています。こちらで確認するか、新しいプロンプトを試すことができます。

Antigravity または Antigravity CLI を起動したことを前提として、次の手順を行います。

ステップ 1: サンプルコードを含む Python ファイルを作成する

プロンプト:

Create a new file my_script.py with the following python code:

def hello():
   print("Hello, World!")

何が起こったか（説明）: エージェントは、ファイル書き込みツール（write_to_file）を呼び出して、アクティブなワークスペースディレクトリに my_script.py という名前の新しいファイルを直接作成し、そこに基本的な Python 関数を書き込みました。また、このプロンプトによって license-header-adder スキルがトリガーされました。エージェントはライセンステンプレートファイル（HEADER_TEMPLATE.txt）を見つけて読み取り、コメントスタイルを C スタイルのブロックコメント（/* ... */）から Python スタイルのコメント（#）に変更し、replace_file_content ツールを使用してファイルの先頭に追加しました。

ステップ 2: ファイルの内容を確認する

my_script.py ファイルをご覧ください。上部にライセンスヘッダーが含まれます。

レベル 3: 例による学習（json-to-pydantic）

「少数ショット」パターン。

緩いデータ（JSON API レスポンスなど）を厳密なコード（Pydantic モデルなど）に変換するには、数十もの決定が必要です。クラスにはどのような名前を付けるべきですか？Optional を使用すべきですか？snake_case または camelCase？これらの 50 個のルールを英語で記述するのは、面倒でエラーが発生しやすくなります。

LLM はパターンマッチングエンジンです。

スキルをゴールデンサンプル（Input -> Output）で作成する方が、詳細な手順よりも効果的な場合が多くあります。

以下のように、スキルファイルを含む json-to-pydantic/ フォルダに移動します。

json-to-pydantic/
├── SKILL.md
└── examples/
   ├── input_data.json   (The Before State)
   └── output_model.py   (The After State)

SKILL.md ファイルは次のとおりです。

---
name: json-to-pydantic
description: Converts JSON data snippets into Python Pydantic data models.
---

# JSON to Pydantic Skill

This skill helps convert raw JSON data or API responses into structured, strongly-typed Python classes using Pydantic.

Instructions

1. **Analyze the Input**: Look at the JSON object provided by the user.
2. **Infer Types**:
  - `string` -> `str`
  - `number` -> `int` or `float`
  - `boolean` -> `bool`
  - `array` -> `List[Type]`
  - `null` -> `Optional[Type]`
  - Nested Objects -> Create a separate sub-class.
 
3. **Follow the Example**:
  Review `examples/` to see how to structure the output code. notice how nested dictionaries like `preferences` are extracted into their own class.
 
  - Input: `examples/input_data.json`
  - Output: `examples/output_model.py`

Style Guidelines
- Use `PascalCase` for class names.
- Use type hints (`List`, `Optional`) from `typing` module.
- If a field can be missing or null, default it to `None`.

/examples フォルダには、JSON ファイルと出力ファイル（Python ファイル）があります。両方を以下に示します。

input_data.json

{
   "user_id": 12345,
   "username": "jdoe_88",
   "is_active": true,
   "preferences": {
       "theme": "dark",
       "notifications": [
           "email",
           "push"
       ]
   },
   "last_login": "2024-03-15T10:30:00Z",
   "meta_tags": null
}

output_model.py

from pydantic import BaseModel, Field
from typing import List, Optional

class Preferences(BaseModel):
   theme: str
   notifications: List[str]

class User(BaseModel):
   user_id: int
   username: str
   is_active: bool
   preferences: Preferences
   last_login: Optional[str] = None
   meta_tags: Optional[List[str]] = None

Antigravity でこの例を実行する方法

Antigravity または Antigravity CLI を起動したことを前提として、次の手順を行います。

ステップ 1: サンプルデータを含む JSON ファイルを作成する

エージェントに、未加工の JSON ペイロードを含む新しいファイル product.json を作成するよう依頼します。

プロンプト:

Create a new file product.json with the following JSON:

{
 "product": "Widget",
 "cost": 10.99,
 "stock": null
}

ステップ 2: JSON を Pydantic モデルに変換する

json-to-pydantic スキルをトリガーして、JSON データを構造化された Pydantic クラスに変換します。

プロンプト:

Convert the JSON in product.json to a Pydantic model and save it to product_model.py.

ステップ 3: 出力を確認する

product_model.py ファイルをご覧ください。これには、完成した Pydantic モデルが含まれます。

レベル 4: 手続き型ロジック（database-schema-validator）

これは「ツール使用」パターンです。

LLM に「このスキーマは安全ですか？」と尋ねると、SQL が正しく見えるという理由だけで、重要な主キーが欠落していても問題ないと答えることがあります。

このチェックを決定論的なスクリプトに委任しましょう。database-schema-validator スキルは、作成した Python スクリプトを実行するようにエージェントをルーティングします。スクリプトはバイナリ（True/False）の真理値を提供します。

database-schema-validator/
├── SKILL.md
└── scripts/
   └── validate_schema.py  (The Validator)

SKILL.md ファイルは次のとおりです。

---
name: database-schema-validator
description: Validates SQL schema files for compliance with internal safety and naming policies.
---

# Database Schema Validator Skill

This skill ensures that all SQL files provided by the user comply with our strict database standards.

Policies Enforced
1. **Safety**: No `DROP TABLE` statements.
2. **Naming**: All tables must use `snake_case`.
3. **Structure**: Every table must have an `id` column as PRIMARY KEY.

Instructions

1. **Do not read the file manually** to check for errors. The rules are complex and easily missed by eye.
2. **Run the Validation Script**:
  Use the `run_command` tool to execute the python script provided in the `scripts/` folder against the user's file.
 
  `python scripts/validate_schema.py <path_to_user_file>`

3. **Interpret Output**:
  - If the script returns **exit code 0**: Tell the user the schema looks good.
  - If the script returns **exit code 1**: Report the specific error messages printed by the script to the user and suggest fixes.

validate_schema.py ファイルは次のとおりです。

import sys
import re

def validate_schema(filename):
   """
   Validates a SQL schema file against internal policy:
   1. Table names must be snake_case.
   2. Every table must have a primary key named 'id'.
   3. No 'DROP TABLE' statements allowed (safety).
   """
   try:
       with open(filename, 'r') as f:
           content = f.read()
          
       lines = content.split('\n')
       errors = []
      
       # Check 1: No DROP TABLE
       if re.search(r'DROP TABLE', content, re.IGNORECASE):
           errors.append("ERROR: 'DROP TABLE' statements are forbidden.")
          
       # Check 2 & 3: CREATE TABLE checks
       table_defs = re.finditer(r'CREATE TABLE\s+(?P<name>\w+)\s*\((?P<body>.*?)\);', content, re.DOTALL | re.IGNORECASE)
      
       for match in table_defs:
           table_name = match.group('name')
           body = match.group('body')
          
           # Snake case check
           if not re.match(r'^[a-z][a-z0-9_]*$', table_name):
               errors.append(f"ERROR: Table '{table_name}' must be snake_case.")
              
           # Primary key check
           if not re.search(r'\bid\b.*PRIMARY KEY', body, re.IGNORECASE):
               errors.append(f"ERROR: Table '{table_name}' is missing a primary key named 'id'.")

       if errors:
           for err in errors:
               print(err)
           sys.exit(1)
       else:
           print("Schema validation passed.")
           sys.exit(0)
          
   except FileNotFoundError:
       print(f"Error: File '{filename}' not found.")
       sys.exit(1)

if __name__ == "__main__":
   if len(sys.argv) != 2:
       print("Usage: python validate_schema.py <schema_file>")
       sys.exit(1)
      
   validate_schema(sys.argv[1])

Antigravity でこの例を実行する方法

Antigravity または Antigravity CLI を起動したことを前提として、次の手順を行います。

ステップ 1: サンプルデータを含む SQL ファイルを作成する

エージェントに、複数のポリシー違反を含む新しいファイル bad_schema.sql を作成するよう依頼します。

プロンプト:

Create a new file bad_schema.sql with the following SQL:

DROP TABLE IF EXISTS legacy_users;

CREATE TABLE userProfile (
    id INT PRIMARY KEY,
    bio TEXT
);

CREATE TABLE posts (
    title TEXT,
    content TEXT,
    created_at TIMESTAMP
);

CREATE TABLE comments (
    id INT PRIMARY KEY,
    post_id INT,
    body TEXT
);

上記のスキーマファイルは、禁止されている DROP TABLE ステートメントを使用している、userProfile テーブル名に camelCase を使用している、posts テーブルで id 主キーを忘れているという 3 つのポリシーすべてに違反しています。

ステップ 2: SQL スキーマを検証する

database-schema-validator スキルをトリガーして、ファイルに対して Python バリデータスクリプトを実行します。

場合によっては、Antigravity が自動的にトリガーされることがあります。

database-schema-validator

SQL ファイルが作成されたら、スキルを単独で実行できます。

プロンプト:

Validate bad_schema.sql using the database-schema-validator skill.

ステップ 3: 出力を確認する

エージェントは失敗を報告し、スクリプトで検出された特定のエラーをチャットに直接表示します。出力例を次に示します。

Validation of bad_schema.sql failed with the following policy errors:

 ### Validation Errors

   ERROR: 'DROP TABLE' statements are forbidden.
   ERROR: Table 'userProfile' must be snake_case.
   ERROR: Table 'posts' is missing a primary key named 'id'.
 ──────
 ### Suggested Fixes

 1. Remove Destructive Statements:
     • Delete DROP TABLE IF EXISTS legacy_users; to comply with the safety policy prohibiting DROP TABLE operations.
 2. Fix Naming Conventions:
     • Rename table userProfile to user_profile to satisfy the snake_case naming policy.
 3. Add Primary Key:
     • Add an id INT PRIMARY KEY column to the posts table to comply with table structure requirements.

 ──────
 ### Compliant Schema Example

   CREATE TABLE user_profile (
       id INT PRIMARY KEY,
       bio TEXT
   );

   CREATE TABLE posts (
       id INT PRIMARY KEY,
       title TEXT,
       content TEXT,
       created_at TIMESTAMP
   );

   CREATE TABLE comments (
       id INT PRIMARY KEY,
       post_id INT,
       body TEXT
   );

6. Developer Toolkit（Agents CLI Skills）

「アクションとライフサイクル」パターン。

AI エージェントの開発には、ボイラープレートファイルのスキャフォールディング、ローカルランタイム環境の構成、テストプロンプトの実行、インタラクティブプレイグラウンドの起動など、ライフサイクルタスクの繰り返しが含まれます。

コーディングアシスタントにディレクトリ構造を推測させたり、ボイラープレートエージェント構成をゼロから記述させたりするのではなく、Agents CLI Skills は、このライフサイクルの専門知識を特定のエージェントスキルにパッケージ化します。

Agent CLI（コマンドラインインターフェース）スキルにより、デベロッパー中心の効率的な自動化をターミナルで直接実行できるようになり、生のコードと自律実行のギャップを埋めることができます。Agent Development Kit（ADK）は、プログラムによるフレームワークに重点を置いており、AI エージェントの構築とオーケストレーションを行うための SDK、API、構造設計図を提供しますが、Agent CLI スキルは運用上の強みを提供します。これにより、デベロッパーはエージェントの足場を構築し、ローカルでテストしてデプロイできます。フィードバックループが高速で、重い UI オーバーヘッドを完全に回避できます。

必要に応じて、Google Cloud にマッピングすると、Agent CLI スキルはエンタープライズグレードのインフラストラクチャへの直接パイプラインとして機能します。コンソールを操作する代わりに、CLI コマンドを使用して、エージェントワークフローのパッケージ化、アクセス権限の管理、Google Cloud エコシステム（Vertex AI や Cloud Run など）へのデプロイを瞬時に行うことができます。これにより、以前は複雑だったクラウドアーキテクチャタスクが、シンプルで再現可能なターミナルコマンドに変換され、自律エージェントを既存の CI/CD デプロイパイプラインに簡単に統合できるようになります。

インストール方法

Python 3.11+、Node.js、uv パッケージ管理システムがインストールされていることを確認します。次に、ターミナルでセットアップコマンドを実行します。

uvx google-agents-cli setup

このコマンドは、agents-cli バイナリをインストールし、コーディングアシスタントの環境内でスキャフォールディングと評価用の特殊なスキルを登録します。

注: スキルは ~/.agents/skills フォルダにインストールされます。このフォルダは Antigravity に表示されます。これらのスキルを Antigravity CLI で確認するには、~/.gemini/antigravity-cli/skills フォルダ（グローバルスコープ）に移動する必要があります。

スキルが Antigravity に読み込まれたかどうかは、利用可能なスキルについて質問するだけで確認できます。以下に、インストールしたばかりの Agent CLI スキルの部分的なレスポンスの例を示します。

ステップバイステップチュートリアル

uvx google-agents-cli setup が完了すると、AI エージェントをローカルマシンでスピンアップ、操作、テストできます。

ステップ 1: 新しいエージェントプロジェクトをスキャフォールディングして初期化する

作成コマンドを実行して、標準化されたレイアウトをスキャフォールディングします。作成したら、実行タスクを実行する前にプロジェクトの依存関係をインストールする必要があります。

# 1. Create a lightweight prototype project structure
agents-cli create weather-assistant --prototype --yes

# 2. Move into the directory and install required ADK dependencies
cd weather-assistant
agents-cli install

バックグラウンドで実行される処理: app/agent.py（コアコード）、pyproject.toml（パッケージメタデータ）、agents-cli-manifest.yaml（プロジェクトトラッカー）を含むクリーンなワークスペースが作成されます。

ステップ 2: ローカルテストクエリを実行する

エージェントに対して高速で直接的なコマンドラインテストを実行します。Google Cloud の ADC（アプリケーションのデフォルト認証情報）を使用していない場合は、ターミナルで GEMINI_API_KEY がエクスポートされていることを確認します。Gemini API キーはこちらから取得できます。キーを取得したら、次のコマンドを使用してターミナルでエクスポートします。ここでは、GOOGLE_GENAI_USE_VERTEXAI を FALSE に設定しています。

export GEMINI_API_KEY="YOUR_GEMINI_API_KEY"
export GOOGLE_GENAI_USE_VERTEXAI=FALSE

ターミナルで次のコマンドを実行します。

agents-cli run "How are you?"

舞台裏で発生する処理: CLI は、ターミナルのメモリ内で Agent Development Kit（ADK）のライフサイクル全体を初期化します。プロンプトはローカル認証情報を介して安全にルーティングされ、ライブストリーミングのレスポンスはコマンドラインに直接記録されます。

ステップ 3: インタラクティブウェブプレイグラウンドを起動する

組み込みのローカルウェブベースのプレイグラウンドを起動して、エージェントを視覚的に操作します。

agents-cli playground

バックグラウンドで実行される処理: CLI は ADK ウェブ UI サーバーを起動します。通常は http://localhost:8080 またはフォールバック http://127.0.0.1:8000 でアクセスでき、ホットリロードが完了します。ウェブインターフェースで、上部の [アプリを選択] プルダウンから [アプリ] を選択し、ウェブアプリケーションの右側にある会話型インターフェースでエージェントとやり取りします。

7. npx skills を使用したエージェントスキルのインストール

npx skills は、Vercel Labs が開発したコマンドラインツールで、AI エージェント（Antigravity、Claude Code、GitHub Copilot、Cursor、Cline など）のパッケージマネージャーとして機能します。オープンエージェントスキルエコシステムの CLI です。

npx skills パッケージを使用してエージェントスキルをダウンロードしてインストールする場合、スキルは ~/.agents/skills フォルダに配置されます。Antigravity などのツールがこのフォルダからスキルを取得すると記載されていますが、このドキュメントの作成時点では、Antigravity はこのフォルダからスキルを取得しますが、Antigravity CLI は取得しません。前述のように、~/.agents/skills フォルダにインストールされたこれらのスキルを、Antigravity CLI のスキルフォルダのプロジェクトスコープまたはグローバルスコープにコピーする必要があります。

プロジェクトの範囲: <project-root>/.agents/skills/ にあります。
グローバルスコープ: ~/.gemini/antigravity-cli/skills/ にあります。

8. 完了

おめでとうございます！Google Antigravity を使用して最初のエージェントスキルを構築し、構成して、カスタム機能をスキルに追加できました。

また、プロジェクトスコープとグローバルスコープの両方でエージェントスキルのセットを構成し、カスタマイズされたツールを実装しました。

これで、Antigravity を使用して独自のプロジェクトで重い処理を行い、自由にコードを記述できるようになりました。

9. リファレンスドキュメント

Codelab : Google Antigravity を使ってみる
公式サイト : https://antigravity.google/
ドキュメント: https://antigravity.google/docs
ダウンロード : https://antigravity.google/download
Antigravity Skills のドキュメント: https://antigravity.google/docs/skills

Google Antigravity スキルの作成

1. はじめに

2. スキル機能のメリット

解決策: エージェント スキル

仕組み

3. エージェント スキルと反重力

Antigravity のスキルとは

スキルとエコシステム（ツール、ルール、ワークフロー）

4. スキルを作成する

ディレクトリ構造

SKILL.md 定義ファイル

スクリプトの統合

5. 作成スキル

Antigravity または Antigravity CLI を使用する

Antigravity または Antigravity CLI でスキルをインストールする

レベル 1 : 基本的なルーター（git-commit-formatter）

Antigravity でこの例を実行する方法

レベル 2: アセットの利用率（license-header-adder）

Antigravity でこの例を実行する方法

レベル 3: 例による学習（json-to-pydantic）

Antigravity でこの例を実行する方法

レベル 4: 手続き型ロジック（database-schema-validator）

Antigravity でこの例を実行する方法

6. Developer Toolkit（Agents CLI Skills）

インストール方法

ステップバイステップ チュートリアル

ステップ 1: 新しいエージェント プロジェクトをスキャフォールディングして初期化する

ステップ 2: ローカル テストクエリを実行する

ステップ 3: インタラクティブ ウェブ プレイグラウンドを起動する

7. npx skills を使用したエージェント スキルのインストール

8. 完了

9. リファレンス ドキュメント

解決策: エージェントスキル

3. エージェントスキルと反重力

ステップバイステップチュートリアル

ステップ 1: 新しいエージェントプロジェクトをスキャフォールディングして初期化する

ステップ 2: ローカルテストクエリを実行する

ステップ 3: インタラクティブウェブプレイグラウンドを起動する

7. npx skills を使用したエージェントスキルのインストール

9. リファレンスドキュメント