Google uses AI technology to translate content into your preferred language. AI translations can contain errors.

撰寫 Google Antigravity Skills

1. 簡介

Google Antigravity 是代理式開發平台，旨在協助您在代理時代進行開發。Antigravity 是 AI 代理的中央指揮中心，提供統一平台，可啟動、監控及調度代理的活動。

在本程式碼研究室中，我們將先瞭解代理技能，這是一種輕量級的開放格式，可運用專業知識和工作流程擴充 AI 代理的功能。您將瞭解代理程式技能的定義、優點和建構方式。接著，您將建構多項 Agent Skills，包括 Git 格式化工具、範本產生器、工具程式碼架構等，全都可在 Antigravity 中使用。

需求條件：

已安裝並設定 Antigravity。
瞭解 Google Antigravity 的基本知識。建議您先完成「開始使用 Google Antigravity」程式碼實驗室。

2. 為何需要技能

現代 AI 代理已從簡單的接聽程式演進為複雜的推理程式，可與本機檔案系統和外部工具 (透過 MCP 伺服器) 整合。不過，如果隨意將整個程式碼集和數百種工具載入代理程式，就會導致脈絡飽和和「工具膨脹」。即使上下文窗口很大，將 4 萬到 5 萬個未使用的工具權杖傾印到主動記憶體中，也會導致高延遲、浪費資金，以及「脈絡腐敗」，也就是模型會因不相關的資料而感到困惑。

解決方案：代理程式技能

為解決這個問題，Anthropic 推出代理程式技能，將架構從單體內容載入轉移至漸進式揭露。不必在工作階段開始時，強迫模型「記憶」每個特定工作流程 (例如資料庫遷移或安全性稽核)，而是將這些功能封裝成可探索的模組化單元。

運作方式

模型一開始只會接觸到輕量的中繼資料「選單」。只有在使用者意圖與技能完全相符時，才會載入大量程序知識 (指令和指令碼)。這可確保要求重構驗證中介軟體的開發人員取得安全環境，不必載入不相關的 CSS 管道，讓環境保持精簡、快速且符合成本效益。

3. Agent Skills 和 Antigravity

在 Antigravity 生態系統中，「技能」是專門的訓練模組，可彌合一般模型與特定情境之間的差距。當要求執行相關工作時，代理程式就能「裝備」一組定義的指令和通訊協定，例如資料庫遷移標準或安全檢查。透過動態載入這些執行通訊協定，Skills 可有效將 AI 從一般程式設計師轉變為專家，嚴格遵守機構的編碼最佳做法和安全標準。

什麼是 Antigravity 的 Skill？

在 Google Antigravity 中，技能是指以目錄為基礎的套件，內含定義檔 (SKILL.md) 和選用的支援資產 (指令碼、參照、範本)。

這是隨需擴充功能的機制。

隨選：與一律會載入的系統提示不同，只有在代理程式判斷技能與使用者目前的要求相關時，才會載入代理程式的情境。這項做法可最佳化脈絡視窗，避免代理程式受到無關指令干擾。在有數十種工具的大型專案中，這種選擇性載入對於效能和推論準確率至關重要。
功能擴充：技能不僅能下達指令，還能執行指令。透過 Python 或 Bash 指令碼組合，技能可讓代理程式在本機或外部網路執行複雜的多步驟動作，使用者不必手動執行指令。這項功能可將代理程式從文字生成工具轉變為工具使用者。

技能與生態系統 (工具、規則和工作流程)

Model Context Protocol (MCP) 就像代理的「雙手」，可提供與 GitHub 或 PostgreSQL 等外部系統的持續連線，而 Skills 則像是「大腦」，負責指揮代理。

MCP 會處理有狀態的基礎架構，而 Skills 則是輕量型暫時性工作定義，可封裝使用這些工具的方法。這種無伺服器做法可讓代理程式執行臨時工作 (例如產生修訂記錄或遷移)，不必執行持續性程序，也不會造成作業負擔，且只會在工作處於啟用狀態時載入內容，並在工作完成後立即釋出。

技能是由代理程式觸發：模型會自動偵測使用者意圖，並動態提供所需專業知識。這種架構可實現強大的可組合性；舉例來說，全域規則可以在資料庫變更期間強制使用「安全遷移」技能，單一工作流程則可協調多項技能，建構穩健的部署管道。

4. 建立技能

在 Antigravity 中建立技能時，請遵循特定目錄結構和檔案格式。這項標準化作業可確保技能可攜性，並讓代理程式可靠地剖析及執行技能。設計刻意簡化，採用 Markdown 和 YAML 等廣為人知的格式，降低開發人員擴充 IDE 功能的門檻。

目錄結構

典型的技能目錄如下所示：

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)

這種結構可有效區隔疑慮。邏輯 (scripts) 會與指令 (SKILL.md) 和知識 (references) 分開，反映標準軟體工程實務。

SKILL.md 定義檔

SKILL.md 檔案是技能的大腦，這項參數會定義技能、使用時機和執行方式。

這項服務包含兩個部分：

YAML 前頁內容
Markdown 內文。

YAML Frontmatter

這是中繼資料層。這是代理程式高階路由器編列索引的唯一技能部分。使用者傳送提示時，代理程式會根據所有可用技能的說明欄位，進行提示的語意比對。

---
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.
---

關鍵欄位：

名稱：非必填。範圍內的名稱不得重複。可使用小寫字母和連字號 (例如 postgres-query、pr-reviewer)。如未提供，預設會使用目錄名稱。
說明：這是必填欄位，也是最重要的欄位。這項功能就像「觸發字詞」，該字串必須清楚易懂，大型語言模型才能辨識語義相關性。「資料庫工具」這類籠統的說明不夠充分，例如「針對本機 PostgreSQL 資料庫執行唯讀 SQL 查詢，以擷取使用者或交易資料。「Use this for debugging data states」(使用這個選項偵錯資料狀態) 可確保技能正確擷取資料。

Markdown 內文

主體包含指令。這是「提示工程」保留在檔案中的內容。啟用技能後，這項內容會插入代理程式的背景資訊視窗。

內容應包含：

目標：清楚說明這項技能的用途。
說明：逐步邏輯。
範例：少量樣本的輸入和輸出內容，可引導模型效能。
限制：「請勿」規則 (例如「請勿執行 DELETE 查詢」)。

SKILL.md 內文範例：

Database Inspector

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

Instructions
- Analyze the user's 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.

整合指令碼

技能最實用的功能之一，就是能將執行作業委派給指令碼。這樣一來，代理程式就能執行 LLM 無法直接完成的動作 (例如執行二進位檔、進行複雜的數學運算，或與舊版系統互動)。

腳本會放在 scripts/ 子目錄中。SKILL.md 會依相對路徑參照這些檔案。

5. 撰寫技能

本節的目標是建構整合至 Antigravity 的技能，並逐步展示各種功能，例如資源/指令碼等。

您可以從 Github 存放區下載技能：https://github.com/rominirani/antigravity-skills。

在瞭解如何建構這些技能前，我們先來看看如何設定這些技能，並在 Antigravity 系列產品中提供這些技能。下列資料夾適用於發布本實驗室時。

使用 Antigravity 或 Antigravity CLI

您可以在兩個範圍定義技能，包括專案專屬技能和使用者專屬技能 (即全域技能)：

全域範圍 (~/.gemini/config/skills/)：適用於所有 Antigravity 產品 (Antigravity、Antigravity IDE、Antigravity CLI) 和專案。這些技能適用於使用者電腦上的所有專案。這類指令適用於一般公用程式，例如「Format JSON」、「Generate UUIDs」、「Review Code Style」，或與個人生產力工具整合。
專案/工作區範圍 (<project-root>/.agents/skills/)：這項設定會將技能限制在特定專案內。這項功能非常適合專案專屬指令碼，例如部署至特定環境、管理該應用程式的資料庫，或是為專有架構產生樣板程式碼。

在 Antigravity 或 Antigravity CLI 中安裝 Skills

在本教學課程中，我們只需要完成下列步驟 (您也可以自行操作)：

步驟 1：git clone https://github.com/rominirani/antigravity-skills

步驟 2：現在，您可以根據使用 Antigravity 或 Antigravity CLI，前往 antigravity-skills/skills_tutorial 資料夾。

步驟 3：你會看到一組技能，分別歸類在各自的資料夾中。複製下列 4 個資料夾：

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

產品的目標技能資料夾 (專案範圍或全域範圍)。

步驟 4：如果您使用 Antigravity 或 Antigravity CLI，請將檔案複製到 <project-root>/.agents/skills/ (專案範圍)。

啟動 Antigravity 後，你可以問簡單的問題「有哪些技能？」，系統會回答相同的問題。您可以看到列出的 4 項技能。如果您在環境中安裝了其他技能，也可能會看到這些技能。

同樣地，如果您使用 Antigravity CLI，可以輸入下列指令 /skills，系統應會列出 4 項技能。下方顯示範例：

我們已瞭解如何設定技能，現在就來深入瞭解各項技能的建構方式。您也可以使用這些範本建立自己的技能。

第 1 級：基本路由器 ( git-commit-formatter)

我們將此視為技能的「Hello World」。

開發人員通常會編寫延遲提交訊息，例如「wip」、「fix bug」、「updates」。手動強制執行「傳統式提交」既繁瑣又容易忘記。我們來實作一項 Skill，強制執行 Conventional Commits 規格。只要指示代理遵守規則，就能讓代理成為執行者。

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

SKILL.md 檔案如下所示：

---
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`

如何在 Antigravity 中執行這個範例

下列步驟假設您已在本機電腦上安裝 Git，並正確設定。

假設您已啟動 Antigravity 或 Antigravity CLI，請按照下列步驟操作：

步驟 1：設定測試 Git 存放區

請專員設定乾淨的獨立目錄，用於測試 Git 作業。

你的提示詞：

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.

代理程式會建立目錄、初始化存放區、暫存檔案，並以「initial commit」等訊息提交檔案。

步驟 2：變更程式碼

請代理程式修改程式碼，以便提交變更。

你的提示詞：

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

代理程式會編輯檔案以新增功能，為提交階段做準備。

步驟 3：暫存並提交變更

要求代理暫存變更並建立提交，即可觸發 git-commit-formatter 技能。

你的提示詞：

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

代理程式會執行 git add auth.py，分析差異比較以判斷 auth 模組是否新增了功能，並在執行 git commit 前，擬定類似 feat(auth): implement google login 的傳統提交訊息。

步驟 4：驗證 Git 記錄

請專員擷取 Git 記錄，確認格式化的提交內容已成功記錄。

你的提示詞：

Show me the git log in the git_test folder.

代理程式會執行 git log -n 5，並傳回顯示格式化提交訊息的輸出內容。

第 2 級：資產使用率 (license-header-adder)

這是「參考」模式。

公司專案中的每個來源檔案可能都需要特定的 20 行 Apache 2.0 授權標頭。直接將這段靜態文字放入提示 (或 SKILL.md) 中，會浪費資源。每次為技能建立索引時，系統都會消耗權杖，且模型可能會在法律文件中「幻覺」出錯別字。建議您將靜態文字卸載至 resources/ 資料夾中的純文字檔案。這項技能會指示代理程式僅在必要時讀取這個檔案。

您可以在 skills 目錄的 license-header-adder 資料夾中找到檔案。

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

SKILL.md 檔案如下所示：

---
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 `<!-- ... -->`.

如何在 Antigravity 中執行這個範例

假設您已啟動 Antigravity 或 Antigravity CLI，請按照下列步驟操作：

步驟 1：使用範例程式碼建立 Python 檔案

你的提示詞：

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

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

發生情況 (說明)：代理呼叫檔案寫入工具 (write_to_file)，直接在您的有效工作區目錄中建立名為 my_script.py 的新檔案，並將基本 Python 函式寫入該檔案。此外，提示也會觸發 license-header-adder 技能。代理程式找到並讀取授權範本檔案 (HEADER_TEMPLATE.txt)，將註解樣式從 C 樣式區塊註解 (/* ... */) 修改為 Python 樣式註解 (#)，然後使用 replace_file_content 工具將註解加到檔案頂端。

步驟 2：驗證檔案內容

請查看 my_script.py 檔案。頂端會顯示授權標頭。

第 3 級：透過範例學習 (json-to-pydantic)

「少量樣本」模式。

將鬆散資料 (例如 JSON API 回應) 轉換為嚴格程式碼 (例如 Pydantic 模型) 時，需要做出數十項決策。我們應該如何命名類別？我們應該使用 Optional 嗎？snake_case 或 camelCase？以英文撰寫這 50 條規則既繁瑣又容易出錯。

LLM 是模式比對引擎。

使用黃金範例 (Input -> Output) 撰寫技能，通常比詳細說明更有效。

前往包含技能檔案的 json-to-pydantic/ 資料夾，如下所示：

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

SKILL.md 檔案如下所示：

---
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 資料夾中會有 JSON 檔案和輸出檔案 (即 Python 檔案)。兩者如下所示：

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

如何在 Antigravity 中執行這個範例

假設您已啟動 Antigravity 或 Antigravity CLI，請按照下列步驟操作：

步驟 1：使用範例資料建立 JSON 檔案

要求代理程式建立新檔案 product.json，內含原始 JSON 酬載。

你的提示詞：

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

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

步驟 2：將 JSON 轉換為 Pydantic 模型

觸發 json-to-pydantic 技能，將 JSON 資料轉換為結構化 Pydantic 類別。

你的提示詞：

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

步驟 3：驗證輸出內容

請查看 product_model.py 檔案。其中會包含完成的 Pydantic 模型。

第 4 級：程序邏輯 (database-schema-validator)

這是「工具使用」模式。

如果您詢問 LLM「這個結構定義是否安全？」，即使缺少重要的主鍵，LLM 也可能因為 SQL 看似正確而回報一切正常。

我們將這項檢查委派給確定性指令碼。我們的 database-schema-validator 技能會將代理程式導向我們編寫的 Python 指令碼。指令碼會提供二元 (True/False) 真實值。

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

SKILL.md 檔案如下所示：

---
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 檔案如下所示：

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])

如何在 Antigravity 中執行這個範例

假設您已啟動 Antigravity 或 Antigravity CLI，請按照下列步驟操作：

步驟 1：使用範例資料建立 JSON 檔案

要求代理建立含有多項政策違規事項的新檔案 bad_schema.sql。

你的提示詞：

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
);

上述結構定義檔案違反了所有三項政策：使用禁止的 DROP TABLE 陳述式、使用 camelCase 做為 userProfile 資料表名稱，以及忘記 posts 資料表中的 id 主鍵。

步驟 2：驗證 SQL 結構定義

觸發 database-schema-validator 技能，對檔案執行 Python 驗證指令碼。

你的提示詞：

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

步驟 3：驗證輸出內容

虛擬服務專員會回報失敗情形，並直接在對話中顯示指令碼發現的特定錯誤。輸出範例如下所示：

Suggested Fixes:

Remove the line DROP TABLE IF EXISTS legacy_users; as dropping tables is forbidden by safety policy.

Rename the table userProfile to use snake_case (e.g., user_profile).

Add a primary key column named id to the posts table definition.

6. 開發人員工具包 (Agents CLI Skills)

「動作和生命週期」模式。

開發 AI 代理時，會重複執行生命週期工作：架構樣板檔案、設定本機執行階段環境、執行測試提示，以及啟動互動式遊樂場。

Agents CLI Skills 會將生命週期專業知識封裝成特定代理程式技能，因此您不必強迫程式設計助理猜測目錄結構，也不必從頭編寫樣板代理程式設定。

Agent CLI (指令列介面) 技能可直接在終端機中，為開發人員提供簡化的自動化功能，縮短原始程式碼與自主執行作業之間的差距。Agent Development Kit (ADK) 著重於程式輔助框架，提供 SDK、API 和結構藍圖，協助您建構及協調 AI 代理，而 Agent CLI 技能則提供運作能力。開發人員可透過這項工具在本機架構、測試及部署代理程式，並快速取得意見回饋，完全略過繁重的 UI 負擔。

如果對應至 Google Cloud，Agent CLI 技能可做為企業級基礎架構的直接管道。您不必在控制台中逐一點選，只要使用 CLI 指令，就能立即封裝代理程式工作流程、管理存取權限，並將其部署至 Google Cloud 生態系統 (例如 Vertex AI 或 Cloud Run)。這項功能可將複雜的雲端架構工作，轉化為簡單且可重現的終端機指令，讓您更輕鬆地將自主代理程式整合至現有的 CI/CD 部署管道。

如何安裝

確認已安裝 Python 3.11+、Node.js 和 uv 套件管理工具。接著，在終端機中執行設定指令：

uvx google-agents-cli setup

這項指令會安裝 agents-cli 二進位檔，並在程式碼輔助工具的環境中，註冊用於架構和評估的專業技能。

注意：技能會安裝在 ~/.agents/skills 資料夾中，Antigravity 可以看到這個資料夾。如要在 Antigravity CLI 中查看這些技能，必須將其移至 ~/.gemini/antigravity-cli/skills 資料夾 (全域範圍)。

只要詢問可用的技能，即可確認技能是否已載入 Antigravity。以下是我們剛安裝的 Agent CLI Skills 回應範例。

逐步操作說明

uvx google-agents-cli setup完成後，您就能在本機電腦上啟動、互動及測試 AI 代理。

步驟 1：架構並初始化新的代理專案

執行建立指令，搭建標準化版面配置。建立專案後，您必須先安裝專案依附元件，才能執行任何執行工作。

# 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

幕後作業：這會建立乾淨的工作區，內含 app/agent.py (核心程式碼)、pyproject.toml (套件中繼資料) 和 agents-cli-manifest.yaml (專案追蹤器)。

步驟 2：執行本機測試查詢

對代理執行快速直接的指令列測試。如果您未使用 Google Cloud 的 ADC (應用程式預設憑證)，請務必在終端機中匯出 GEMINI_API_KEY。如要取得 Gemini API 金鑰，請前往這個頁面。取得金鑰後，請在終端機中透過下列指令匯出金鑰：

export GEMINI_API_KEY="YOUR_GEMINI_API_KEY"

在終端機中輸入下列指令：

agents-cli run "How are you?"

幕後運作方式：CLI 會在終端機的記憶體中，完整初始化 Agent Development Kit (ADK) 生命週期。系統會透過本機憑證安全地傳送提示，並將直播回應直接記錄回指令列。

步驟 3：啟動互動式網頁 Playground

啟動內建的本機網頁式測試區，以視覺化方式與代理程式互動。

agents-cli playground

幕後作業：CLI 會啟動 ADK 網頁 UI 伺服器，通常可透過 http://localhost:8080 或備援 http://127.0.0.1:8000 存取，並完成熱重載。在網頁介面中，選取頂端「Select an app」下拉式選單中的「app」，然後在網頁應用程式右側的對話介面與代理互動。

7. 使用 npx skills 安裝 Agent Skills

npx skills 是由 Vercel Labs 開發的指令列工具，可做為 AI 代理程式 (例如 Antigravity、Claude Code、GitHub Copilot、Cursor 和 Cline) 的套件管理員。這是開放式代理技能生態系統的 CLI。

如要使用 npx skills 套件下載及安裝 Agent Skills，請注意，這會將 Skills 放在 ~/.agents/skills 資料夾中。雖然該頁面提到 Antigravity 等工具會從這個資料夾擷取技能，但請注意，撰寫本文時，Antigravity 會從這個資料夾擷取技能，但 Antigravity CLI 不會。如先前所述，您需要將安裝在 ~/.agents/skills 資料夾中的這些技能，複製到 Antigravity CLI 的專案或全域範圍，也就是技能資料夾。

專案範圍：位於 <project-root>/.agent/skills/。
全球範圍：位於~/.gemini/antigravity-cli/skills/。

8. 恭喜

恭喜！您已成功使用 Google Antigravity 建構第一個 Agent 技能、設定該技能，並新增自訂功能。

您也成功在專案和全域範圍內設定一組 Agent Skills，讓自訂工具發揮作用！

現在，您可以讓 Antigravity 處理專案中的繁重工作，並以自己的方式編寫程式碼。

贏得 Kaggle 5 天 AI 代理徽章

您是否已完成這項實驗室，並參加 Kaggle 的五天 AI 代理：Google 直覺式程式設計密集課程？領取結業徽章：取得 5 天 AI 代理徽章。

9. 參考文件

程式碼研究室：開始使用 Google Antigravity
官方網站：https://antigravity.google/
說明文件：https://antigravity.google/docs
下載：https://antigravity.google/download
Antigravity Skills 說明文件：https://antigravity.google/docs/skills